OpenClaw 飞书机器人搭建流程

OpenClaw 飞书机器人搭建流程

OpenClaw 飞书机器人搭建流程

手把手教你搭建属于自己的飞书 AI 机器人!


一、创建企业自建应用

首先进入飞书开发者后台:

👉 https://open.feishu.cn/app

填写应用名称和描述,直接点击创建即可。

创建完成后,会自动生成 App IDApp Secret,这两个凭证后面配置 OpenClaw 时会用到,先记下来。


二、添加机器人能力

在应用详情页左侧菜单找到「机器人」,点击添加。

添加成功后,机器人就可以在飞书中被搜索和使用了。


三、开通消息权限

进入「权限管理」,找到 im: 相关权限,全部勾选。

⚠️ 注意:以下这个权限建议不要勾选

获取群组中所有消息(im:message.group_msg)

否则群里所有消息机器人都会收到并响应,会造成不必要的干扰。我们只需要机器人在被 @ 的时候响应即可。

四、发布应用 & 事件配置

4.1 创建版本并发布


五、配置 OpenClaw

接下来让 OpenClaw 帮你完成配置!

5.1 选择合适的模型

根据你的需求,为机器人选择一个合适的 AI 模型:

5.2 提供凭证信息

把之前创建应用时获得的 App IDApp Secret 发给 OpenClaw,它会自动帮你写入配置文件并重启网关。


六、配置飞书事件订阅

网关重启后,回到飞书开发者后台配置事件订阅。

6.1 选择长连接方式

6.2 添加事件订阅

配置好长连接后,添加以下事件:


七、升级版本并发布

发布新版本后,飞书的「开发者小助手」会收到通知消息。


八、开始对话!

打开飞书,搜索你创建的机器人,直接开始对话吧!


🎉 搭建完成!

恭喜你,一个专属的飞书 AI 机器人就搭建好了!

Read more

AI实践(3)Token与上下文窗口

AI实践(3)Token与上下文窗口

AI实践(3)Token与上下文窗口 Author: Once Day Date: 2026年3月2日 一位热衷于Linux学习和开发的菜鸟,试图谱写一场冒险之旅,也许终点只是一场白日梦… 漫漫长路,有人对你微笑过嘛… 全系列文章可参考专栏: AI实践成长_Once-Day的博客-ZEEKLOG博客 参考文章:Documentation - Claude API DocsOpenAI for developersPrompt Engineering GuidePrompt Engineering Guide: The Ultimate Guide to Generative AICompaction | OpenAI APIContext windows - Claude API DocsEffective context engineering for AI agents \ Anthropic大模型入门必知:一文搞懂Token概念,看完这篇终于懂了! -

AI实践(7)工具函数调用

AI实践(7)工具函数调用

AI实践(8)工具函数调用 Author: Once Day Date: 2026年3月2日 一位热衷于Linux学习和开发的菜鸟,试图谱写一场冒险之旅,也许终点只是一场白日梦… 漫漫长路,有人对你微笑过嘛… 全系列文章可参考专栏: AI实践成长_Once-Day的博客-ZEEKLOG博客 参考文章:Prompt Engineering Guide提示词技巧 – Claude 中文 - Claude AI 开发技术社区Prompting strategies for financial analysis | ClaudeDocumentation - Claude API DocsOpenAI for developers在LLM中调用函数 | Prompt Engineering GuideAI大模型Function Call技术教程:从入门到精通-ZEEKLOG博客详解 OpenAI 函数调用(Function Calling):让模型具备数据获取与行动能力 - 大A就是我 -

AI + 鸿蒙游戏,会不会是下一个爆点?

AI + 鸿蒙游戏,会不会是下一个爆点?

子玥酱(掘金 / 知乎 / ZEEKLOG / 简书 同名) 大家好,我是子玥酱,一名长期深耕在一线的前端程序媛 👩‍💻。曾就职于多家知名互联网大厂,目前在某国企负责前端软件研发相关工作,主要聚焦于业务型系统的工程化建设与长期维护。 我持续输出和沉淀前端领域的实战经验,日常关注并分享的技术方向包括前端工程化、小程序、React / RN、Flutter、跨端方案, 在复杂业务落地、组件抽象、性能优化以及多端协作方面积累了大量真实项目经验。 技术方向:前端 / 跨端 / 小程序 / 移动端工程化 内容平台:掘金、知乎、ZEEKLOG、简书 创作特点:实战导向、源码拆解、少空谈多落地 文章状态:长期稳定更新,大量原创输出 我的内容主要围绕 前端技术实战、真实业务踩坑总结、框架与方案选型思考、行业趋势解读 展开。文章不会停留在“API 怎么用”,而是更关注为什么这么设计、在什么场景下容易踩坑、

人工智能:深度学习模型的优化策略与实战调参

人工智能:深度学习模型的优化策略与实战调参

人工智能:深度学习模型的优化策略与实战调参 💡 学习目标:掌握深度学习模型的核心优化方法,理解调参的底层逻辑,能够独立完成模型从欠拟合到高性能的调优过程。 💡 学习重点:正则化技术的应用、优化器的选择与参数调整、批量大小与学习率的匹配策略。 48.1 模型优化的核心目标与常见问题 在深度学习项目中,我们训练的模型往往会出现欠拟合或过拟合两种问题。优化的核心目标就是让模型在训练集和测试集上都能达到理想的性能,实现泛化能力的最大化。 ⚠️ 注意:模型优化不是一次性操作,而是一个“诊断-调整-验证”的循环过程,需要结合数据特性和任务需求逐步迭代。 48.1.1 欠拟合的识别与特征 欠拟合是指模型无法捕捉数据中的潜在规律,表现为训练集和测试集的准确率都偏低。 出现欠拟合的常见原因有以下3点: 1. 模型结构过于简单,无法拟合复杂的数据分布。 2. 训练数据量不足,或者数据特征维度太低。 3. 训练轮次不够,模型还未充分学习到数据的特征。 48.1.2 过拟合的识别与特征 过拟合是指模型在训练集上表现极好,但在测试集上性能大幅下降。 出现过拟合的常见原因有以下3点: