OpenClawでローカルモデルを使用したカスタム画像分析スキルの構築

ある開発者が、APIコストを一切かけずに完全に無料のローカルツールのみを使用して、OpenClaw用のカスタム画像分析スキルを作成するプロセスを記録しました。

セットアップと初期の課題

開発者は、LLMバックエンドとしてOllamaを使用し、Ubuntu WSLを介してWindows 11上でOpenClawを実行しています。WebUIの画像処理に制限があることに直面しました。アップロードフォルダを作成したものの、システムはファイル情報を読み取るだけで、画像の内容を分析することができませんでした。このため、有料APIソリューション（Claude、Gemini、OpenAI）やハードウェア購入以外の代替手段を探求することになりました。

ソリューションの開発

context7mcpをインストールした後、ローカル言語モデルを評価し、Qwen2.5 VLに決定しました。組み込みスキルでの初期の試みでは、モデル名の受け入れやOllamaとの統合に問題が発生しました。突破口は、体系的なテストを通じてもたらされました。API呼び出しで画像をOllamaに送信し、応答を読み取り、プロセスを処理するためのbashスクリプトとPythonスクリプトの両方を作成しました。

実装の詳細

• 環境：Ubuntu WSLを搭載したWindows 11
• LLMバックエンド：Ollama
• 選択モデル：Qwen2.5 VL
• 統合方法：OllamaへのAPI呼び出し
• 作成スクリプト：bash版とPython版

カスタムスキルはOpenClawにネイティブで登録され、「この画像を分析して」や「この写真を見て」などのコマンドで呼び出すことができ、詳細で正確な応答を返します。開発者は、より小型のQwen3/3.5VLモデルを使用した将来の改善により、パフォーマンスがさらに向上する可能性があると指摘しています。

複数回の再インストールや不完全なオープンソースツールへの不満を含む課題にもかかわらず、開発者はこの経験を「自己修復・自己改善する有機体」の創造と表現し、カスタムスキル開発におけるOpenClawの可能性に感銘を受け続けています。