openclaw提供五种标签生成方法：一、规则式打标（关键词匹配）；二、大模型语义打标（动态摘要建模）；三、视频多模态打标（视觉语言联合分析）；四、截图视觉识别打标（ui/设计结构化标注）；五、本地照片隐私化打标（离线gemma模型分类）。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您在使用OpenClaw过程中，需对微信好友、视频素材、截图或本地照片等对象进行结构化标识，但缺乏统一、可复用的标签生成机制，则可能是由于未启用适配不同数据模态与语义密度的多策略打标能力。OpenClaw支持基于规则、语义、行为及视觉特征的多种自动标签生成路径，适用于文本稀疏、上下文模糊或内容复合等典型场景。以下是实现该功能的多种方法：
一、基于消息关键词匹配的规则式打标
该方法通过预设关键词词库与正则表达式，对好友发送的文本消息进行实时扫描，一旦命中指定模式即触发对应标签写入操作。适用于明确业务场景（如“客户”“同事”“家人”）且关键词稳定的情况。
1、打开OpenClaw配置目录，定位到skills/wechat/tagging/rules.yaml文件。
2、在keywords字段下新增分类规则，例如：
1 - name: "客户"
patterns: ["报价", "合同", "付款", "采购", "贵司"]
priority: 10
3、保存文件后执行openclaw skills reload wechat-tagging命令重载技能模块。
4、向目标好友发送含关键词的消息（如“请把合同发我”），OpenClaw将在后台自动为其添加客户标签。
二、基于大模型语义理解的动态打标
该方法调用本地部署的轻量化语言模型（如Phi-3-mini或Qwen2-0.5B），对好友近7天内全部可访问消息进行摘要建模，提取职业身份、兴趣领域、关系亲密度等隐含维度，生成多维标签向量。适用于关系模糊、表达隐晦的社交对象。
1、确认OpenClaw已启用llm-embedding插件，并完成模型路径配置。
2、在微信中向ClawBot发送指令：/tag analyze @张三 近7日消息语义。
3、等待约8–12秒响应，ClawBot将返回类似：
{"tags": ["互联网从业者", "技术顾问", "潜在合作方"], "confidence": 0.92}
4、手动确认后，系统自动将该标签组写入该好友的元数据档案。
三、基于视频内容多模态分析的标签生成
该方法利用Taotoken对接的多模态大模型（如claude-sonnet-4-6或gpt-4-vision-preview），对视频帧序列进行联合视觉与语言理解，生成描述性关键词标签。适用于短视频平台运营、媒体资产管理等需高精度内容刻画的场景。
1、确保OpenClaw已通过CLI完成Taotoken接入：taotoken openclaw --key YOUR_API_KEY。
2、在config.yml中确认agents.defaults.model字段指向taotoken/claude-sonnet-4-6。
3、运行video_tag_agent.py脚本，传入视频路径：python video_tag_agent.py --path /home/user/videos/demo.mp4。
4、脚本将调用vision.analyze接口获取场景描述，并基于prompt工程生成10个中文关键词标签，以逗号分隔输出。
四、基于截图视觉识别的自动归类打标
该方法依托千问3.5-27B等多模态模型，解析设计截图中的UI组件、色彩方案、文字内容与设计风格，生成design_style、color_palette、objects等结构化字段，实现像素级语义标注。适用于UI设计师、前端开发者的素材库管理。
1、确认OpenClaw models.json中已声明vision_provider，baseUrl指向千问本地服务端点。
2、启动fs.watch监控任务：openclaw fs watch ~/DesignScreenshots --on-change "design-assistant classify"。
3、当新截图落入选定目录，OpenClaw自动调用/v1/vision接口提交图像。
4、解析返回JSON中的design_style与text_content字段，按预设策略归档至“Neumorphism/立即购买”子目录并重命名文件。
五、基于本地照片视觉特征的隐私化分类打标
该方法在完全离线环境下运行gemma-3-12b-it模型，对照片进行物体识别、场景判断与风格归纳，避免上传云端带来的隐私泄露风险。适用于含宗教建筑、家庭影像、医疗记录等敏感内容的照片库管理。
1、确保Docker中gemma-service容器正在运行，端口5000可被OpenClaw访问。
2、检查~/.openclaw/openclaw.json中local-gemma提供方的vision字段为true。
3、执行批量处理指令：openclaw photo batch-process --dir ~/Pictures/Vacation2025 --model gemma-3-12b-it。
4、系统将逐张加载图像，调用模型生成tags字段（如["雪山", "藏式寺庙", "晴天", "远景"]），并据此创建嵌套文件夹结构。
