用途：调用智谱 GLM-V 多模态模型，为图像、视频和文档生成描述（caption）、摘要或内容解读，也可用于多图对比和从媒体中提取视觉或文本信息。
主要能力：支持图像（jpg/png/jpeg，单张最大 5MB 或 6000×6000px，最多 50 张，可用 base64）、视频（mp4/mkv/mov，最大 200MB）、文档（pdf/docx/txt/xlsx/pptx/jsonl，最多 50 个）。可自定义提示词、采样温度、top-p、最大输出 token，支持思考模式、流式输出和结果保存为 JSON。
使用方式：先配置 ZHIPU_API_KEY 环境变量（可在 openclaw.json 的 skills.entries.glmv-caption.env 中设置，或写入 ~/.zshrc，或放在技能目录的 .env 文件）。运行脚本：python scripts/glmv_caption.py --images "https://example.com/photo.jpg"；多图：--images img1.jpg img2.png；视频：--videos "https://example.com/clip.mp4"；文档：--files "https://example.com/report.pdf"；自定义提示词：--prompt "..."；保存结果：--output result.json；思考模式：--thinking。
限制：--images、--videos、--files 三者互斥，不能在同一请求中混用；file_url 不能与 image_url 或 video_url 混用；视频和文档仅支持 URL，不支持本地路径和 base64（仅图像支持 base64）。脚本必须使用 GLM-V API，不得用其他方式自行描述媒体；API 失败时应直接显示错误并停止，不提供替代方案。输出需完整展示原始结果，不得截断或仅提示已生成。API Key 获取地址：https://bigmodel.cn/usercenter/proj-mgmt/apikeys。