OpenClaw配置Bot接入飞书机器人+Kimi2.5

优质文章学习记录

— 5 min read
OpenClaw配置Bot接入飞书机器人+Kimi2.5

上一篇文章写了Ubuntu_24.04下安装OpenClaw的过程，这篇文档记录一下接入飞书机器+Kimi2.5。

准备工作

飞书

创建飞书机器人

访问飞书开放平台：https://open.feishu.cn/app，点击创建应用：

填写应用名称和描述后就直接创建：

复制App ID 和 App Secret

创建成功后，在“凭证与基础信息”中找到 App ID 和 App Secret，把这2个信息复制记录下来，后面需要配置到openclaw中

配置权限

点击【权限管理】→【开通权限】

或使用【批量导入/导出权限】，选择导入，输入以下内容，如下图

点击【下一步，确认新增权限】即可开通所需要的权限。

配置事件与回调

说明：这一步的配置需要先讲AppId和AppSecret配置到openclaw成功之后再设置订阅方式，要不然会提示一个错误。

订阅方式选择【使用长连接接收事件】

配置成功后如下图

添加事件，点击【添加事件】

至少需要开通以下权限

配置成功后如下图

回调配置（可选），如果配置的话，也选择【使用长连接接收事件】

配置完成后需要进行发布，有2种方式：

方式1：创建版本

方式2

创建版本

发布成功后，状态显示：当前修改均已发布

说明：

（1）只有机器人的状态为已发布，openclaw才能识别

（2）有任何修改和配置的修改，都需要创建新的版本进行发布；

申请Kimi Code的AppKey

（1）访问https://www.kimi.com/code

（2）登录后，购买套餐 plan，目前 OpenClaw 消耗 token 还挺大的，最好买个套餐划算一些，我买的是 Moderato 套餐。

（3）点击【控制台】→【新建API key】

名字随便起

这个API key一定要复制下来，因为你点完【完成】之后，你就再也无法查看你的API key了，如果你忘记了你的API key，那就只能重新创建一个了。复制完后，找地方先保存起来，后续在OpenClaw配置的时候会用到。

下面的使用记录能看到你最近的使用记录。

openclaw配置

在安装了openclaw的服务器上输入

openclaw onboard

选择Yes

选择QuickStart

因为前面配置过，所以提示是否用原来的配置信息，可以使用Reset进行重置

选择：Moonshot AI（Kimi K2.5）

下一步就是输入Kimi控制台申请的API key

其他的配置还是按以前的配置就可以，具体可以参考前一篇blog内容。

飞书的插件是要进行安装的，现在openclaw的配置界面里面也支持了飞书，我通过openclaw的配置安装了几次，并没有成功，提示缺少包或插件重复

openclaw正常安装之后，我在想是不是可以让它来帮我解决这个问题，尝试了一下，我告诉它飞书插件一直安装不成功，让它进行修复，修复完成后给飞书机器人发信息会有回应。

看到飞书机器人的回复，飞书的配置就算是成功了，你可以直接给飞书机器人发信息，告诉它你的需求，它收到你的问题后会回复一个表情确认收到，如果没有收到的话可能就要看它是不是还在线了。

Read more

开发者实操手册：Qwen3-Embedding-4B + llama.cpp部署教程

开发者实操手册：Qwen3-Embedding-4B + llama.cpp部署教程 1. 引言 随着大模型在语义理解、信息检索和知识管理等场景的广泛应用，高质量的文本向量化能力成为构建智能系统的核心基础。通义千问团队于2025年8月开源了 Qwen3-Embedding-4B ——一款专为高效文本嵌入设计的中等规模双塔模型。该模型以4B参数量实现了对32k长文本的支持，输出2560维高精度向量，并在MTEB多项基准测试中超越同尺寸模型。 本文将围绕 Qwen3-Embedding-4B 的本地化部署实践展开，重点介绍如何结合 llama.cpp 和 vLLM + Open WebUI 构建一个可交互、高性能的知识库服务系统。无论你是想在消费级显卡（如RTX 3060）上运行语义搜索，还是希望搭建支持多语言、长文档的企业级知识引擎，本教程都能提供完整可落地的技术路径。 2. Qwen3-Embedding-4B 模型特性解析 2.1 核心架构与技术亮点 Qwen3-Embedding-4B 是阿里云 Qwen3 系列中专注于「文本向量化」任务的专用模型，采用标准的 De

论文AI率太高？八个方法教你30分钟降低AIGC，90%到2.4%亲测有效！

现在写论文的人越来越多，一写就会出现AI率过高的问题，特别是在研究生论文中，使用AI辅助写作已经非常普遍了，但是只要查重一下就会“凉了”，导师直接打回去说AI味太浓，没有自己的想法。 去年我自己也犯过同样的错误，初稿的时候AI率是66%，查重35%，导师说我全是机器的味道，那时候真的很难受。 经过一周的努力之后，一边手动修改一边测试各种工具，最后将AI率从90%以上降到了2.4%，顺利提交并通过了。 今天就来分享一下效果比较好的8个实用方法，在三十分钟内就可以把AI率降低到可以接受的程度，不管是论文、报告还是文案都可以轻松摆脱AI腔。 降AI率的核心是什么？ 降AI不是简单的换词，而是去除机器的痕迹，保留主要信息。 很多人以为降低AI率就是用同义词替换，但是结果反而变得很奇怪，专业性也不强了。 其实是在打破AI所固有的模式：固定的句式、过于严谨的逻辑、表达含糊不清没有实质内容。 不用这些套路的话，AI率就会下降，学术上的严谨性也不会受到影响。 方法一：变换语态，长短句交替使用 AI经常使用被动语态以及较长的句子，如“实验数据经过分析后得到的结果”，显得很机械。短

VSCode AI Copilot 智能补全失效？（错误修正终极手册）

第一章：VSCode AI Copilot 智能补全失效？（错误修正终极手册） 检查网络连接与认证状态 AI Copilot 依赖稳定的网络连接以访问云端模型服务。若补全功能无响应，首先确认是否已登录 GitHub 账户并正确授权。 * 打开 VSCode 命令面板（Ctrl+Shift+P） * 输入并执行 Copilot: Sign in to GitHub * 在浏览器中完成授权后返回编辑器查看状态栏 状态栏应显示“Copilot 已启用”，否则可能因令牌过期导致服务中断。 验证扩展安装与版本兼容性 确保安装的是官方 GitHub Copilot 扩展而非第三方插件。 # 在终端中检查已安装扩展 code --list-extensions | grep -i copilot # 正确输出应包含： # GitHub.copilot # GitHub.copilot-chat (可选) 若缺失，通过扩展市场重新安装或使用命令行：
LLaMA-Factory 大模型微调平台

LLaMA-Factory 大模型微调平台

目录 文章目录 * 目录 * LLaMA-Factory * LLaMA-Factory + Qwen3-7B + LoRA * 安装部署 * 准备数据集 * 执行微调 * 批量推理和训练效果评估 * LoRA 模型合并导出 * 部署运行微调后的大模型 LLaMA-Factory Llama-Factory 是基于 transformers 库开发的训练、微调、推理一体化平台，支持预训练、指令监督微调、奖励模型训练、PPO 训练、DPO 训练、KTO 训练、ORPO 训练等多种训练范式。支持使用 Accelerate 或 DeepSpeed 作为训练加速后端。 使用 Llama-Factory 进行微调非常简单，因为其最大的优势在于强大的数据处理与训练配置能力。只要按照官方的文档配置好环境，直接运行对应的脚本即可。 LLaMA-Factory + Qwen3-7B + LoRA 安装部署 * 容器安装 git clone