AIOps实践:基于 Dify+LangBot 实现飞书智能体对话机器人

AIOps实践:基于 Dify+LangBot 实现飞书智能体对话机器人

文章目录

AIOps实践:Dify接入飞书实现与智能体对话

前言

前端时间把dify的智能体接入到了Prometheus和夜莺上,实现了与智能体的基本对话,并可以调取Prometheus数据进行分析,在那之后就开始深度研究AIOps实现原理于深度赋能运维的可能性,所以正在研究AIOps的核心:MCP Server;现在还并未成型,在研究的过程中,就想到了可否基于dify的agent,连接自建的mcp服务器,对接到飞书的机器人上,这样就可以和智能体进行对话,配合成型的mcp,就可以基本实现AIOps。

这里需要借助一个三方的开源工具LangBot,LangBot是一个生产级多平台 LLM 机器人开发平台。那么就开始实践吧:

在这里插入图片描述

MCP Server开发的当前阶段:

在这里插入图片描述

后续会开源至github。

环境搭建

1、Docker环境搭建

安装Docker和docker compose

# 安装必要的工具包sudoapt-get update sudoapt-getinstall ca-certificates curl gnupg lsb-release # 创建密钥环目录并添加Docker的官方GPG密钥(用于验证软件包)sudoinstall -m 0755 -d /etc/apt/keyrings curl -fsSL https://download.docker.com/linux/ubuntu/gpg |sudo gpg --dearmor -o /etc/apt/keyrings/docker.gpg sudochmod a+r /etc/apt/keyrings/docker.gpg # 将Docker仓库添加到APT源echo"deb [arch=$(dpkg --print-architecture) signed-by=/etc/apt/keyrings/docker.gpg] https://download.docker.com/linux/ubuntu $(lsb_release -cs) stable"|sudotee /etc/apt/sources.list.d/docker.list > /dev/null sudoapt-get update # 安装Dockersudoapt-getinstall docker-ce docker-ce-cli containerd.io docker-buildx-plugin docker-compose-plugin # 配置国内镜像源,当然也可以不配置,可以配一个Docker代理,让Docker坐上VPN,在此不再展示vim /etc/docker/daemon.json {"registry-mirrors":["https://docker.1ms.run", "https://docker.1panel.live", "https://hub.rat.dev", "https://docker.m.daocloud.io", "https://do.nark.eu.org", "https://dockerpull.com", "https://dockerproxy.cn", "https://docker.awsl9527.cn"], "exec-opts":["native.cgroupdriver=systemd"]} systemctl daemon-reload systemctl start docker# 验证配置docker info 

2、LangBot搭建

# 拉取代码 (该代码在gitcode,如果拉取不下来请在web端登陆下载zip)git clone https://gitcode.com/RockChinQ/LangBot 

启动服务

unzip LangBot-master.zip cd LangBot-master/docker # 启动容器docker compose up -d 

访问 http://ip:5300,首次登录需要初始化。

在这里插入图片描述

注册,登陆即可。

3、编辑流水线

在这里插入图片描述
在这里插入图片描述

点击AI能力,填写相关配置,在dify上查询智能体的URL与密钥,获取参数:

在这里插入图片描述

填写参数:

在这里插入图片描述

保存完成。

4、配置飞书机器人

由于本人使用的是个人账户,所以才可以这样胡作非为哈哈哈哈哈,有企业认证的大佬们就要谨慎了,这个需要管理员审核的。

打开飞书开放平台(https://open.feishu.cn/),点击企业自建应用,点击添加机器人能力:

在这里插入图片描述

配置相关权限:

左侧点击权限管理,右侧点击开通权限,搜索im:message,全部选择:

在这里插入图片描述

再次搜索:cardkit:card:write,开启该权限:

在这里插入图片描述

配置事件回调:

在这里插入图片描述

点击下放的添加事件,配置相关事件:

在这里插入图片描述

当一切都配置完成后发布机器人:

在这里插入图片描述

保存发布即可。

此时,去复制关键信息,LangBot接入飞书的关键凭证:

在这里插入图片描述

复制这两项信息。

到此,飞书配置完成。

5、创建机器人

在这里插入图片描述

配置相关信息:

在这里插入图片描述
在这里插入图片描述

保存即可。

6、进行测试

点击飞书的工作台,选择我们自己创建的机器人:

在这里插入图片描述

进行对话:

在这里插入图片描述

当dify接入了mcp后:

在这里插入图片描述

哈哈哈哈哈,后续会开源这个mcp-server服务器的,敬请期待啦。

附:遇到的问题

如若遇到相关问题,可以查看日志,在LangBot项目的Docker目录下存在log文件夹,查看日志解决问题:

在这里插入图片描述

解决:

访问:

https://open.feishu.cn/app/cli_a9d5778e15389cef/auth?q=cardkit:card:write&op_from=openapi&token_type=tenant 

开通该权限即可。

Read more

零基础玩转AI绘画:Z-Image-Turbo保姆级教程,5分钟出大片

零基础玩转AI绘画:Z-Image-Turbo保姆级教程,5分钟出大片 你有没有过这样的时刻:脑子里闪过一个绝妙的画面——比如“黄昏时分悬浮在云海之上的玻璃城堡”,手指已经点开绘图软件,却卡在第一步:不知道怎么把脑海里的光、影、质感和情绪,变成一行能让AI听懂的提示词?更别说等渲染、调参数、修废图……还没开始创作,热情先被流程浇灭。 Z-Image-Turbo 极速云端创作室,就是为这种“想画就画”的直觉而生。它不讲模型结构、不聊LoRA微调、不设CFG滑块、不让你选采样器——它只做一件事:你写一句话,它秒出一张电影级高清图。没有黑图、不用调试、不占本地显存,连笔记本电脑都能通过浏览器直接用。本文就是为你量身定制的“零门槛启动指南”,从打开页面到保存第一张作品,全程不超过5分钟。 1. 为什么说Z-Image-Turbo是新手的第一台“AI相机” 1.1 它不是另一个需要折腾的WebUI 市面上很多AI绘画工具,界面像控制台,参数像密码本:CFG Scale、Denoising

5090D显卡安装LLaMA-Factory避坑指南:PyTorch与CUDA版本兼容性问题解决

5090D显卡部署LLaMA-Factory全流程实战:从环境配置到分布式训练避坑 刚拿到5090D显卡时,我迫不及待地想用它跑些大模型实验。但当我在全新系统上安装LLaMA-Factory准备微调模型时,却遇到了令人头疼的CUDA兼容性问题——训练脚本刚启动就报错RuntimeError: CUDA error: no kernel image is available for execution on the device。经过一番排查,发现是PyTorch版本与5090D的CUDA 12.8不兼容导致的。如果你也遇到类似问题,这份实战指南将带你完整走通环境配置到成功训练的每个环节。 1. 硬件环境准备与基础检查 在开始安装前,我们需要确认几个关键配置。5090D显卡作为新一代计算卡,其CUDA架构与消费级显卡有所不同。首先通过以下命令检查驱动和CUDA版本: nvidia-smi # 查看驱动版本 nvcc --version # 查看CUDA编译器版本 典型输出应类似: +---------------------------------------------

技术报告:在 4x Tesla P40 上训练 Llama-3.3-70B 大模型指南

作者: Antigravity (Google DeepMind Agent) 日期: 2026-01-14 硬件目标: NVIDIA Tesla P40 (24GB) x4 模型目标: Llama-3.3-70B-Instruct 1. 摘要 本报告详细记录了在不支持 BFloat16 和 Tensor Cores 半精度加速(Pascal 架构)的老旧硬件(Tesla P40)上,成功训练 70B 参数量级大预言模型的技术方案。 通过结合 4-bit NF4 量化、模型自动分片 (Model Sharding) 以及 纯 FP32 训练管线 (Pure FP32 Pipeline),我们成功克服了硬件架构限制,实现了稳定训练。 2.

万字长文带你梳理Llama开源家族:从Llama-1到Llama-3,看这一篇就够了!

万字长文带你梳理Llama开源家族:从Llama-1到Llama-3,看这一篇就够了!

在AI领域,大模型的发展正以前所未有的速度推进技术的边界。 北京时间4月19日凌晨,Meta在官网上官宣了Llama-3,作为继Llama-1、Llama-2和Code-Llama之后的第三代模型,Llama-3在多个基准测试中实现了全面领先,性能优于业界同类最先进的模型。 纵观Llama系列模型,从版本1到3,展示了大规模预训练语言模型的演进及其在实际应用中的显著潜力。这些模型不仅在技术上不断刷新纪录,更在商业和学术界产生了深远的影响。因此,对Llama模型不同版本之间的系统对比,不仅可以揭示技术进步的具体细节,也能帮助我们理解这些高级模型如何解决现实世界的复杂问题。 1、Llama进化史 本节将对每个版本的Llama模型进行简要介绍,包括它们发布的时间和主要特点。 1.1 Llama-1 系列 Llama-1 [1]是Meta在2023年2月发布的大语言模型,是当时性能非常出色的开源模型之一,有7B、13B、30B和65B四个参数量版本。Llama-1各个参数量版本都在超过1T token的语料上进行了预训训练,其中,最大的65B参数的模型在2,048张A100 80