​

इमेज और मीडिया समर्थन — 2025-12-05

​

लक्ष्य

• openclaw message send --media के माध्यम से वैकल्पिक कैप्शन के साथ मीडिया भेजना।
• वेब इनबॉक्स से स्वचालित उत्तरों में पाठ के साथ मीडिया शामिल करने की अनुमति देना।
• प्रति-प्रकार सीमाओं को यथार्थवादी और पूर्वानुमेय बनाए रखना।

​

CLI सतह

• openclaw message send --media <path-or-url> [--message <caption>]
  • --media वैकल्पिक; केवल-मीडिया भेजने के लिए कैप्शन खाली हो सकता है।
  • --dry-run रिज़ॉल्व किया गया payload प्रिंट करता है; --json { channel, to, messageId, mediaUrl, caption } उत्सर्जित करता है।

​

WhatsApp Web चैनल व्यवहार

• इनपुट: स्थानीय फ़ाइल पथ या HTTP(S) URL।
• प्रवाह: Buffer में लोड करें, मीडिया प्रकार पहचानें, और सही payload बनाएँ:
  • इमेज: JPEG में रिसाइज़ और पुनःसंपीड़न (अधिकतम साइड 2048px), agents.defaults.mediaMaxMb (डिफ़ॉल्ट 5 MB) को लक्ष्य करते हुए, 6 MB पर सीमित।
  • ऑडियो/वॉइस/वीडियो: 16 MB तक पास-थ्रू; ऑडियो वॉइस नोट के रूप में भेजा जाता है (ptt: true)।
  • डॉक्यूमेंट्स: अन्य सभी, 100 MB तक, उपलब्ध होने पर फ़ाइलनाम संरक्षित।
• WhatsApp GIF-शैली प्लेबैक: MP4 को gifPlayback: true (CLI: --gif-playback) के साथ भेजें ताकि मोबाइल क्लाइंट्स inline लूप करें।
• MIME पहचान में प्राथमिकता: मैजिक बाइट्स, फिर हेडर्स, फिर फ़ाइल एक्सटेंशन।
• कैप्शन --message या reply.text से आता है; खाली कैप्शन अनुमत है।
• लॉगिंग: non-verbose में ↩️/✅ दिखाता है; verbose में आकार और स्रोत पथ/URL शामिल होते हैं।

​

ऑटो-रिप्लाई पाइपलाइन

• getReplyFromConfig { text?, mediaUrl?, mediaUrls? } लौटाता है। डिफ़ॉल्ट रूप से केवल पहली matching image/audio/video attachment को प्रोसेस किया जाता है; कई attachments प्रोसेस करने के लिए tools.media.<cap>.attachments सेट करें।
• जब मीडिया मौजूद होता है, वेब सेंडर openclaw message send के समान पाइपलाइन का उपयोग करके स्थानीय पथों या URL को रिज़ॉल्व करता है।
• यदि एकाधिक मीडिया प्रविष्टियाँ प्रदान की जाती हैं, तो उन्हें क्रमिक रूप से भेजा जाता है।

​

कमांड्स के लिए इनबाउंड मीडिया (Pi)

• जब इनबाउंड वेब संदेशों में मीडिया शामिल होता है, OpenClaw एक अस्थायी फ़ाइल में डाउनलोड करता है और टेम्पलेटिंग वेरिएबल्स प्रदान करता है:
  • इनबाउंड मीडिया के लिए {{MediaUrl}} छद्म-URL।
  • कमांड चलाने से पहले लिखा गया {{MediaPath}} स्थानीय अस्थायी पथ।
• जब प्रति-सत्र Docker sandbox सक्षम होता है, इनबाउंड मीडिया को sandbox वर्कस्पेस में कॉपी किया जाता है और MediaPath/MediaUrl को media/inbound/<filename> जैसे सापेक्ष पथ में पुनर्लेखित किया जाता है।
• मीडिया समझ (यदि tools.media.* या साझा tools.media.models के माध्यम से कॉन्फ़िगर की गई हो) टेम्पलेटिंग से पहले चलती है और Body में [Image], [Audio], और [Video] ब्लॉक्स सम्मिलित कर सकती है।
  • ऑडियो {{Transcript}} सेट करता है और कमांड पार्सिंग के लिए ट्रांसक्रिप्ट का उपयोग करता है ताकि स्लैश कमांड्स कार्य करते रहें।
  • वीडियो और इमेज विवरण कमांड पार्सिंग के लिए किसी भी कैप्शन पाठ को संरक्षित रखते हैं।
• एक node एक companion device (macOS/iOS/Android/headless) होता है जो Gateway WebSocket (operators के समान पोर्ट) से role: "node" के साथ कनेक्ट होता है और node.invoke के माध्यम से एक command surface (उदा. canvas.*, camera.*, system.*) एक्सपोज़ करता है।Protocol विवरण: Gateway protocol।

​

सीमाएँ और त्रुटियाँ

• इमेज: पुनःसंपीड़न के बाद ~6 MB सीमा।
• ऑडियो/वॉइस/वीडियो: 16 MB सीमा; डॉक्यूमेंट्स: 100 MB सीमा।
• अत्यधिक आकार या अपठनीय मीडिया → लॉग्स में स्पष्ट त्रुटि और उत्तर को छोड़ दिया जाता है।

• इमेज डिफ़ॉल्ट: 10 MB (tools.media.image.maxBytes)।
• ऑडियो डिफ़ॉल्ट: 20 MB (tools.media.audio.maxBytes)।
• वीडियो डिफ़ॉल्ट: 50 MB (tools.media.video.maxBytes)।
• अत्यधिक आकार का मीडिया समझ को छोड़ देता है, लेकिन मूल बॉडी के साथ उत्तर फिर भी भेजे जाते हैं।

​

परीक्षणों के लिए नोट्स

• इमेज/ऑडियो/डॉक्यूमेंट मामलों के लिए send + reply प्रवाह कवर करें।
• इमेज के लिए पुनःसंपीड़न (आकार सीमा) और ऑडियो के लिए वॉइस-नोट फ़्लैग को सत्यापित करें।
• सुनिश्चित करें कि बहु-मीडिया उत्तर क्रमिक भेजों के रूप में फैलते हैं।