图像和媒体支持

​

目标

• 通过 openclaw message send --media 发送带可选标题的媒体。
• 允许来自网页收件箱的自动回复在文本旁边包含媒体。
• 保持每种类型的限制合理且可预测。

​

CLI 接口

• openclaw message send --media <path-or-url> [--message <caption>]
  • --media 可选；标题可以为空以进行纯媒体发送。
  • --dry-run 打印解析后的负载；--json 输出 { channel, to, messageId, mediaUrl, caption }。

​

WhatsApp Web 渠道行为

• 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 2048px），目标为 agents.defaults.mediaMaxMb（默认 5 MB），上限 6 MB。
  • 音频/语音/视频： 直通最大 16 MB；音频作为语音消息发送（ptt: true）。
  • 文档： 其他任何内容，最大 100 MB，可用时保留文件名。
• WhatsApp GIF 风格播放：发送带 gifPlayback: true 的 MP4（CLI：--gif-playback），使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：非详细模式显示 ↩️/✅；详细模式包含大小和源路径/URL。

​

自动回复管道

• getReplyFromConfig 返回 { text?, mediaUrl?, mediaUrls? }。
• 当存在媒体时，网页发送器使用与 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：
  • {{MediaUrl}} 入站媒体的伪 URL。
  • {{MediaPath}} 运行命令前写入的本地临时路径。
• 当启用每会话 Docker 沙箱时，入站媒体被复制到沙箱工作区，MediaPath/MediaUrl 被重写为相对路径如 media/inbound/<filename>。
• 媒体理解（如果通过 tools.media.* 或共享的 tools.media.models 配置）在模板化之前运行，可以将 [Image]、[Audio] 和 [Video] 块插入 Body。
  • 音频设置 {{Transcript}} 并使用转录进行命令解析，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用于命令解析。
• 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

• 图像：重新压缩后约 6 MB 上限。
• 音频/语音/视频：16 MB 上限；文档：100 MB 上限。
• 超大或无法读取的媒体 → 日志中有明确错误，回复被跳过。

• 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）。
• 超大媒体跳过理解，但回复仍然使用原始正文通过。

​

测试说明

• 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。
• 确保多媒体回复作为顺序发送扇出。