让 AI 住进飞书：OpenClaw 接入飞书机器人的完整实践

引言：为什么要把 AI 接入飞书？在现代办公环境中，飞书已经成为团队协作的核心工具之一。而 OpenClaw 是一个强大的开源 AI 框架，能让我们快速构建智能对话系统。将 AI 接入飞书机器人，意味着团队成员可以直接在聊天界面中调用 AI 能力，无需切换平台。本文将带你从零开始，一步步实现 OpenClaw 与飞书的集成，让 AI 真正“住进”你的工作流中。## 基础概念：理解飞书机器人与 OpenClaw### 飞书机器人是什么？飞书机器人是一个可以接收用户消息并自动回复的程序。它通过 Webhook 与外部服务交互：当用户在群聊或私聊中@机器人时，飞书服务器会将消息转发到你的后端接口。### OpenClaw 的角色OpenClaw 是一个基于 Python 的 AI 对话引擎，它封装了 LLM（大语言模型）调用、上下文管理、插件系统等功能。我们的目标是让 OpenClaw 作为飞书机器人的“大脑”，处理用户输入并生成回复。### 整体架构用户 → 飞书客户端 → 飞书服务器 → (Webhook) → 你的后端服务器 → OpenClaw → 回复 → 飞书服务器 → 飞书客户端## 第一步：环境准备与飞书机器人创建### 1.1 创建飞书应用1. 登录飞书开发者平台。2. 点击“创建企业自建应用”，填写名称（如“AI助手”）。3. 在“应用功能”中开启“机器人”能力。4. 在“权限管理”中添加 im:message 和 im:resource 权限。5. 发布应用后，在“凭证与基础信息”中获取 App ID 和 App Secret。### 1.2 安装必要库我们需要安装 lark-oapi（飞书 SDK）和 openclaw：bashpip install lark-oapi openclaw## 第二步：编写基础飞书机器人服务器首先，我们创建一个最简单的 Flask 服务器，接收飞书的消息事件。这里使用飞书的 Card & Message 模式，通过事件订阅接收消息。python# server.py - 飞书机器人基础服务器from flask import Flask, request, jsonifyimport jsonimport lark_oapi as larkapp = Flask(__name__)# 飞书客户端初始化client = lark.Client.builder() \ .app_id("你的App ID") \ .app_secret("你的App Secret") \ .build()@app.route("/webhook", methods=["POST"])def webhook(): """接收飞书消息事件的Webhook接口""" # 解析飞书发送的JSON数据 data = request.json print(f"收到事件: {json.dumps(data, indent=2, ensure_ascii=False)}") # 检查事件类型 if data.get("header", {}).get("event_type") == "im.message.receive_v1": # 提取消息内容 message = data["event"]["message"] content = json.loads(message["content"]) # 消息内容在content字段 text = content.get("text", "") sender_id = message["sender"]["sender_id"]["open_id"] # 简单回复（后续将替换为AI回复） reply_text = f"你说了: {text}" # 调用飞书API发送消息 client.im.v1.message.create( request=lark.CreateMessageRequest.builder() .receive_id_type("open_id") .body(lark.CreateMessageRequestBody.builder() .receive_id(sender_id) .msg_type("text") .content(json.dumps({"text": reply_text})) .build()) .build() ) return jsonify({"code": 0, "msg": "success"})if __name__ == "__main__": app.run(host="0.0.0.0", port=5000)代码说明：- 使用 Flask 创建 Web 服务器，监听 /webhook 路径。- 飞书 SDK 初始化时需要填入你的 App ID 和 Secret。- 当收到 im.message.receive_v1 事件时，提取用户文本并回复“你说了: xxx”。- 这是最基本的回声机器人，后续我们将用 AI 替换它。### 测试机器人1. 使用 ngrok 将本地服务暴露到公网：ngrok http 5000。2. 在飞书开发者平台中，将事件订阅的请求地址设置为 https://你的域名/webhook。3. 在飞书中@机器人发送消息，应该能收到回声回复。## 第三步：集成 OpenClaw AI 引擎现在，我们将 OpenClaw 集成到机器人中。OpenClaw 需要配置一个 LLM 后端（如 OpenAI、Claude 或本地模型）。这里以 OpenAI 为例。python# ai_bot.py - 集成OpenClaw的飞书机器人from flask import Flask, request, jsonifyimport jsonimport lark_oapi as larkfrom openclaw import OpenClaw # 假设OpenClaw库已安装app = Flask(__name__)# 飞书客户端feishu_client = lark.Client.builder() \ .app_id("你的App ID") \ .app_secret("你的App Secret") \ .build()# 初始化OpenClaw AI引擎# 配置LLM后端（示例使用OpenAI，实际需要调整API地址和密钥）ai_engine = OpenClaw( llm_config={ "provider": "openai", "api_key": "你的OpenAI API Key", "model": "gpt-3.5-turbo", "temperature": 0.7 }, # 启用上下文记忆功能 memory=True, memory_size=10 # 记忆最近10轮对话)def get_ai_reply(user_message): """调用OpenClaw生成AI回复""" try: # OpenClaw会维护对话上下文，自动处理历史 response = ai_engine.chat(user_message) return response except Exception as e: return f"AI处理出错: {str(e)}"@app.route("/webhook", methods=["POST"])def webhook(): data = request.json if data.get("header", {}).get("event_type") == "im.message.receive_v1": message = data["event"]["message"] content = json.loads(message["content"]) text = content.get("text", "") sender_id = message["sender"]["sender_id"]["open_id"] # 移除消息中的@机器人部分（飞书会在文本中包含机器人名称） clean_text = text.replace("@AI助手", "").strip() if clean_text: # 仅当有实际内容时才调用AI # 使用OpenClaw生成回复 reply_text = get_ai_reply(clean_text) # 发送回复到飞书 feishu_client.im.v1.message.create( request=lark.CreateMessageRequest.builder() .receive_id_type("open_id") .body(lark.CreateMessageRequestBody.builder() .receive_id(sender_id) .msg_type("text") .content(json.dumps({"text": reply_text})) .build()) .build() ) return jsonify({"code": 0, "msg": "success"})if __name__ == "__main__": app.run(host="0.0.0.0", port=5000)关键改进：- 引入 OpenClaw 引擎，配置了 OpenAI 模型作为后端。- 使用 memory=True 启用上下文记忆，让对话更连贯。- 清理用户消息中的@机器人标记，避免干扰 AI。- 异常处理确保即使 AI 出错也能返回友好提示。## 第四步：高级功能 - 插件系统与多模态响应OpenClaw 支持插件扩展，我们可以让它不仅能聊天，还能执行任务。例如，添加一个天气查询插件。### 4.1 安装 OpenClaw 插件假设 OpenClaw 有插件生态（此处为示例），我们可以加载一个天气插件：python# 在初始化时加载插件ai_engine.load_plugin("weather") # 假设有weather插件### 4.2 支持富文本回复飞书支持多种消息类型（文本、卡片、图片等）。我们可以让 AI 生成结构化回复：pythondef send_card_message(sender_id, title, content, button_text=None): """发送飞书卡片消息""" card = { "config": {"wide_screen_mode": True}, "header": {"title": {"tag": "plain_text", "content": title}}, "elements": [ {"tag": "div", "text": {"tag": "lark_md", "content": content}} ] } if button_text: card["elements"].append({ "tag": "action", "actions": [{"tag": "button", "text": {"tag": "plain_text", "content": button_text}}] }) feishu_client.im.v1.message.create( request=lark.CreateMessageRequest.builder() .receive_id_type("open_id") .body(lark.CreateMessageRequestBody.builder() .receive_id(sender_id) .msg_type("interactive") .content(json.dumps(card)) .build()) .build() )## 第五步：部署与优化### 5.1 生产环境部署- 使用 gunicorn 代替 Flask 开发服务器：gunicorn -w 4 -b 0.0.0.0:5000 server:app。- 配置 HTTPS（飞书强制要求）：使用 Nginx 反向代理 + Let’s Encrypt。- 添加日志记录与监控。### 5.2 性能优化- 使用 Redis 缓存对话上下文，避免内存溢出。- 设置请求超时（飞书要求5秒内回复，可先回复“正在思考”再异步发送）。- 限制并发请求数，避免 AI 接口过载。## 总结本文从基础概念出发，带你完成了 OpenClaw 与飞书机器人的完整集成。我们首先创建了飞书应用并搭建了基本的 Webhook 服务器，然后集成 OpenClaw AI 引擎实现智能对话，最后探讨了插件系统和多模态回复等高级功能。核心收获：1. 飞书机器人开发流程：创建应用、配置权限、实现 Webhook 接口。2. OpenClaw 集成方法：初始化引擎、处理消息、维护上下文。3. 生产化注意事项：部署、安全、性能优化。现在，你的飞书机器人已经拥有了 AI 大脑，可以回答团队问题、执行任务，甚至通过插件扩展更多能力。让 AI 真正融入日常工作，就从这一步开始。未来你可以继续探索：添加语音识别、对接知识库、实现多轮任务规划——OpenClaw 的潜力远不止于此。