从零搭建Clawdbot+企微机器人：单向推送全流程指南（新手可玩）

优质文章学习记录

— 8 min read
从零搭建Clawdbot+企微机器人：单向推送全流程指南（新手可玩）

从零搭建Clawdbot+企微机器人：单向推送全流程指南（新手可玩）

本文针对非管理员用户（无企微后台权限），详细拆解从Clawdbot安装到企微机器人正常推送的全步骤，所有命令可直接复制，新手也能快速上手。

一、前置说明（必看）

1. 适用场景

非企微管理员，仅能创建「企微群机器人」，实现 Clawdbot→企微群单向推送 （无法接收企微消息回复，适合通知、告警、播报场景）；若为管理员，可进一步实现双向对话（文末附拓展方向）。

2. 环境要求

支持 Mac/Linux/Windows（本文以Linux为例），需联网且能访问公网（企微Webhook需外部请求），最好直接就是美西的机器。

3. 核心工具

Clawdbot（AI机器人框架）、企微群机器人（Webhook）、Python依赖（requests库）。

二、第一步：安装Clawdbot（基础环境搭建）

Clawdbot支持一键安装，全程在系统终端操作，无需复杂配置。

1. 一键安装Clawdbot

打开终端，复制以下命令执行（Mac/Linux通用）：

curl -fsSL https://clawd.bot/install.sh | bash

2. 初始化Clawdbot（关键步骤）

安装完成后，终端会自动进入初始化流程，按以下选项依次选择：

  1. Select workspace ：默认即可（路径为 ~/clawd），按回车确认。
  2. Select model ：推荐选国产模型（如Qwen），新手直接选 qwen-portal/coder-model（无需额外配置API密钥）。
  3. 授权登录 Qwen，等待一段时间后，出现下面第一张图的鼠标选中的内容，复制网页到浏览器打开
  4. Select channel (QuickStart) ：选 Skip for now（企微不在预设通道，后续自定义对接），按空格键勾选后回车。
  5. Configure skills now? ：选 No（先打通推送，后续再配置技能），按空格键勾选后回车。
  6. Enable hooks? ：选 Skip for now（无需钩子功能），按空格键勾选后回车。

3. 退出TUI（后续配置需用到终端）

在TUI界面按 Ctrl+C 退出，回到系统终端（后续修改配置、部署脚本需在此操作）。

第二步：创建企微群机器人（获取Webhook Key）

无需管理员权限，仅需为企微内部群创建机器人，获取推送所需的Webhook Key。

  1. 打开企微，进入目标内部群（外部群不支持机器人），点击右上角 … → 找到 消息推送 → 点击 自定义消息推送。
  2. 点击 新建机器人，输入机器人名称（如Clawdbot）、选择头像，点击 完成。
  3. 创建成功后，会生成专属Webhook地址，复制该地址中的 Key部分 （示例地址：https://qyapi.weixin.qq.com/cgi-bin/webhook/send?key=123456-abcdef-7890，Key即为 123456-abcdef-7890），保存备用（后续需用到）。

第三步：部署企微推送技能脚本（核心对接）

Clawdbot需通过自定义技能脚本对接企微Webhook，本文提供优化版脚本（支持配置文件存储Key，兼顾安全与易用），直接复制部署即可。

1. 安装依赖库

终端执行以下命令，安装脚本所需的requests库：

pip install requests

2. 确认Clawdbot技能目录

不同安装方式的技能目录不同，先执行命令确认目录（终端执行）：

# 查看技能目录是否存在 
ls /usr/local/nodejs/lib/node_modules/clawdbot/skills/

若显示目录内容（如bluebubbles、github等技能文件），说明为系统级技能目录（本文默认此目录）

3. 部署技能脚本

终端执行以下命令，一键在正确目录生成脚本（系统级目录为例）：

sudo cat > /usr/local/nodejs/lib/node_modules/clawdbot/skills/wecom_webhook.py << 'EOF'import requestsimport jsonimport osfrom pathlib import Pathfrom clawdbot_skill import BaseSkill, register_skill# 配置文件路径（存储企微Key，自动创建）CONFIG_PATH = Path.home() / ".clawdbot" / "wecom_config.json"# 初始化配置文件（首次运行自动生成）def init_config(): if not CONFIG_PATH.parent.exists(): CONFIG_PATH.parent.mkdir(parents=True, exist_ok=True) if not CONFIG_PATH.exists(): with open(CONFIG_PATH, "w", encoding="utf-8") as f: json.dump({"webhook_key": ""}, f)# 读取配置文件def get_config(): init_config() with open(CONFIG_PATH, "r", encoding="utf-8") as f: return json.load(f)# 写入配置文件（存储Key）def set_config(key: str, value: str): config = get_config() config[key] = value with open(CONFIG_PATH, "w", encoding="utf-8") as f: json.dump(config, f, indent=2)# 技能1：设置企微Webhook Key（仅需执行一次）@register_skill(name="wecom_set_key", description="Set WeCom webhook key (only once)")class WeComSetKeySkill(BaseSkill): def run(self, webhook_key: str): set_config("webhook_key", webhook_key) # 自动设置安全权限（仅当前用户可读） os.chmod(CONFIG_PATH, 0o600) return f"✅ 企微Key已保存！（已自动开启安全权限）"# 技能2：发送消息到企微群（核心功能）@register_skill(name="wecom_send", description="Send message to WeCom group (text/markdown)")class WeComWebhookSkill(BaseSkill): def run(self, content: str, msg_type: str = "text"): # 读取已保存的Key config = get_config() webhook_key = config.get("webhook_key", "") if not webhook_key: return "❌ 请先设置Key：run wecom_set_key webhook_key='你的Key'" # 拼接企微Webhook地址 url = f"https://qyapi.weixin.qq.com/cgi-bin/webhook/send?key={webhook_key}" # 构造消息体（支持文本/Markdown） data = {"msgtype": msg_type, msg_type: {"content": content}} try: # 发送请求 resp = requests.post(url, json=data, timeout=10) result = resp.json() if result["errcode"] == 0: return f"✅ 推送成功！" else: return f"❌ 推送失败：{result['errmsg']}（错误码：{result['errcode']}）" except Exception as e: return f"❌ 网络/未知错误：{str(e)}"EOF

4. 给脚本加权限+重启Clawdbot

终端执行命令，确保脚本可被Clawdbot加载，同时重启生效：

# 给脚本加执行权限sudo chmod 755 /usr/local/nodejs/lib/node_modules/clawdbot/skills/wecom_webhook.py# 重启Clawdbot，加载新技能clawdbot restart

第四步：测试推送（验证全流程）

进入Clawdbot TUI，执行简单命令即可测试推送，步骤如下：

  1. 终端执行命令，进入TUI：
    • clawdbot tui
  2. 在TUI输入框执行命令，设置企微Key（替换为第二步保存的Key，仅需执行一次）：
    • run wecom_set_key webhook_key=“你的企微机器人Key”

若提示 ✅ 企微Key已保存！，说明Key配置成功。 也可以不要这个步骤， 直接在~/.clawdbot/wecom_config.json配置文件中配置好：

 * * * { "webhook_key": "这里填你的企微群机器人Webhook Key"} * * * * * * * *
  1. 发送测试消息（文本格式）：
    • run wecom_send content=“终于能推送啦！Clawdbot→企微群”

若提示 ✅ 推送成功！，同时企微群收到该消息，说明全流程打通。

 * *
  1. 进阶测试（Markdown格式，支持加粗、标题、列表）：
    • run wecom_send content=“### 🚀 Clawdbot推送通知\n核心功能：\n- 文本消息推送\n- Markdown格式支持\n> 新手也能轻松上手” msg_type=“markdown”

企微群会显示带样式的消息。

 * *

四、进阶拓展方向（按需选择）

  1. 定时推送 ：结合Clawdbot定时技能，实现每日日报、定时告警，命令示例：
    • run schedule add --cron “0 9 * * *” --command “run wecom_send content=‘每日早报：今日工作安排’”

（每天9点推送）。

 * *
  1. 多群推送 ：修改脚本支持多Key配置，实现同时推送到多个企微群（文末可留言获取多群脚本）。
  2. 双向对话 ：若为企微管理员，可创建自建应用，用Webhook+事件订阅实现企微消息回调到Clawdbot，支持双向交互。

五、总结

本文通过「安装Clawdbot→创建企微机器人→部署脚本→测试推送」四步，实现了Clawdbot到企微群的单向推送，全程无需复杂开发，命令可直接复制。适合办公场景中的自动化通知、告警、内容分发需求，非技术背景用户也能快速落地。

若需进阶功能（多群推送、定时任务、双向对话），可留言说明需求，后续将针对性补充教程。动手试试，让AI机器人帮你解放双手吧！

第三方的白嫖地址我收集了几个，各位自行取用：
UniVibe：https://www.univibe.cc/console/auth?type=register&invite=MB8LFU
XXAPI： https://api.gemai.cc/register?aff=X1PG
GLM Coding ：https://www.bigmodel.cn/glm-coding?ic=A9HPQXTXSF

Read more

LLaMA-Factory安装教程（详细版）

LLaMA-Factory安装教程（详细版）

本机显卡双3090 使用wsl中ubuntu torch==2.6.0 conda==24.5.0 cuda==12.4 python==3.12.4（python安装不做赘述，有需要我会另开一篇文章） 一、准备工作 首先，在 https://developer.nvidia.com/cuda-gpus 查看您的 GPU 是否支持CUDA。 保证当前 Linux 版本支持CUDA. 在命令行中输入  uname -m && cat /etc/*release 输出如下，不一定完全一样，类似即可 检查是否安装了 gcc . 在命令行中输入 gcc --version

从零到一：无人机航测新手如何用ContextCapture与Pix4D打造完美正射影像

从零到一：无人机航测新手如何用ContextCapture与Pix4D打造完美正射影像 第一次接触无人机航测时，我被那些专业术语和复杂流程搞得晕头转向。直到实际参与了一个小型测绘项目，才真正理解正射影像的价值——它不仅是简单的航拍照片拼接，更是具备精确地理坐标、可测量距离和面积的专业测绘成果。本文将带你避开我踩过的坑，从软件安装到成果输出，手把手教你用ContextCapture和Pix4D这两个行业标杆工具制作高质量正射影像。 1. 航测前的关键准备 在打开软件之前，有三大基础工作直接影响最终成果质量。去年参与某园区测绘时，就曾因忽略这些准备导致整个项目返工。 硬件配置建议： * 处理器：Intel i7/i9或AMD Ryzen 7/9系列（多核性能至关重要） * 内存：32GB起步，大规模项目建议64GB * 显卡：NVIDIA RTX 3060及以上（显存≥8GB） * 存储：NVMe SSD+机械硬盘组合（建议预留500GB以上空间） 飞行规划中常被忽视的细节： # 航高计算示例（地面分辨率GSD=5cm时） def calculate_flight_

UNet上色模型可解释性：cv_unet_image-colorization Grad-CAM热力图分析

UNet上色模型可解释性：cv_unet_image-colorization Grad-CAM热力图分析 1. 项目背景与技术原理 cv_unet_image-colorization 是一个基于UNet架构的深度学习模型，专门用于黑白图像上色任务。该模型通过学习海量的彩色-黑白图像配对数据，掌握了将灰度信息映射到色彩空间的复杂映射关系。 UNet模型采用编码器-解码器结构，编码器负责提取图像的层次化特征，而解码器则通过上采样和跳跃连接逐步恢复空间细节并生成色彩信息。这种架构特别适合图像到图像的转换任务，能够同时保持全局语义一致性和局部细节准确性。 Grad-CAM（Gradient-weighted Class Activation Mapping）是一种可视化技术，可以帮助我们理解模型的决策过程。通过分析模型在生成特定颜色时关注图像中的哪些区域，我们可以更好地理解模型的上色逻辑和决策依据。 2. Grad-CAM原理简介 2.1 基本概念 Grad-CAM通过计算目标类别（在图像上色任务中，可以理解为特定颜色通道）对最终卷积层特征图的梯度，来生成热力图。这些热力