让OpenClaw摆脱只识字不认图-多模型配置,fallback备胎模型

OpenClaw 支持为不同媒体类型指定独立的模型，而不是所有请求都走同一个模型。可能你也遇到过，文字聊天非常聪明，发一张图过去，就是另一个画风，要么无法识别，要么识别成了你都不认识的样子。这主要是我们所使用的模型可能无法直接处理图片导致的。本文详细说明OpenClaw的多模型配置，以便在对应的场景选择最合适的模型，提升OpenClaw的综合能力。一、六种模型角色

model                → 主对话模型（文本回复）

imageModel           → 图片理解（Vision）

imageGenerationModel → 文生图 / 图生图

pdfModel             → PDF 文档阅读理解

videoGenerationModel → 视频生成

musicGenerationModel → 音乐生成

为了更好的识别图片，我们最好为OpenClaw配置一个专用的imageModel。如果某角色没有显式配置，OpenClaw 会从已注册的供应商模型列表中 auto-detect 第一个支持该能力的模型。

与此同时，OpenClaw还支持模型primary + fallbacks功能，这一点对于主模型使用国外厂商的情况就很好用了。为了避免OpenClaw因为模型访问的网络问题而超时或直接罢工，我们可以为OpenClaw配置fallback model（实际上是一个数组），当主模型不可用或报错时，OpenClaw会自动降级到fallback模型完成请求，切换过程中用户无感。二、imageModel 什么时候被调用，为什么有时候不配置也能识别并不是所有图片都走 imageModel。实际大部分时候的流程：

1. 渠道收到图片 → 判断主模型（model）是否原生支持 Vision

2. 支持 → 图片直接传给主模型，imageModel 不参与

3. 不支持 → 图片转给 imageModel 做理解，结果以 [Image: 描述] 摘要注入 Prompt

所以在配置前我们收到的回复是主模型生成的，只是它”看到了”图片的摘要描述，或者它本身就是一个多模态的模型，可以识别图片。三、tools.media – 关注媒体预处理，也是一种办法agents.defaults.imageModel 控制的是模型路由——谁来处理图片。tools.media.image 控制的是入站媒体预处理——在 Agent 收到消息之前，先用一个模型把图片/音频/视频转成文字摘要。两者独立，可同时启用，也可只用其中一个。

入站媒体 → tools.media 预处理（可选）→ Agent 主循环 → model/imageModel 推理

四、其他类型附件的处理建议

五、总结

模型配置决定”谁来看”，tools.media 决定”要不要先转成文字”。

两者配合，让每个媒体类型走最合适的模型和处理路径。

配置示例：

{

  agents: {

    defaults: {

      model:     { primary: “deepseek/deepseek-v4-flash” },

      imageModel:{ primary: “siliconflow/Qwen/Qwen3-VL-32B-Instruct” },

      pdfModel:  { primary: “anthropic/claude-opus-4-6” },

    }

  },

  tools: {

    media: {

      audio: { enabled: true, models: […] },

      image: { enabled: true, maxBytes: 10485760 },

    }

  }

}

配好之后，发图、发语音、传 PDF，OpenClaw 会自动走对应模型处理，这些都会自动处理好，不用在对话里反复切换。