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

Xilinx FPGA | 管脚约束 / 时序约束 / 问题解析

Xilinx FPGA | 管脚约束 / 时序约束 / 问题解析

注:本文为 “Xilinx FPGA | 管脚约束 / 时序约束 / 问题解析” 相关合辑。 略作重排,未整理去重。 如有内容异常,请看原文。 Xilinx FPGA 管脚 XDC 约束之:物理约束 FPGA技术实战 于 2020-02-04 17:14:53 发布 说明:本文简单介绍 Xilinx FPGA 管脚物理约束,包括位置(管脚)约束和电气约束。 1. 普通 I/O 约束 管脚位置约束:set_property PACKAGE_PIN "管脚编号" [get_ports "端口名称&

Whisper-large-v3常见问题全解,语音识别避坑指南

Whisper-large-v3常见问题全解,语音识别避坑指南 语音识别不是“上传音频→点一下→出文字”这么简单的事。尤其当你第一次用 Whisper-large-v3,满怀期待地拖进一段会议录音,结果等了两分钟只返回一句“无法识别”,或者中文识别错成日文、带口音的方言直接失语、GPU显存爆满报错OOM……这些都不是模型不行,而是你还没踩过它最常设的那些“坑”。 这篇指南不讲论文、不堆参数,只聚焦一个目标:让你今天下午就能稳稳跑通 Whisper-large-v3,识别准、速度快、不报错、少折腾。内容全部来自真实部署环境(RTX 4090 D + Ubuntu 24.04)下的反复验证,覆盖从启动失败、语言误判、音频异常到性能卡顿等 12 类高频问题,每一条都配可复现的操作步骤和一句话原因解释。 1. 启动就失败?先查这三件事 很多用户反馈“python3 app.py 运行报错退出”,根本没看到

终极指南:5步掌握llama.cpp量化技术,让大模型内存占用直降70%

终极指南:5步掌握llama.cpp量化技术,让大模型内存占用直降70% 【免费下载链接】llama.cppPort of Facebook's LLaMA model in C/C++ 项目地址: https://gitcode.com/GitHub_Trending/ll/llama.cpp 还在为大模型推理时内存爆满而苦恼吗?作为C/C++实现的LLaMA模型移植项目,llama.cpp通过创新的量化(Quantization)技术,将模型参数量化为低精度格式,在保持推理质量的同时大幅降低内存需求。本文将为你揭秘量化技术的核心原理、实战配置和性能优化技巧,帮你轻松在消费级硬件上运行千亿参数模型。 量化技术:大模型部署的破局利器 传统FP32精度模型在推理时需要消耗大量内存,以70亿参数模型为例,仅权重就需要占用约28GB显存。量化技术通过将模型参数从32位浮点数压缩为4位、8位整数,就像把高清视频转为标清——虽然细节略有损失,但核心内容依然清晰可用。 llama.cpp的量化方案通过精度分级+

解密Copilot:如何打造高效的AI原生应用

解密Copilot:如何打造高效的AI原生应用 一、引言:从“工具使用者”到“AI合作者”的革命 钩子:你经历过这些“开发至暗时刻”吗? 凌晨3点,你盯着屏幕上的Cannot read properties of undefined错误,第10次检查接口返回的数据结构——明明昨天还能跑通; 写一个分页组件,你翻了3次Ant Design文档,却还是记不住Pagination组件的showTotal属性怎么用; 改祖传代码时,你花了1小时理解上一任开发者的“天才逻辑”,最后发现只是少写了一个await; 这些场景,每一个开发者都不陌生。我们总在“找工具”“记语法”“修低级错误”上浪费大量时间,而真正创造价值的“逻辑设计”“创意实现”却被挤压到了碎片时间。 直到2021年GitHub Copilot发布,一切开始改变: * 当你输入// 写一个React的登录表单,它自动生成带表单验证、状态管理的完整组件; * 当你写const users = await