去年带了个新人做微信机器人，环境搭好了，回调也通了，消息能收到了。然后他盯着一屏幕的日志问我："哥，消息是收到了，可我该怎么处理啊？文本是一个样，图片又是一个样，语音又不一样，总不能全写if-else吧？"

这话我听着特别耳熟，因为三年前我也问过同样的问题。当时我接了个客服机器人的活，消息收发跑通了，但一遇到图片消息就懵——不知道用户发了啥图，更不知道该回什么。后来一点点摸，把四种常见消息类型的处理逻辑都趟了一遍，才理出个套路来。

今天就聊聊微信机器人最常处理的四种消息类型，以及怎么做个智能分发的方案。新手看完至少有个方向，不至于收到消息干瞪眼。

先说个核心认知：消息处理不是写一堆if-else，而是设计一套"分类→路由→处理→回复"的流水线。每种消息类型有专门的处理器，互不干扰，加一种新类型不用动旧的。这个思路想通了，后面写代码就顺了。

一、文本消息：关键词匹配+意图识别

文本消息是最常见的，也是最好上手的。处理思路分两层：

第一层：关键词匹配。用户发"你好"，机器人回"你好，有什么能帮你的？"。这种固定问答，用关键词匹配最快，命中即回，毫秒级响应。适合处理"在吗""价格""地址"这类高频简单问题。

第二层：意图识别。用户发"我想退上周买的那件衣服"，关键词匹配搞不定，得靠AI理解意图——识别出这是"退换货"诉求，提取出"上周""衣服"这些关键信息，再路由到退换货流程。

我的做法是先走关键词，没命中再走AI。这样既保证了简单消息的响应速度，又能处理复杂问题。关于文本消息的字段结构和处理规范，可以对照 Eyun开发文档 里消息类型的说明，每种消息返回的字段都列得很清楚，照着写解析逻辑不容易出错。

踩的坑：一开始关键词匹配写得太死，用户发"你好啊"就匹配不上"你好"。后来改成包含匹配加分词，才灵活起来。但也别太松，否则"价格表"会误匹配"价格"，回复不对题，用户更懵。

还有个坑：关键词库要持续维护。上线跑了一阵发现用户问的问题越来越杂，原来的关键词覆盖不住。后来每周拉一次未命中关键词的消息，看看用户都在问啥，补充到关键词库里。这是个长期活，不是配一次就完事的。

二、图片消息：OCR识别+内容理解

图片消息比文本难一截，因为你得先"看懂"图里是啥。处理流程一般是：

1. 下载图片：从消息里拿到图片URL或文件，存到本地或对象存储

2. OCR识别：如果图片里有文字（比如截图、单据），用OCR把文字提取出来

3. 内容理解：把提取的文字或图片特征丢给AI，让它判断用户意图

4. 生成回复：根据理解结果回复用户

举个例子：用户发了一张快递单的照片，机器人OCR出单号，查物流，回复"您的快递正在派送中，预计今天送达"。整个流程用户只发了张图，不用打字，体验很顺滑。

踩的坑：

• 图片下载超时没处理，用户发了图机器人没反应，查了半天才发现是CDN链接过期了。后来加了下载重试加超时降级，才稳住。

• OCR不是万能的，手写字、模糊图识别率很低。遇到识别不出来的，别硬猜，直接问用户"没看清楚，能描述一下吗"，比回错了强。回错了用户会觉得机器人智障，不回至少还能追问。

• 图片体积太大，下载和处理都慢，用户等得急。后来加了图片压缩，先缩到合适尺寸再处理，速度快了不少，识别率也没受啥影响。

三、语音消息：ASR转文字+意图处理

语音消息在客服场景特别多，很多用户懒得打字，直接发语音。处理流程：

1. 下载语音文件：拿到amr或silk格式的语音文件

2. ASR转文字：用语音识别把语音转成文字

3. 意图处理：转出来的文字按文本消息的流程走（关键词+AI）

4. 生成回复：回复文字给用户

说白了，语音消息就是多了个"转文字"的步骤，转完之后跟文本消息处理一样。

踩的坑：

• 方言识别率感人。一个四川用户发语音，ASR转出来一堆乱码，机器人回了句不知所云的话，用户直接骂过来了。后来对接了支持方言的ASR服务，才好起来。这块如果要做，可以先在 Eyun平台 上看看支持的能力，别自己从头接一遍，费时间还容易踩坑。

• 语音太短（比如就"嗯"一声）转出来没有效信息，得加个长度判断，太短的直接提示用户"能再说详细点吗"，别拿空内容去调AI，浪费token还回不出有用的东西。

• 长语音转文字会丢内容，一段60秒的语音转出来可能只有一半。后来把长语音分段处理，每段不超过30秒，再拼接结果，完整度好多了。

四、链接消息：提取标题+摘要+自动回复

用户有时候会分享一个链接到聊天里，比如文章、商品页。机器人收到后可以：

1. 解析链接：抓取页面内容

2. 提取标题和摘要：用AI或规则提取关键信息

3. 理解意图：用户分享这个链接是想干嘛？咨询？吐槽？分享？

4. 自动回复：根据意图给出回应

比如用户分享了个商品链接，机器人可以提取商品名和价格，回复"这件商品目前售价XX元，有现货，需要下单吗？"

踩的坑：

• 不是所有链接都能抓，有些站点有反爬，直接抓会被拒。得加User-Agent伪装，实在抓不到就降级，让用户直接描述需求，别卡在抓取这一步死循环。

• 链接消息的回调结构和文本不一样，新手容易按文本的格式去解析，结果取不到数据。建议先把每种消息的回调结构都打印一遍，看看实际长啥样再写解析逻辑，比对着文档瞎猜靠谱。

• 有些链接是短链接，得先跟一次重定向拿到真实URL再抓内容，不然抓到的全是跳转页的HTML，啥有效信息都没有。

智能分发方案：让每种消息走对路

四种消息类型说完了，但实际收到消息时，机器人怎么知道这是文本还是图片？这就需要一个分发路由器：消息进来→判断类型→路由到对应处理器→处理→回复。

核心就是一个消息分发路由器，代码不长但思路重要：

class MessageDispatcher:
    def __init__(self):
        # 类型到处理器的映射表，加新类型只需注册一个处理器
        self.handlers = {
            "text": TextHandler(),
            "image": ImageHandler(),
            "voice": VoiceHandler(),
            "link": LinkHandler(),
        }
        self.fallback = DefaultHandler()  # 兜底处理器

    def dispatch(self, msg):
        # 1. 判断消息类型
        msg_type = msg.get("type")

        # 2. 路由到对应处理器
        handler = self.handlers.get(msg_type, self.fallback)

        # 3. 处理并返回结果
        try:
            return handler.handle(msg)
        except Exception as e:
            log.error(f"{msg_type}处理失败: {e}", exc_info=True)
            return self.fallback.handle(msg)  # 出错走兜底

这段代码的关键在于用映射表代替if-else。今天支持四种消息，明天要加视频消息，后天加位置消息，只需要注册一个新处理器，主逻辑一行不用改。这就是设计模式里说的"对扩展开放，对修改关闭"，听着玄乎，落地就是这么个映射表的事。

再补充一点：分发器里别忘了加处理超时控制。有些处理器（比如图片OCR、链接抓取）可能卡住，一直不返回，后面的消息全堵在那。我给每个处理器加了超时限制，超过10秒强制中断，走兜底回复。这样即使某个处理器出了问题，也不会拖垮整个消息处理链路。

分发之后每个处理器怎么实现，可以参考 Eyun开发文档 里各消息类型的处理示例，思路是一致的，照着改改就能用。

四种消息处理对比

消息类型	处理难度	核心环节	响应速度	建议上手顺序
文本	低	关键词+意图识别	快	第一个做
图片	中	OCR+内容理解	中	第二个做
语音	中	ASR转文字	中	第三个做
链接	中高	抓取+提取+理解	慢	最后做

这张表是我自己的体感，不一定绝对准，但能给你个上手的优先级参考。难度高的放后面，不是因为不重要，是因为先易后难能帮你建立信心和节奏。

还有个判断标准：看用户消息的占比。我拉过一个月的数据，文本消息占了七成多，图片一成半，语音和链接加起来不到一成。所以先把占大头的文本做扎实，覆盖大部分用户需求，其他的慢慢补。别在占比最小的链接消息上死磕，投入产出比不划算。

结尾：先跑通文本，再逐步加其他类型

给新手的建议：别一上来就想四种全做。先把文本消息跑通，关键词匹配搞定，AI意图识别调好，能稳定回复了，再考虑加图片、语音。

我自己第一次做就是贪多，四种同时开搞，结果每种都半吊子，哪个都不稳定，用户投诉一波接一波。后来沉下心先做文本，一周跑通了，再花两周把其他三种一个个加上去，反而比之前快。

做消息处理这事，急不来。先把一种吃透，建立信心和节奏，后面的就是复制模式换个处理器的事。等四种都跑通了，再回头看，会发现其实没那么难，难的是第一步迈出去。

最后提一句：消息处理的核心不是代码量，是分类和路由的思路。代码写得再花哨，分类不准、路由不对，用户体验照样拉胯。所以多花时间在消息分类的逻辑上，比多写几行代码值。把真实用户的消息样本多看几遍，比读十篇技术文章都管用——因为每家的用户问的东西都不一样，照搬别人的方案不一定好使，得根据自己的消息特点来调。

有具体问题欢迎评论区聊，我知道的都回。