Создание пользовательских навыков анализа изображений в OpenClaw с использованием локальных моделей

Разработчик задокументировал процесс создания пользовательского навыка анализа изображений для OpenClaw с использованием полностью бесплатных локальных инструментов без затрат на API.

Настройка и первоначальные трудности

Разработчик запускает OpenClaw на Windows 11 через Ubuntu WSL с Ollama в качестве бэкенда для языковой модели. Он столкнулся с ограничениями обработки изображений в веб-интерфейсе — хотя была создана папка для загрузок, система могла только считывать информацию о файлах, но не анализировать содержимое изображений. Это побудило его изучить альтернативы платным API-решениям (Claude, Gemini, OpenAI) или покупке оборудования.

Разработка решения

После установки context7mcp он оценил локальные языковые модели и остановился на Qwen2.5 VL. Первоначальные попытки со встроенными навыками столкнулись с проблемами принятия имени модели и интеграции с Ollama. Прорыв произошёл благодаря систематическому тестированию: отправке изображений в Ollama через API-вызовы, чтению ответов и созданию как bash-, так и Python-скриптов для обработки процесса.

Детали реализации

• Среда: Windows 11 с Ubuntu WSL
• Бэкенд языковой модели: Ollama
• Выбранная модель: Qwen2.5 VL
• Метод интеграции: API-вызовы к Ollama
• Созданные скрипты: версии на Bash и Python

Пользовательский навык регистрируется нативно в OpenClaw и может вызываться командами вроде «проанализируй это изображение» или «взгляни на это фото», возвращая подробные и точные ответы. Разработчик отмечает, что будущие улучшения с меньшими моделями Qwen3/3.5VL могут ещё больше повысить производительность.

Несмотря на трудности, включая многократные переустановки и разочарование неполными инструментами с открытым исходным кодом, разработчик описывает опыт как создание «самовосстанавливающегося, самоулучшающегося организма» и остаётся впечатлён потенциалом OpenClaw для разработки пользовательских навыков.