图像与媒体支持 — 2025-12-05

WhatsApp 通道通过 Baileys Web 运行。本文件记录了当前的媒体处理规则，包括发送、网关和代理回复。

目标

• 通过 openclaw message send --media 发送带有可选标题的媒体。
• 允许网页收件箱中的自动回复包含文本和媒体。
• 保持每种类型的限制合理且可预测。

命令行界面

• openclaw message send --media <path-or-url> [--message <caption>]
  • --media 可选；仅发送媒体时标题可以为空。
  • --dry-run 打印解析后的负载；--json 发出 { channel, to, messageId, mediaUrl, caption }。

WhatsApp Web 通道行为

• 输入：本地文件路径 或 HTTP(S) URL。
• 流程：加载到 Buffer，检测媒体类型，并构建正确的负载：
  • 图像： 调整大小并重新压缩为 JPEG（最大边长 2048px），目标为 agents.defaults.mediaMaxMb（默认 5 MB），上限为 6 MB。
  • 音频/语音/视频： 最大 16 MB 的直通；音频作为语音消息发送 (ptt: true)。
  • 文档： 任何其他文件，最大 100 MB，当可用时保留文件名。
• WhatsApp GIF 风格播放：发送带有 gifPlayback: true 的 MP4（CLI: --gif-playback) 以便移动客户端内联循环播放。
• MIME 检测优先使用魔数字节，然后是头信息，最后是文件扩展名。
• 标题来自 --message 或 reply.text；允许空标题。
• 日志记录：非详细模式显示 ↩️/✅；详细模式包括大小和源路径/URL。

自动回复管道

• getReplyFromConfig 返回 { text?, mediaUrl?, mediaUrls? }。
• 当存在媒体时，网页发送者使用与 openclaw message send 相同的管道解析本地路径或 URL。
• 如果提供多个媒体条目，则按顺序发送。

入站媒体到命令（Pi）

• 当入站网页消息包含媒体时，OpenClaw 下载到临时文件并暴露模板变量：
  • `` 入站媒体的伪 URL。
  • `` 在运行命令之前写入的本地临时路径。
• 当启用每个会话的 Docker 沙盒时，入站媒体被复制到沙盒工作区，并将 MediaPath/MediaUrl 重写为类似 media/inbound/<filename> 的相对路径。
• 媒体理解（如果通过 tools.media.* 或共享 tools.media.models 配置）在模板化之前运行，并可以在 Body 中插入 [Image]、[Audio] 和 [Video] 块。
  • 音频设置 `` 并使用转录本进行命令解析，因此斜杠命令仍然有效。
  • 视频和图像描述保留任何标题文本以供命令解析。
• 默认情况下只处理第一个匹配的图像/音频/视频附件；设置 tools.media.<cap>.attachments 以处理多个附件。

限制与错误

出站发送限制（WhatsApp Web 发送）

• 图像：重新压缩后的上限约为 6 MB。
• 音频/语音/视频：16 MB 上限；文档：100 MB 上限。
• 超尺寸或无法读取的媒体 → 日志中清晰错误，回复被跳过。

媒体理解限制（转录/描述）

• 图像默认：10 MB (tools.media.image.maxBytes)。
• 音频默认：20 MB (tools.media.audio.maxBytes)。
• 视频默认：50 MB (tools.media.video.maxBytes)。
• 超尺寸媒体跳过理解，但回复仍会通过原始正文。

测试注意事项

• 覆盖图像/音频/文档情况的发送 + 回复流程。
• 验证图像的重新压缩（大小限制）和音频的语音消息标志。
• 确保多媒体回复按顺序发送。