夜雨聆风
进度：4/12，这是让你的 AI 从"文字助手"升级为"视觉助手"的关键一步。
你的 AI 还是"瞎子"吗？
想象一下这些场景：
朋友发来一张风景照问你「这是哪里」，你只能回复「看不到图片，能描述一下吗？」 同事甩过来一张复杂图表让你分析，你只能让他把数据打出来 看到一张搞笑meme图，你想让 AI 解释笑点，它却说「我无法查看图片内容」
尴尬吧？
前几节课，我们给 OpenClaw 装上了大脑、嘴巴、耳朵。但它还缺一双眼睛——看懂图片的能力。
好消息是：给 OpenClaw 开启图片理解，比你想的简单得多。不需要安装额外软件，只需要确认你的模型支持「多模态」即可。
这节课完成后，你的 AI 将能：
👁️ 识别图片内容——「这张图里有几只猫？」 📊 分析图表数据——「这张柱状图显示了什么趋势？」 🖼️ 理解截图信息——「这个报错是什么意思？」 📝 提取文字信息——「这张图里的文字内容是什么？」
准备工作
✅ 已经配置好的 OpenClaw（前三课的内容） ✅ 一个支持多模态的模型 ✅ 一张测试图片 ✅ 大约 5 分钟时间
**不需要：**额外安装 skill、申请 API Key、复杂配置
第一步：确认你的模型支持图片理解
什么是多模态模型？
简单说：能同时处理文字和图片的模型。
在 OpenClaw 的模型配置中，通过 input 字段标识：
text—— 只支持文字image—— 支持图片text+image—— 多模态
**主流多模态模型：**GPT-4o、Gemini 系列、Kimi K2.5、Claude 3.5 等
检查当前配置
打开 openclaw.json，找到模型配置：
{
"input": ["text", "image"] // ← 看这里！
}
有 "image"→ ✅ 已支持，跳到第三步测试只有 "text"→ 📝 继续看第二步
第二步：给模型加上「识图」能力
修改现有模型配置
在 input 数组里添加 "image"：
{
"input": [
"text",
"image" // ← 添加这一行！
]
}
或者换一个新的多模态模型
以 Gemini 为例：
{
"models": {
"providers": {
"google": {
"models": [
{
"id": "gemini-3.1-flash-preview",
"input": ["text", "image"]
}
]
}
}
}
}
第三步（进阶）：为图片单独配置理解模型
隐藏技巧：如果你的主模型是纯文本的，可以为图片单独配一个多模态模型！
{
"agents": {
"defaults": {
"model": {
"primary": "newapi/cheap-text-model"
}
},
"imageModel": {
"primary": "newapi/kimi-k2.5",
"fallbacks": ["newapi/qwen3.5-plus"]
}
}
}
工作原理：
正常对话 → 用便宜的文本模型 发送图片 → 自动切换到多模态模型 无缝切换，省钱又好用
第四步：重启并测试
openclaw restart
测试方式一：直接发图片
在飞书里直接发一张图给 OpenClaw，看它能不能描述内容。
测试方式二：图片+文字提问
发一张图表 + 「这张图显示了什么趋势？」
测试方式三：OCR识别
发一张手写笔记，让它提取文字。
常见问题
Q: 为什么我的 AI 说「无法查看图片」？
检查模型配置里的 input 是否包含 "image"，以及 OpenClaw 是否重启。
Q: 图片理解怎么收费？
按 token 计费，一般截图 1000-2000 tokens，高清照片 2000-4000 tokens。
Q: 支持哪些格式？
PNG、JPG、WEBP、GIF（静态），单张不超过 20MB。
进阶技巧
图片+搜索组合拳：识别植物图片 → 搜索养护方法 截图分析报错：直接发 IDE 报错截图，AI 帮你解决 图表数据提取：把 Excel 图表截图发给 AI，输出 Markdown 表格
总结
🎉 你的 OpenClaw 终于「睁眼看世界」了！
回顾 4 节课的成果：
| 课程 | 能力 |
|---|---|
| 第1课 | 大脑（模型配置）✅ |
| 第2课 | 嘴巴（飞书接入）✅ |
| 第3课 | 耳朵（实时搜索）✅ |
| 第4课 | 眼睛（图片理解）✅ |
下节预告： 第5课《不只看得懂，还能画得出——文生图配置指南》，让 AI 从「看图说话」升级到「无中生有」！
进度：4/12 已完成 ✅