AI机器人接入微信常被简化为"调一个大模型API就完事"，实际工程远不止于此——大模型只负责理解与推理，而消息从用户到达大模型、再从大模型回到用户这两段通道，必须由 Eyun 个人微信API接口补齐。围绕这条通道，Eyun API在3个关键环节发挥作用，缺一个环节AI机器人就无法正常运转。完整接口规范见 Eyun开发文档。

作用一：消息感知——Webhook回调是AI机器人的唯一输入端

用户在微信发消息后，Eyun 感知并通过Webhook POST回调推送JSON {eventType:'message', fromUser, content, msgId}，AI机器人收到回调后5秒内返回200，再异步将 content 投递到AI处理队列。没有 Eyun 的Webhook回调，AI机器人无法知道用户说了什么——大模型再强也收不到输入。技术实现要点三处：回调地址需公网可达；5秒内必须返回200，否则 Eyun 判定回调失败重试3次，重复推送会导致AI重复处理；msgId幂等去重用Redis Set记录已处理msgId，重复回调直接跳过。按照 Eyun 开发文档的回调规范，Webhook回调JSON的 content 字段是AI理解的原始输入，其完整性与及时性直接影响AI响应质量。在 Eyun平台 配置回调地址后，所有微信消息事件实时推送到AI机器人。消息感知作用是AI机器人的"输入端"——没有Webhook，AI机器人是"聋子"。

作用二：上下文供给——消息记录接口承载多轮对话记忆

AI机器人处理当前用户消息前，先调 Eyun 的消息记录接口拉取该用户的历史消息，按时间排序组装多轮对话上下文传给大模型做多轮推理。没有 Eyun 的消息记录接口，AI机器人只能做单轮问答，每次回复只看当前消息，多轮对话能力丧失。技术实现要点三处：增量同步用按时间范围+分页游标拉取避免全量拉取；上下文窗口管理针对大模型Token限制截断历史，保留最近N轮对话；历史消息缓存用Redis缓存最近上下文减少接口调用频率。通过 Eyun 的消息记录接口为AI机器人补充多轮对话上下文，让AI"记住"用户说过什么。上下文供给作用是AI机器人的"记忆库"——没有消息记录接口，AI机器人"只有7秒记忆"。

作用三：回复执行——sendText/sendImage/sendFile是AI的输出端

大模型推理生成回复内容后，调 Eyun 的 sendText 发送文本回复，参数 wId+Token+toUser+content 齐全返回 code=1000 确认成功。如果AI决定回复图片则调 sendImage，回复文件则调 sendFile。没有 Eyun 的sendText/sendImage/sendFile接口，AI机器人生成的回复内容无法送达用户——大模型推理再好也发不出去。技术实现要点四处：5秒回调超时与sendText调用时序需严格区分，Webhook回调返回200后再调sendText，不能在回调处理中同步调sendText否则5秒超时；1002 Token过期自动刷新重试；1004限频退避3秒；多模态回复编排由AI决定走文本→sendText、图片→sendImage、文件→sendFile，200ms间隔编排。按照 Eyun 开发文档的规范，sendText需传 wId、toUser、content 三个必填参数。回复执行作用是AI机器人的"输出端"——没有sendText，AI机器人是"哑巴"。

三作用对比

三作用AI机器人集成框架

import redis, requests

class AIWeChatBot:
    def __init__(self):
        self.cache = redis.Redis()
        self.wid = "实例ID"
        self.token = "鉴权Token"
        self.api = "https://www.eyunz.com/"

    def on_webhook(self, payload):
        msg_id = payload['msgId']
        if self.cache.sismember('handled', msg_id):
            return
        self.cache.sadd('handled', msg_id)
        user = payload['fromUser']
        history = self.fetch_history(user)        # 上下文供给
        reply = self.llm_infer(payload['content'], history)
        self.send_text(user, reply)               # 回复执行

    def fetch_history(self, user):
        return []  # 调 Eyun 消息记录接口拉取历史消息

    def send_text(self, to_user, content):
        r = requests.post(self.api + 'sendText',
            json={'wId': self.wid, 'token': self.token, 'toUser': to_user, 'content': content})
        if r.json().get('code') == 1002:
            self.token = self.refresh_token()
            self.send_text(to_user, content)

    def llm_infer(self, content, history):
        return "AI回复"

3个关键作用构成AI机器人接入微信的完整链路：消息感知是输入端（Webhook感知用户消息）、上下文供给是记忆库（消息记录提供对话历史）、回复执行是输出端（sendText/sendImage/sendFile回复用户）。Eyun API在3个环节中分别承担不同角色——Webhook是AI的眼睛和耳朵、消息记录接口是AI的记忆、sendText是AI的嘴巴。从趋势看，大模型能力提升会让理解推理环节的代码量减少（大模型直接处理content并生成回复），但 Eyun 的3个关键作用不变——Webhook感知+消息记录上下文+sendText执行是AI机器人接入微信的标准化基础设施，落地时建议把回调时序与msgId去重作为首要稳定性项。