> ## Documentation Index > Fetch the complete documentation index at: https://docs2.openclaw.ai/llms.txt > Use this file to discover all available pages before exploring further. # Inferenz-CLI `openclaw infer` ist die kanonische Headless-Oberfläche für Provider-gestützte Inferenz-Workflows. Sie stellt bewusst Capability-Familien bereit, keine rohen Gateway-RPC-Namen und keine rohen Agent-Tool-IDs. ## infer in einen Skill umwandeln Kopieren Sie dies und fügen Sie es in einen Agenten ein: ```text theme={"theme":{"light":"min-light","dark":"min-dark"}} Read https://docs.openclaw.ai/cli/infer, then create a skill that routes my common workflows to `openclaw infer`. Focus on model runs, image generation, video generation, audio transcription, TTS, web search, and embeddings. ``` Ein guter infer-basierter Skill sollte: * gängige Benutzerabsichten dem richtigen infer-Unterbefehl zuordnen * einige kanonische infer-Beispiele für die abgedeckten Workflows enthalten * in Beispielen und Vorschlägen `openclaw infer ...` bevorzugen * vermeiden, die gesamte infer-Oberfläche im Skill-Text erneut zu dokumentieren Typische Abdeckung eines infer-fokussierten Skills: * `openclaw infer model run` * `openclaw infer image generate` * `openclaw infer audio transcribe` * `openclaw infer tts convert` * `openclaw infer web search` * `openclaw infer embedding create` ## Warum infer verwenden `openclaw infer` bietet eine einheitliche CLI für Provider-gestützte Inferenzaufgaben innerhalb von OpenClaw. Vorteile: * Verwenden Sie die bereits in OpenClaw konfigurierten Provider und Modelle, statt einmalige Wrapper für jedes Backend zu verdrahten. * Halten Sie Workflows für Modelle, Bilder, Audiotranskription, TTS, Video, Web und Embeddings unter einem Befehlsbaum. * Verwenden Sie eine stabile `--json`-Ausgabeform für Skripte, Automatisierung und agentengesteuerte Workflows. * Bevorzugen Sie eine First-Party-Oberfläche von OpenClaw, wenn die Aufgabe im Kern „Inferenz ausführen“ ist. * Verwenden Sie für die meisten infer-Befehle den normalen lokalen Pfad, ohne den Gateway zu benötigen. Für End-to-End-Provider-Prüfungen bevorzugen Sie `openclaw infer ...`, sobald untergeordnete Provider-Tests grün sind. Es übt die ausgelieferte CLI, das Laden der Konfiguration, die Auflösung des Standard-Agenten, die Aktivierung gebündelter Plugins und die gemeinsame Capability- Laufzeit aus, bevor die Provider-Anfrage gestellt wird. ## Befehlsbaum ```text theme={"theme":{"light":"min-light","dark":"min-dark"}} openclaw infer list inspect model run list inspect providers auth login auth logout auth status image generate edit describe describe-many providers audio transcribe providers tts convert voices providers status enable disable set-provider video generate describe providers web search fetch providers embedding create providers ``` ## Häufige Aufgaben Diese Tabelle ordnet häufige Inferenzaufgaben dem entsprechenden infer-Befehl zu. | Aufgabe | Befehl | Hinweise | | ---------------------------------------- | --------------------------------------------------------------------------------------------- | ------------------------------------------------------------------------- | | Einen Text-/Modell-Prompt ausführen | `openclaw infer model run --prompt "..." --json` | Verwendet standardmäßig den normalen lokalen Pfad | | Einen Modell-Prompt für Bilder ausführen | `openclaw infer model run --prompt "Describe this" --file ./image.png --model provider/model` | Wiederholen Sie `--file` für mehrere Bildeingaben | | Ein Bild generieren | `openclaw infer image generate --prompt "..." --json` | Verwenden Sie `image edit`, wenn Sie von einer vorhandenen Datei ausgehen | | Eine Bilddatei oder URL beschreiben | `openclaw infer image describe --file ./image.png --prompt "..." --json` | `--model` muss ein bildfähiges `` sein | | Audio transkribieren | `openclaw infer audio transcribe --file ./memo.m4a --json` | `--model` muss `` sein | | Sprache synthetisieren | `openclaw infer tts convert --text "..." --output ./speech.mp3 --json` | `tts status` ist Gateway-orientiert | | Ein Video generieren | `openclaw infer video generate --prompt "..." --json` | Unterstützt Provider-Hinweise wie `--resolution` | | Eine Videodatei beschreiben | `openclaw infer video describe --file ./clip.mp4 --json` | `--model` muss `` sein | | Das Web durchsuchen | `openclaw infer web search --query "..." --json` | | | Eine Webseite abrufen | `openclaw infer web fetch --url https://example.com --json` | | | Embeddings erstellen | `openclaw infer embedding create --text "..." --json` | | ## Verhalten * `openclaw infer ...` ist die primäre CLI-Oberfläche für diese Workflows. * Verwenden Sie `--json`, wenn die Ausgabe von einem anderen Befehl oder Skript verarbeitet wird. * Verwenden Sie `--provider` oder `--model provider/model`, wenn ein bestimmtes Backend erforderlich ist. * Verwenden Sie `model run --thinking `, um eine einmalige Thinking-/Reasoning-Stufe (`off`, `minimal`, `low`, `medium`, `high`, `adaptive`, `xhigh` oder `max`) zu übergeben, während der Lauf roh bleibt. * Für `image describe`, `audio transcribe` und `video describe` muss `--model` die Form `` verwenden. * Für `image describe` akzeptiert `--file` lokale Pfade und HTTP(S)-Bild-URLs. Entfernte URLs verwenden die normale Media-Fetch-SSRF-Richtlinie. * Für `image describe` führt ein explizites `--model` zuerst dieses Provider/Modell aus und versucht dann konfigurierte `agents.defaults.imageModel.fallbacks`, wenn der Modellaufruf fehlschlägt. Fehler bei der Eingabevorbereitung, etwa fehlende Dateien oder nicht unterstützte URLs, schlagen vor Fallback-Versuchen fehl. Das Modell muss im Modellkatalog oder in der Provider-Konfiguration bildfähig sein. `codex/` führt einen begrenzten Codex-App-Server-Durchlauf zum Bildverständnis aus; `openai/` verwendet den OpenAI-Provider-Pfad entweder mit API-Schlüssel- oder ChatGPT/Codex-OAuth-Authentifizierung. * Zustandslose Ausführungsbefehle verwenden standardmäßig lokal. * Gateway-verwaltete Zustandsbefehle verwenden standardmäßig den Gateway. * Der normale lokale Pfad erfordert nicht, dass der Gateway läuft. * Lokales `model run` ist eine schlanke einmalige Provider-Vervollständigung. Es löst das konfigurierte Agentenmodell und die Authentifizierung auf, startet aber keinen Chat-Agent-Durchlauf, lädt keine Tools und öffnet keine gebündelten MCP-Server. * `model run --file` akzeptiert Bilddateien, erkennt ihren MIME-Typ und sendet sie mit dem angegebenen Prompt an das ausgewählte Modell. Wiederholen Sie `--file` für mehrere Bilder. * `model run --file` lehnt Nicht-Bildeingaben ab. Verwenden Sie `infer audio transcribe` für Audiodateien und `infer video describe` für Videodateien. * `model run --gateway` übt Gateway-Routing, gespeicherte Authentifizierung, Provider-Auswahl und die eingebettete Laufzeit aus, läuft aber weiterhin als roher Modell-Probe: Es sendet den angegebenen Prompt und alle Bildanhänge ohne vorheriges Sitzungstranskript, Bootstrap-/AGENTS-Kontext, Context-Engine-Assembly, Tools oder gebündelte MCP-Server. * `model run --gateway --model ` erfordert eine vertrauenswürdige Operator-Gateway-Anmeldeinformation, weil die Anfrage den Gateway auffordert, eine einmalige Provider/Modell-Überschreibung auszuführen. * Lokales `model run --thinking` verwendet den schlanken Provider-Vervollständigungspfad; Provider-spezifische Stufen wie `adaptive` und `max` werden der nächstliegenden portablen Simple-Completion-Stufe zugeordnet. ## Modell Verwenden Sie `model` für Provider-gestützte Textinferenz und Modell-/Provider-Inspektion. ```bash theme={"theme":{"light":"min-light","dark":"min-dark"}} openclaw infer model run --prompt "Reply with exactly: smoke-ok" --json openclaw infer model run --prompt "Summarize this changelog entry" --model openai/gpt-5.4 --json openclaw infer model run --prompt "Describe this image in one sentence" --file ./photo.jpg --model google/gemini-2.5-flash --json openclaw infer model run --prompt "Use more reasoning here" --thinking high --json openclaw infer model providers --json openclaw infer model inspect --name gpt-5.5 --json ``` Verwenden Sie vollständige ``-Referenzen, um einen bestimmten Provider per Smoke-Test zu prüfen, ohne den Gateway zu starten oder die vollständige Agent-Tool-Oberfläche zu laden: ```bash theme={"theme":{"light":"min-light","dark":"min-dark"}} openclaw infer model run --local --model anthropic/claude-sonnet-4-6 --prompt "Reply with exactly: pong" --json openclaw infer model run --local --model cerebras/zai-glm-4.7 --prompt "Reply with exactly: pong" --json openclaw infer model run --local --model google/gemini-2.5-flash --prompt "Reply with exactly: pong" --json openclaw infer model run --local --model groq/llama-3.1-8b-instant --prompt "Reply with exactly: pong" --json openclaw infer model run --local --model mistral/mistral-medium-3-5 --prompt "Reply with exactly: pong" --json openclaw infer model run --local --model mistral/mistral-small-latest --prompt "Reply with exactly: pong" --json openclaw infer model run --local --model openai/gpt-5.5 --prompt "Reply with exactly: pong" --json openclaw infer model run --local --model ollama/qwen2.5vl:7b --prompt "Describe this image." --file ./photo.jpg --json ``` Hinweise: * Lokales `model run` ist der engste CLI-Smoke-Test für Provider-/Modell-/Authentifizierungsstatus, weil es bei Nicht-Codex-Providern nur den angegebenen Prompt an das ausgewählte Modell sendet. * Lokales `model run --model ` kann exakte gebündelte statische Katalogzeilen aus `models list --all` verwenden, bevor dieser Provider in die Konfiguration geschrieben wird. Provider-Authentifizierung ist weiterhin erforderlich; fehlende Anmeldeinformationen schlagen als Authentifizierungsfehler fehl, nicht als `Unknown model`. * Für Mistral-Medium-3.5-Reasoning-Probes lassen Sie die Temperatur unset/default. Mistral lehnt `reasoning_effort="high"` plus `temperature: 0` ab; verwenden Sie `mistral/mistral-medium-3-5` mit Standardtemperatur oder einem Reasoning-Modus-Wert ungleich null wie `0.7`. * Lokale Codex-Responses-Probes sind die schmale Ausnahme: OpenClaw fügt eine minimale Systemanweisung hinzu, damit der Transport sein erforderliches Feld `instructions` befüllen kann, ohne vollständigen Agent-Kontext, Tools, Speicher oder Sitzungstranskript hinzuzufügen. * Lokales `model run --file` behält diesen schlanken Pfad bei und hängt Bildinhalte direkt an die einzelne Benutzernachricht an. Gängige Bilddateien wie PNG, JPEG und WebP funktionieren, wenn ihr MIME-Typ als `image/*` erkannt wird; nicht unterstützte oder nicht erkannte Dateien schlagen fehl, bevor der Provider aufgerufen wird. * `model run --file` ist am besten geeignet, wenn Sie das ausgewählte multimodale Textmodell direkt testen möchten. Verwenden Sie `infer image describe`, wenn Sie OpenClaws Provider-Auswahl für Bildverständnis und Standard-Bildmodell-Routing möchten. * Das ausgewählte Modell muss Bildeingaben unterstützen; reine Textmodelle können die Anfrage auf Provider-Ebene ablehnen. * `model run --prompt` muss Text enthalten, der nicht nur aus Leerraum besteht; leere Prompts werden abgelehnt, bevor lokale Provider oder der Gateway aufgerufen werden. * Lokales `model run` beendet mit einem Nicht-Null-Code, wenn der Provider keine Textausgabe zurückgibt, sodass nicht erreichbare lokale Provider und leere Vervollständigungen nicht wie erfolgreiche Probes aussehen. * Verwenden Sie `model run --gateway`, wenn Sie Gateway-Routing, Agent-Laufzeit-Setup oder Gateway-verwalteten Provider-Zustand testen müssen, während die Modelleingabe roh bleibt. Verwenden Sie `openclaw agent` oder Chat-Oberflächen, wenn Sie den vollständigen Agent-Kontext, Tools, Speicher und Sitzungstranskript wünschen. * `model auth login`, `model auth logout` und `model auth status` verwalten gespeicherten Provider-Authentifizierungszustand. ## Bild Verwenden Sie `image` für Generierung, Bearbeitung und Beschreibung. ```bash theme={"theme":{"light":"min-light","dark":"min-dark"}} openclaw infer image generate --prompt "friendly lobster illustration" --json openclaw infer image generate --prompt "cinematic product photo of headphones" --json openclaw infer image generate --model openai/gpt-image-1.5 --output-format png --background transparent --prompt "simple red circle sticker on a transparent background" --json openclaw infer image generate --model openai/gpt-image-2 --quality low --openai-moderation low --prompt "low-cost draft poster" --json openclaw infer image generate --prompt "slow image backend" --timeout-ms 180000 --json openclaw infer image edit --file ./logo.png --model openai/gpt-image-1.5 --output-format png --background transparent --prompt "keep the logo, remove the background" --json openclaw infer image edit --file ./poster.png --prompt "make this a vertical story ad" --size 2160x3840 --aspect-ratio 9:16 --resolution 4K --json openclaw infer image describe --file ./photo.jpg --json openclaw infer image describe --file https://example.com/photo.png --json openclaw infer image describe --file ./receipt.jpg --prompt "Extract the merchant, date, and total" --json openclaw infer image describe-many --file ./before.png --file ./after.png --prompt "Compare the screenshots and list visible UI changes" --json openclaw infer image describe --file ./ui-screenshot.png --model openai/gpt-5.4-mini --json openclaw infer image describe --file ./photo.jpg --model ollama/qwen2.5vl:7b --prompt "Describe the image in one sentence" --timeout-ms 300000 --json ``` Hinweise: * Verwenden Sie `image edit`, wenn Sie mit vorhandenen Eingabedateien beginnen. * Verwenden Sie `--size`, `--aspect-ratio` oder `--resolution` mit `image edit` für Provider/Modelle, die Geometriehinweise bei Referenzbild-Bearbeitungen unterstützen. * Verwenden Sie `--output-format png --background transparent` mit `--model openai/gpt-image-1.5` für OpenAI-PNG-Ausgabe mit transparentem Hintergrund; `--openai-background` bleibt als OpenAI-spezifischer Alias verfügbar. Provider, die keine Hintergrundunterstützung deklarieren, melden den Hinweis als ignorierte Überschreibung. * Verwenden Sie `--quality low|medium|high|auto` für Provider, die Hinweise zur Bildqualität unterstützen, einschließlich OpenAI. OpenAI akzeptiert außerdem `--openai-moderation low|auto` für den Provider-spezifischen Moderationshinweis. * Verwenden Sie `image providers --json`, um zu prüfen, welche gebündelten Bild-Provider auffindbar, konfiguriert und ausgewählt sind und welche Generierungs-/Bearbeitungsfunktionen jeder Provider bereitstellt. * Verwenden Sie `image generate --model --json` als den engsten Live- CLI-Smoke-Test für Änderungen an der Bildgenerierung. Beispiel: ```bash theme={"theme":{"light":"min-light","dark":"min-dark"}} openclaw infer image providers --json openclaw infer image generate \ --model google/gemini-3.1-flash-image-preview \ --prompt "Minimal flat test image: one blue square on a white background, no text." \ --output ./openclaw-infer-image-smoke.png \ --json ``` Die JSON-Antwort meldet `ok`, `provider`, `model`, `attempts` und geschriebene Ausgabepfade. Wenn `--output` gesetzt ist, kann die endgültige Erweiterung dem vom Provider zurückgegebenen MIME-Typ folgen. * Verwenden Sie für `image describe` und `image describe-many` `--prompt`, um dem Vision-Modell eine aufgabenspezifische Anweisung zu geben, etwa OCR, Vergleich, UI-Prüfung oder knappe Beschriftung. * Verwenden Sie `--timeout-ms` mit langsamen lokalen Vision-Modellen oder kalten Ollama-Starts. * Für `image describe` muss `--model` ein bildfähiges `` sein. Wenn es gesetzt ist, versucht OpenClaw zuerst dieses explizite Modell und danach konfigurierte Image-Model-Fallbacks, falls der Modellaufruf fehlschlägt. * Für lokale Ollama-Vision-Modelle laden Sie zuerst das Modell und setzen Sie `OLLAMA_API_KEY` auf einen beliebigen Platzhalterwert, zum Beispiel `ollama-local`. Siehe [Ollama](/de/providers/ollama#vision-and-image-description). ## Audio Verwenden Sie `audio` für Dateitranskription. ```bash theme={"theme":{"light":"min-light","dark":"min-dark"}} openclaw infer audio transcribe --file ./memo.m4a --json openclaw infer audio transcribe --file ./team-sync.m4a --language en --prompt "Focus on names and action items" --json openclaw infer audio transcribe --file ./memo.m4a --model openai/whisper-1 --json ``` Hinweise: * `audio transcribe` ist für Dateitranskription gedacht, nicht für Echtzeit-Sitzungsverwaltung. * `--model` muss `` sein. ## TTS Verwenden Sie `tts` für Sprachsynthese und den TTS-Provider-Status. ```bash theme={"theme":{"light":"min-light","dark":"min-dark"}} openclaw infer tts convert --text "hello from openclaw" --output ./hello.mp3 --json openclaw infer tts convert --text "Your build is complete" --output ./build-complete.mp3 --json openclaw infer tts providers --json openclaw infer tts status --json ``` Hinweise: * `tts status` verwendet standardmäßig den Gateway, weil es den vom Gateway verwalteten TTS-Status widerspiegelt. * Verwenden Sie `tts providers`, `tts voices` und `tts set-provider`, um das TTS-Verhalten zu prüfen und zu konfigurieren. ## Video Verwenden Sie `video` für Generierung und Beschreibung. ```bash theme={"theme":{"light":"min-light","dark":"min-dark"}} openclaw infer video generate --prompt "cinematic sunset over the ocean" --json openclaw infer video generate --prompt "slow drone shot over a forest lake" --resolution 768P --duration 6 --json openclaw infer video describe --file ./clip.mp4 --json openclaw infer video describe --file ./clip.mp4 --model openai/gpt-5.4-mini --json ``` Hinweise: * `video generate` akzeptiert `--size`, `--aspect-ratio`, `--resolution`, `--duration`, `--audio`, `--watermark` und `--timeout-ms` und leitet sie an die Video-Generierungsruntime weiter. * `--model` muss für `video describe` `` sein. ## Web Verwenden Sie `web` für Such- und Abruf-Workflows. ```bash theme={"theme":{"light":"min-light","dark":"min-dark"}} openclaw infer web search --query "OpenClaw docs" --json openclaw infer web search --query "OpenClaw infer web providers" --json openclaw infer web fetch --url https://docs.openclaw.ai/cli/infer --json openclaw infer web providers --json ``` Hinweise: * Verwenden Sie `web providers`, um verfügbare, konfigurierte und ausgewählte Provider zu prüfen. ## Embedding Verwenden Sie `embedding` für Vektorerstellung und Prüfung von Embedding-Providern. ```bash theme={"theme":{"light":"min-light","dark":"min-dark"}} openclaw infer embedding create --text "friendly lobster" --json openclaw infer embedding create --text "customer support ticket: delayed shipment" --model openai/text-embedding-3-large --json openclaw infer embedding providers --json ``` ## JSON-Ausgabe Infer-Befehle normalisieren die JSON-Ausgabe unter einer gemeinsamen Hülle: ```json theme={"theme":{"light":"min-light","dark":"min-dark"}} { "ok": true, "capability": "image.generate", "transport": "local", "provider": "openai", "model": "gpt-image-2", "attempts": [], "outputs": [] } ``` Felder auf oberster Ebene sind stabil: * `ok` * `capability` * `transport` * `provider` * `model` * `attempts` * `outputs` * `error` Für Befehle mit generierten Medien enthält `outputs` Dateien, die von OpenClaw geschrieben wurden. Verwenden Sie `path`, `mimeType`, `size` und alle medienspezifischen Abmessungen in diesem Array für Automatisierung, statt menschenlesbares stdout zu parsen. ## Häufige Fallstricke ```bash theme={"theme":{"light":"min-light","dark":"min-dark"}} # Bad openclaw infer media image generate --prompt "friendly lobster" # Good openclaw infer image generate --prompt "friendly lobster" ``` ```bash theme={"theme":{"light":"min-light","dark":"min-dark"}} # Bad openclaw infer audio transcribe --file ./memo.m4a --model whisper-1 --json # Good openclaw infer audio transcribe --file ./memo.m4a --model openai/whisper-1 --json ``` ## Hinweise * `openclaw capability ...` ist ein Alias für `openclaw infer ...`. ## Verwandt * [CLI-Referenz](/de/cli) * [Modelle](/de/concepts/models)