Image
先看图，产出一段简短描述块。
Nodes 导读
媒体理解：在回复前自动摘要图片、音频、视频
OpenClaw 能在回复管道运行前，自动将入站媒体（图片/音频/视频）摘要为简短文本，加速路由和命令解析。原始媒体始终会发给模型。配置核心是 `tools.media` 下的共享模型列表和按能力（image/audio/video）的覆盖参数，注意每个能力默认只处理第一个附件，失败时按顺序回退到下一个模型条目。
先讲这一页到底在解决什么
媒体理解：在回复前自动摘要图片、音频、视频
OpenClaw 能在回复管道运行前，自动将入站媒体（图片/音频/视频）摘要为简短文本，加速路由和命令解析。原始媒体始终会发给模型。配置核心是 `tools.media` 下的共享模型列表和按能力（image/audio/video）的覆盖参数，注意每个能力默认只处理第一个附件，失败时按顺序回退到下一个模型条目。
第一站
🧃 它做的是“先榨一小杯摘要汁”，不是把原图原音扔掉
官方这里说得很清楚：预理解是附加层，不会替代原媒体本身。
Audio
能做转写，并把 transcript 塞进后续流程用。
Video
也能走“先总结再交给主流程”的路子。
原附件保留
就算理解失败，原附件也不会凭空消失，回复流程照样继续。
第二站
🪜 模型选择也是排队制：先看能力和大小，再一个个试
这里和音频页很像，主打 ordered fallback。
tools.media.models像公共候选人名单，图片、音频、视频都能共享这排人。
tools.media.image/audio/video像各工种自己的特别规则，可以覆盖 prompt、大小、超时、模型清单。
capabilities这是给候选人贴的工种标签，告诉系统它会看图、听音还是看视频。
CLI templates
如果走 CLI，还能把媒体路径、输出目录这些临时路径塞进命令模板里，像给外援一张作业纸条。
第三站
🎈 这页最容易读偏的地方，是以为“做了预理解就不再传原文件”
不是。它只是先给模型准备一张小抄，让后面更好理解媒体内容。