飞书机器人与Claude Code交互:从手机指令到AI处理的全自动流程

飞书机器人与Claude Code交互:从手机指令到AI处理的全自动流程

飞书机器人与Claude Code交互:从手机指令到AI处理的全自动流程

一、背景

在日常开发中,我们经常需要快速查询代码问题、生成文档或执行简单的编程任务。如果有一款AI助手能随时响应,就像在电脑终端前一样,那该多方便!本教程将演示如何搭建一个飞书机器人,当你在手机飞书App上发送消息时,该消息会传递给运行在电脑上的Claude Code(一个智能编码助手),Claude Code处理后将结果回复到你的飞书会话中。

通过这个方案,你可以:

  • 在手机上随时向AI提问编程问题。
  • 让AI帮你调试代码、解释概念、生成代码片段。
  • 无需打开电脑终端,即可利用强大的AI编码能力。

二、实现方案概览

整体流程如下:

  1. 飞书机器人接收消息:在飞书创建一个自定义机器人,并配置事件订阅,当用户@机器人或私聊发送消息时,飞书会将消息推送到我们的服务。
  2. 消息处理中间件:我们编写一个Python程序,该程序使用飞书开放平台的SDK接收消息,并将消息内容转发给Claude Code。
  3. Claude Code处理:Claude Code是一个命令行AI助手,我们通过SDK调用它,传入用户的问题,获取回答。
  4. 回复消息:Python程序将Claude Code的回答通过飞书API回复给用户。

所有组件都运行在本地电脑上(或任何可联网的服务器),无需云服务。

三、操作步骤

前置准备

  • 一台可运行Docker的电脑(Linux/Mac/Windows均可)。
  • 一个飞书企业或开发者账号(用于创建应用和机器人)。
  • (可选)本地已部署Ollama或其他兼容OpenAI格式的模型服务;若没有,也可使用Claude官方API(需修改配置)。

第一步:创建并进入Claude Code容器

Claude Code是一个基于Claude的AI编码助手,但官方通常需要通过命令行使用。为了简化环境配置,我们使用Docker容器来运行它。容器内已经预装了Claude Code所需的依赖。

为什么用Docker?
Docker可以隔离环境,避免污染本地系统,同时确保所有依赖版本一致。即使你电脑上没有Python或Node.js环境,也能轻松运行。

执行以下命令:

docker run -it--net=host -v$PWD:/home -w /home \--rm swr.cn-north-4.myhuaweicloud.com/ddn-k8s/docker.io/hi20240217/pub:claude_code /bin/bash 

这条命令做了几件事:

  • -it:以交互模式运行,让你能操作容器内的命令行。
  • --net=host:使用宿主机的网络,方便容器内访问本地服务(如Ollama)。
  • -v $PWD:/home:将当前目录挂载到容器的/home目录,这样容器内可以访问宿主机上的文件(如后续的Python脚本)。
  • -w /home:工作目录设为/home
  • --rm:容器退出后自动删除,避免残留。
  • swr.cn-north-4.myhuaweicloud.com/...:使用的镜像地址,包含了Claude Code及其依赖。

进入容器后,先取消代理设置(如果有):

unset http_proxy unset https_proxy 
配置Claude Code使用本地模型

Claude Code默认使用Anthropic的API,但我们可以通过环境变量让它调用兼容OpenAI格式的本地模型(如Ollama)。假设你在本地8000端口运行了Ollama服务(例如通过ollama serve),并且已有模型如qwen3.5:9b

设置环境变量:

exportANTHROPIC_BASE_URL="http://127.0.0.1:8000"# Ollama兼容OpenAI的地址exportANTHROPIC_AUTH_TOKEN=""# 本地模型不需要认证令牌exportANTHROPIC_API_KEY=""# 同上exportUSE_MODEL="qwen3.5:9b"# 你想使用的模型名称exportANTHROPIC_DEFAULT_SONNET_MODEL=$USE_MODEL# 以下变量全部指向同一模型,简化配置exportANTHROPIC_DEFAULT_OPUS_MODEL=$USE_MODELexportANTHROPIC_DEFAULT_HAIKU_MODEL=$USE_MODELexportANTHROPIC_REASONING_MODEL=$USE_MODELexportANTHROPIC_MODEL=$USE_MODELexportANTHROPIC_SMALL_FAST_MODEL=$USE_MODELexportAPI_TIMEOUT_MS=600000# 超时时间,本地模型可能较慢exportCLAUDE_CODE_DISABLE_NONESSENTIAL_TRAFFIC=1# 禁止非必要流量,确保隐私

这些环境变量告诉Claude Code SDK:所有请求都发往本地的Ollama,使用指定的模型。

测试Claude Code是否正常工作

运行以下命令,让Claude Code回答一个简单问题:

IS_SANDBOX=1 claude --dangerously-skip-permissions -p"你是谁" --output-format text 

如果配置正确,你应该看到类似如下的输出:

我是 Claude agent,由 Anthropic 构建。我是一个交互式智能助手,专注于帮助完成软件工程和编程任务,例如: - 调试代码 - 添加新功能 - 重构代码 - 解释代码 - 解答编程问题 - 辅助开发工作 你今天需要我帮你做什么呢? 

这说明Claude Code已经就绪,可以接受指令了。

第二步:安装Python依赖

我们的消息中间件是用Python编写的,需要安装两个库:

pip3 install claude_agent_sdk --break-system-packages pip3 install lark_oapi --break-system-packages 
  • claude_agent_sdk:这是Claude Code的Python SDK,它封装了与Claude Code交互的细节,让我们可以在Python代码中轻松调用Claude Code并获取回复。
  • lark_oapi:飞书开放平台官方Python SDK,用于接收飞书事件、发送消息等。

参数--break-system-packages是pip的一个选项,允许在系统Python环境中安装包而不触发警告(如果你的系统是较新的Linux发行版)。你也可以使用虚拟环境(venv)来管理依赖。

第三步:获取飞书应用的凭证

要让飞书机器人接收和发送消息,你需要在飞书开发者后台创建一个应用,并获取APP_IDAPP_SECRET

  1. 登录飞书开发者后台,点击“创建应用”->“企业自建应用”,填写应用名称等信息。
  2. 创建完成后,进入应用详情页,在“凭证与基础信息”中可以看到App IDApp Secret
  3. 还需要配置“事件订阅”:
    • 在“事件订阅”页面,开启“接收消息”事件(im.message.receive_v1)。
    • 因为我们是本地运行,无法提供公网HTTPS地址,所以需要使用WebSocket方式接收事件(下文脚本中已实现)。飞书支持通过WebSocket连接接收事件,无需公网地址。
  4. 在“权限管理”中添加机器人需要的权限:im:message(读取和发送消息)和im:message:send_as_bot(以机器人身份发送消息)。记得版本发布并审核。

得到APP_ID和APP_SECRET后,我们在本地创建一个.env文件来保存它们:

cat> .env <<"EOF" APP_ID=<你的APP_ID> APP_SECRET=<你的APP_SECRET> EOF

第四步:编写并运行中间件脚本

现在,我们编写一个Python脚本,它将完成以下任务:

  • 使用飞书SDK通过WebSocket连接到飞书服务器,监听消息事件。
  • 当收到新消息时,将消息内容放入队列,由工作线程处理。
  • 工作线程调用Claude Code处理消息,并通过飞书API回复用户。

<

Read more

FPGA 项目开发完整流程及常用工具梳理(工程向,收藏专用)

FPGA 项目开发完整流程及常用工具梳理(工程向,收藏专用)

很多刚接触 FPGA 的同学,会下意识把注意力放在“语法”“IP”“例程”上。 但真正做过项目之后就会发现: FPGA 工程从来不是“把代码写对”这么简单。 一个 FPGA 项目能不能顺利交付,往往取决于你是否具备完整的工程视角,而不是会不会某几条 always 块。 从需求理解,到代码实现,再到板级调试,FPGA 工程师的工作,本质上是一条不断自证、不断修正的工程闭环。 下面就从工程实践角度,梳理一套FPGA 项目中常见、且真正有用的开发流程与工具。 一、理解需求与系统背景(不是一上来就写代码) FPGA 项目的第一步,永远不是打开 Vivado / Quartus。 而是把下面几件事搞清楚: * 这个 FPGA 在系统中扮演什么角色 * 数据从哪里来,到哪里去 * 上下游是谁(CPU / ADC / PHY / 传感器

基于目标偏置与双向APF-RRT*的无人机动态避障轨迹优化

1. 无人机轨迹规划:为什么传统方法在动态环境里“不够看”? 大家好,我是老张,在无人机和机器人路径规划这个领域摸爬滚打了十几年。今天想和大家聊聊一个非常实际的问题:无人机在复杂、动态的环境里,怎么才能规划出一条既安全又高效的飞行路线? 这听起来像是个科幻电影里的场景,但其实是当下无人机物流、巡检、应急救援等领域必须啃下的硬骨头。 想象一下,你操控一架无人机在布满高楼、树木,甚至还有其他飞行器的城市峡谷里穿梭。传统的路径规划方法,比如经典的 RRT(快速探索随机树) 算法,就像是一个蒙着眼睛的探险家。它会在整个空间里随机“扔飞镖”(采样点),然后尝试把飞镖落点连起来形成路径。这种方法虽然能保证最终找到一条路,但效率实在太低了,规划出的路径往往歪歪扭扭,像喝醉了酒一样,而且对动态障碍物反应迟钝。我在早期项目里没少吃这个亏,无人机要么撞上突然出现的飞鸟,要么规划的路径绕了十万八千里,电量耗尽都飞不到目的地。 后来有了 RRT* 算法,它在RRT的基础上增加了“重布线”和“父节点重选”的优化步骤,能让路径长度逐渐逼近最优,算是很大的进步。但它在面对动态环境时,依然有个核心问题:

LazyLLM 测评 | 低代码颠覆 AI 开发!代码专家智能体进阶模块实战

LazyLLM 测评 | 低代码颠覆 AI 开发!代码专家智能体进阶模块实战

摘要: LazyLLM 是商汤大装置推出的开源低代码框架,作为构建和优化多 Agent 应用的一站式开发框架,覆盖应用搭建、数据准备、模型部署、微调、评测等全流程开发环节,提供丰富的工具支持。其以模块化设计打破传统开发壁垒,通过数据流驱动重构开发逻辑,能让开发者用极简代码实现工业级复杂 AI 应用,摆脱冗余编码束缚,聚焦核心业务场景,降低 AI 应用构建成本并支持持续迭代优化。堪称 AI 开发者的 “效率神器”,其技术普惠理念为 AI 开发领域带来新的实践范式,推动了更高效的开发模式。本文将以Python编程为切入点,带你深入了解LazyLLM框架。 LazyLLM 是构建和优化多 Agent 应用的一站式开发工具,为应用开发过程中的全部环节(包括应用搭建、数据准备、模型部署、模型微调、评测等)提供了大量的工具,协助开发者用极低的成本构建 AI 应用,并可以持续地迭代优化效果。 LazyLLM作为商汤大装置推出的开源低代码框架,简直是AI开发者的“效率神器”

YOLOv8n机器人场景目标检测实战|第一周工作笔记1

核心完成项:基于Conda搭建Ultralytics8.0+PyTorch2.1专属环境,完成COCO2017机器人场景子集筛选(8000张,7000训+1000验),跑通YOLOv8n基础训练(epoch=50),小障碍物mAP≥65%,模型可正常输出推理结果,满足周验收全部目标。 环境说明:全程使用Conda进行包管理与环境隔离,无pip命令使用,规避版本兼容问题;模型选用YOLOv8n(轻量化版本,适配机器人端算力限制),替代原计划YOLOv9n,核心实操逻辑一致。 一、本周核心目标与执行思路 1. 核心目标 1. 掌握YOLO系列核心创新与轻量化模型适配逻辑,聚焦机器人室内小场景(室内小障碍物/桌椅/行人/台阶)检测需求; 2. 搭建稳定可复现的Ultralytics+PyTorch训练环境,规避版本冲突; 3. 筛选并整理符合YOLO格式的机器人场景自定义数据集,完成基础标注与训练集/验证集划分; 4. 跑通YOLOv8n基础训练流程,验证数据集与模型兼容性,获取基础精度、参数量、