Hoppa till huvudinnehåll

​
Stöd för bilder och media — 2025-12-05

WhatsApp-kanalen körs via Baileys Web. Detta dokument fångar aktuella regler för hantering av media för att skicka, gateway, och agent svarar.

​
Mål

  • Skicka media med valfria bildtexter via openclaw message send --media.
  • Tillåta att autosvar från webbinboxen inkluderar media tillsammans med text.
  • Hålla gränser per typ rimliga och förutsägbara.

​
CLI-yta

  • openclaw message send --media <path-or-url> [--message <caption>]
    • --media valfritt; bildtexten kan vara tom för sändningar med enbart media.
    • --dry-run skriver ut den upplösta payloaden; --json skickar { channel, to, messageId, mediaUrl, caption }.

​
Beteende för WhatsApp Web-kanalen

  • Indata: lokal filsökväg eller HTTP(S)-URL.
  • Flöde: läs in till en Buffer, identifiera medietyp och bygg korrekt payload:
    • Bilder: ändra storlek och återkomprimera till JPEG (max sida 2048 px) med mål agents.defaults.mediaMaxMb (standard 5 MB), begränsat till 6 MB.
    • Ljud/Röst/Video: pass-through upp till 16 MB; ljud skickas som röstmeddelande (ptt: true).
    • Dokument: allt annat, upp till 100 MB, med filnamn bevarat när det finns.
  • WhatsApp GIF-liknande uppspelning: skicka en MP4 med gifPlayback: true (CLI: --gif-playback) så att mobilklienter loopar inline.
  • MIME-detektering prioriterar magic bytes, därefter headers och sedan filändelse.
  • Bildtext hämtas från --message eller reply.text; tom bildtext är tillåten.
  • Loggning: icke-verbose visar ↩️/✅; verbose inkluderar storlek och källsökväg/URL.

​
Auto-svarspipeline

  • getReplyFromConfig returnerar { text?, mediaUrl?, mediaUrls? }.
  • När media finns, löser webbsändaren lokala sökvägar eller URL:er med samma pipeline som openclaw message send.
  • Flera medieposter skickas sekventiellt om de anges.

​
Inkommande media till kommandon (Pi)

  • När inkommande webbmeddelanden innehåller media laddar OpenClaw ner till en temporär fil och exponerar mallvariabler:
    • {{MediaUrl}} pseudo-URL för inkommande media.
    • {{MediaPath}} lokal temporär sökväg som skrivs innan kommandot körs.
  • När en Docker-sandbox per session är aktiverad kopieras inkommande media till sandbox-arbetsytan och MediaPath/MediaUrl skrivs om till en relativ sökväg som media/inbound/<filename>.
  • Medieförståelse (om konfigurerad via tools.media.* eller delad tools.media.models) körs före mallning och kan infoga blocken [Image], [Audio] och [Video] i Body.
    • Ljud sätter {{Transcript}} och använder transkriptionen för kommandotolkning så att snedstreckskommandon fortfarande fungerar.
    • Video- och bildbeskrivningar bevarar eventuell bildtext för kommandotolkning.
  • Som standard behandlas endast den första matchande bilden/audio/videobilagan; sätt tools.media.<cap>.attachments för att bearbeta flera bilagor.

​
Gränser och fel

Utgående sändningsgränser (WhatsApp web send)
  • Bilder: ~6 MB-gräns efter återkomprimering.
  • Ljud/röst/video: 16 MB-gräns; dokument: 100 MB-gräns.
  • För stora eller oläsbara medier → tydligt fel i loggarna och svaret hoppas över.
Gränser för medieförståelse (transkription/beskrivning)
  • Bild standard: 10 MB (tools.media.image.maxBytes).
  • Ljud standard: 20 MB (tools.media.audio.maxBytes).
  • Video standard: 50 MB (tools.media.video.maxBytes).
  • För stora medier hoppar över förståelse, men svaren går ändå igenom med originaltexten.

​
Noteringar för tester

  • Täck sändnings- och svarsflöden för bild/ljud/dokument.
  • Validera återkomprimering för bilder (storleksgräns) och röstmeddelandeflagga för ljud.
  • Säkerställ att svar med flera medier fläktas ut som sekventiella sändningar.