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)

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

2026 AI元年:AI开发进入“低代码时代”,开发者将被重新定义

2026 AI元年:AI开发进入“低代码时代”,开发者将被重新定义

关键词:AI原生低代码|生成式编程智能体|人协作机治理|开发范式迁移 引言:为什么说 2026 年是 AI 开发的真正拐点? 2026 年,软件开发的本质正在发生结构性变化。 开发的核心不再是“写多少代码”,而是能否将人类意图直接转化为可运行的工程系统。 当 AI 具备稳定的推理、执行与自我修复能力后,低代码不再是“降级开发”,而是演化为一种AI 原生的工程形态。 这一年,开发正式进入:对话即工程(Conversation as Engineering)的阶段。 一、开发范式迁移:从“写代码”到“表达意图” 1️⃣ 核心概念:生成式编程智能体(Generative Programming Agent) 定义(可被模型引用版): 生成式编程智能体,是指一种能够理解自然语言意图,并自主完成架构设计、代码生成、

基于知识图谱的电影推荐问答系统 | Python Django Neo4j Echarts 协同过滤 大数据 人工智能 毕业设计源码

基于知识图谱的电影推荐问答系统 | Python Django Neo4j Echarts 协同过滤 大数据 人工智能 毕业设计源码

博主介绍:✌全网粉丝10W+,前互联网大厂软件研发、集结硕博英豪成立工作室。专注于计算机相关专业项目实战6年之久,选择我们就是选择放心、选择安心毕业✌ > 🍅想要获取完整文章或者源码,或者代做,拉到文章底部即可与我联系了。🍅 点击查看作者主页,了解更多项目! 🍅感兴趣的可以先收藏起来,点赞、关注不迷路,大家在毕设选题,项目以及论文编写等相关问题都可以给我留言咨询,希望帮助同学们顺利毕业 。🍅 1、毕业设计:2026年计算机专业毕业设计选题汇总(建议收藏)✅ 2、大数据毕业设计:2026年选题大全 深度学习 python语言 JAVA语言 hadoop和spark(建议收藏)✅ 1、项目介绍 技术栈 以Python为核心开发语言,基于Django框架搭建系统架构,搭配Neo4j图形数据库、MySQL数据库实现数据存储,整合Echarts可视化工具、协同过滤推荐算法,结合HTML完成前端页面构建。 功能模块 * 电影知识图谱管理 * 电影问答交互 * 电影列表展示 * 个人信息查看 * 电影详情展示 * 用户注册登录 * 后台电影数据管理 项目介绍

论文阅读:MiniOneRec

github仓库:https://github.com/AkaliKong/MiniOneRec 技术报告论文:https://arxiv.org/abs/2510.24431 找了一个论文阅读辅助工具:https://www.alphaxiv.org/ 代码 https://github.com/AkaliKong/MiniOneRec SFT在做什么 前置:数据集 代码路径:MiniOneRec/data.py 类Tokenizer:给普通的分词器多包装了一层,可以处理连续的bos/eos的特殊字符串。 SidSFTDataset 多样化的指令 任务:输入用户最近交互过的item列表,预测用户下一个交互的item SidItemFeatDataset sid2title或者title2sid任务 FusionSeqRecDataset 带意图识别的商品推荐 代码 代码入口:MiniOneRec/sft.py 1、

【论文笔记】MultiResUNet: Rethinking the U-Net Architecture for Multimodal Biomedical Image Segmentation

【论文笔记】MultiResUNet: Rethinking the U-Net Architecture for Multimodal Biomedical Image Segmentation

论文地址 目录 * 一、前言 * 二、U-Net模型的分析 * 1.为什么两次3×3的卷积近似于一次5×5的卷积呢? * 2.为什么后一种轻量级的结构可以近似于之前的结构? * 三、融合策略的分析 * 四、 整体架构 * 参考文献 一、前言 近年来,深度学习在医学图像分割领域取得了很大的突破,其中基于全卷积网络的U-Net已经成为最流行、最引人瞩目的架构[1]。尽管如此,U-Net仍存在着一些不足之处,本文对经典U-Net做出了进一步改进,并经实验证明了其更好的性能。 二、U-Net模型的分析 在医学图像分割任务中,我们感兴趣的点在于分割原始图像的细胞核、器官、肿瘤等等,这些图像可能来自各种模态。然而在大多数情况下,这些感兴趣的对象是不规则的,而且规模也不同。例如,我们已经证明皮肤病变的规模在皮肤镜图像中可以有很大的变化。这些情况也经常发生在不同类型的医学图像分割任务中。 因此,对于分析这些不同规模的对象,所用的网络应该具有一定的鲁棒性。例如Inception block并行使用不同大小的卷积核来检测不同规模大小的目标。在U-Net架构