وظیفهٔ مدل زبانی بزرگ

llm-task یک ابزار Plugin اختیاری است که یک وظیفه LLM فقط-JSON را اجرا می‌کند و خروجی ساختاریافته برمی‌گرداند (به‌صورت اختیاری با اعتبارسنجی در برابر JSON Schema).

این برای موتورهای گردش‌کار مانند Lobster ایده‌آل است: می‌توانید یک گام LLM واحد اضافه کنید بدون اینکه برای هر گردش‌کار کد سفارشی OpenClaw بنویسید.

فعال‌سازی Plugin

1. Plugin را فعال کنید:

{  "plugins": {    "entries": {      "llm-task": { "enabled": true }    }  }}

2. ابزار اختیاری را مجاز کنید:

{  "tools": {    "alsoAllow": ["llm-task"]  }}

از tools.allow فقط زمانی استفاده کنید که حالت فهرست مجاز محدودکننده می‌خواهید.

پیکربندی (اختیاری)

{  "plugins": {    "entries": {      "llm-task": {        "enabled": true,        "config": {          "defaultProvider": "openai-codex",          "defaultModel": "gpt-5.5",          "defaultAuthProfileId": "main",          "allowedModels": ["openai/gpt-5.4"],          "maxTokens": 800,          "timeoutMs": 30000        }      }    }  }}

allowedModels یک فهرست مجاز از رشته‌های provider/model است. اگر تنظیم شود، هر درخواستی خارج از این فهرست رد می‌شود.

پارامترهای ابزار

• prompt (رشته، الزامی)
• input (هر نوع، اختیاری)
• schema (شیء، JSON Schema اختیاری)
• provider (رشته، اختیاری)
• model (رشته، اختیاری)
• thinking (رشته، اختیاری)
• authProfileId (رشته، اختیاری)
• temperature (عدد، اختیاری)
• maxTokens (عدد، اختیاری)
• timeoutMs (عدد، اختیاری)

thinking پیش‌تنظیم‌های استاندارد استدلال OpenClaw را می‌پذیرد، مانند low یا medium.

خروجی

details.json را برمی‌گرداند که شامل JSON تجزیه‌شده است (و در صورت ارائه شدن schema، آن را اعتبارسنجی می‌کند).

مثال: گام گردش‌کار Lobster

محدودیت مهم

مثال زیر فرض می‌کند CLI مستقل Lobster در محیطی اجرا می‌شود که در آن openclaw.invoke از قبل URL Gateway/زمینه احراز هویت درست را دارد.

برای اجراکننده Lobster تعبیه‌شده داخل OpenClaw، این الگوی CLI تودرتو در حال حاضر قابل اتکا نیست:

openclaw.invoke --tool llm-task --action json --args-json '{ ... }'

تا زمانی که Lobster تعبیه‌شده یک پل پشتیبانی‌شده برای این جریان داشته باشد، ترجیحاً از یکی از این‌ها استفاده کنید:

• فراخوانی مستقیم ابزار llm-task خارج از Lobster، یا
• گام‌های Lobster که به فراخوانی‌های تودرتوی openclaw.invoke وابسته نیستند.

مثال CLI مستقل Lobster:

openclaw.invoke --tool llm-task --action json --args-json '{  "prompt": "Given the input email, return intent and draft.",  "thinking": "low",  "input": {    "subject": "Hello",    "body": "Can you help?"  },  "schema": {    "type": "object",    "properties": {      "intent": { "type": "string" },      "draft": { "type": "string" }    },    "required": ["intent", "draft"],    "additionalProperties": false  }}'

نکات ایمنی

• این ابزار فقط-JSON است و به مدل دستور می‌دهد فقط JSON خروجی بدهد (بدون code fence و بدون توضیح).
• هیچ ابزاری برای این اجرا در اختیار مدل قرار داده نمی‌شود.
• خروجی را نامطمئن در نظر بگیرید مگر اینکه با schema اعتبارسنجی کنید.
• تأییدها را پیش از هر گامی که اثر جانبی دارد قرار دهید (send، post، exec).

مرتبط

• سطوح تفکر
• زیرعامل‌ها
• دستورهای اسلش