在ESP32-S3部署mimiclaw,基于deepseek并用飞书机器人开展对话-feishu

在ESP32-S3部署mimiclaw,基于deepseek并用飞书机器人开展对话-feishu

最近mimiclaw火爆,其开发团队也在密集更新,我看3天前已经可以用“飞书机器人”对话交互了。

目前网络上能查到的部署资料相对滞后,现在将飞书机器人的部署整理如下:

1. 前提

已经安装好ESP-IDF,并支持vscode编译esp32固件。

2. api-key准备

  • 注册deepseek,
  • 创建APIkey,
  • 并充值,新注册的用户余额为零,无法使用

3. 飞书机器人

我是在飞书个人版中,创建的机器人。

  1. 访问飞书开放平台,单击创建企业自建应用,填写应用名称和描述,选择应用图标,单击创建
  2. 左侧导航栏单击凭证与基础信息 页面,复制App ID(格式如 cli_xxx)和App Secret
  3. 配置事件订阅。
    1. 在飞书开放平台左侧导航栏单击事件与回调,在事件配置页签中单击订阅方式,选择使用 长连接 接收事件,单击保存
    2. 在事件配置页面,单击添加事件,搜索事件im.message.receive_v1(接收消息),单击确认添加

左侧导航栏中单击添加应用能力, 选择按能力添加页签,找到机器人卡片,单击配置

4. 启用网页搜索 api key

官方推荐使用Tavily API key,其官网: Tavily API 平台  https://app.tavily.com/home,

注册成功后,主页即有默认的APIkey。

5. 下载固件

github地址:memovai/mimiclaw: MimiClaw: Run OpenClaw on a $5 chip. No OS(Linux). No Node.js. No Mac mini. No Raspberry Pi. No VPS. Hardware agents OS.https://github.com/memovai/mimiclaw

下载固件后直接用vscode打开,打开main目录下的mimi_config.h文件

#ifndef MIMI_SECRET_WIFI_SSID #define MIMI_SECRET_WIFI_SSID "your wifi ssid" #endif #ifndef MIMI_SECRET_WIFI_PASS #define MIMI_SECRET_WIFI_PASS "your wifi password" #endif #ifndef MIMI_SECRET_TG_TOKEN #define MIMI_SECRET_TG_TOKEN "" #endif #ifndef MIMI_SECRET_API_KEY #define MIMI_SECRET_API_KEY "sk-bdb85222222222222222" //deep-seek的api-key #endif #ifndef MIMI_SECRET_MODEL #define MIMI_SECRET_MODEL "deepseek-chat" #endif #ifndef MIMI_SECRET_MODEL_PROVIDER #define MIMI_SECRET_MODEL_PROVIDER "openai" #endif #ifndef MIMI_SECRET_FEISHU_APP_ID #define MIMI_SECRET_FEISHU_APP_ID "cli_a92038b7" //飞书机器人的app-id #endif #ifndef MIMI_SECRET_FEISHU_APP_SECRET #define MIMI_SECRET_FEISHU_APP_SECRET "Md0gW97OP76" //飞书机器人的app-secret #endif #ifndef MIMI_SECRET_SEARCH_KEY #define MIMI_SECRET_SEARCH_KEY "tvly-dev-2jdvwG-am" //启用网页搜索,Tavily API key #endif //定义deep-seek的api请求地址 #define MIMI_OPENAI_API_URL "https://api.deepseek.com/v1/chat/completions" 

6. 烧录固件

先清除配置,再编译,再烧录。

7. 飞书机器人对话

8.参考资料

ESP32-S3 部署 MimicLaw 完整教程:从零到成功调用 DeepSeek-ZEEKLOG博客

mimiclaw GitHub主页说明资料:

mimiclaw/README_CN.md at main · memovai/mimiclaw

mimiclaw/main/channels/feishu/README.md at main · memovai/mimiclaw

Read more

探秘:从零解析一块无资料FPGA核心板的逆向工程

1. 缘起:一块神秘的“黑盒子”板卡 最近天气热得让人提不起劲,手头几本讲阵列信号处理和统计信号的大部头书,翻了几页就丢在一边吃灰了。百无聊赖刷手机时,在某二手平台上看到一块拆机的FPGA核心板,价格相当诱人。卖家描述很简单,就说是从旧设备上拆下来的,没有任何资料——没有原理图,没有管脚定义,甚至连芯片型号都只给了一个模糊的“可能是Cyclone IV”。这种“三无”板子对大多数人来说就是块废料,但对我这种喜欢折腾硬件、享受“破译”过程的人来说,却充满了吸引力。跟卖家简单确认了板子成色和来源,没多犹豫就下单了。 板子到手后,看着这块巴掌大小、布满了密密麻麻元件和过孔的绿色板卡,我仿佛拿到了一块需要解密的“黑盒子”。它的价值不在于它本身,而在于我们能否将它从“未知”变为“已知”。这就是硬件逆向工程的魅力所在:在没有任何官方文档支持的情况下,仅凭观察、测量和逻辑推理,让一块沉默的板卡重新“开口说话”,告诉你它的所有秘密。这个过程就像侦探破案,每一个焊点、每一条走线、每一个器件都是线索。

格拉姆角场(Gramian Angular Field, GAF)详解

格拉姆角场(Gramian Angular Field, GAF)详解

格拉姆角场(Gramian Angular Field, GAF)是一种于2015年被提出的时间序列可视化与特征编码技术。其核心思想是将一维时间序列转换为二维图像,并在此过程中保留原始序列的时间依赖关系与数值特征。目前,GAF已在故障诊断、生物电信号分析、射频信号识别等多个领域得到广泛应用。 GAF的实质是借助极坐标变换与格拉姆矩阵的结构,将一维序列中的“时间–数值”映射为图像中的像素关联信息。生成的图像矩阵的行列索引直接对应时间顺序,使其能够兼容主流图像识别模型(如CNN),从而挖掘出时间序列中的深层特征。 一、GAF 的核心设计逻辑 传统的一维时间序列包含两类基本信息:数值大小(如振幅)和时间顺序(如信号随时间的变化趋势)。折线图等常规方法虽能展示趋势,却难以显式表达不同时刻之间的数值关联。GAF 通过以下三步逻辑实现信息的结构化编码: 1. 数值归一化:将原始序列缩放至[-1, 1]区间,消除量纲与异常值影响,为极坐标变换提供基础; 2. 极坐标转换:将时间索引映射为半径,数值大小映射为角度,建立 时间-数值 在极坐标系统中的对应关系; 3. 格拉姆矩阵构建:

什么是 PX4?无人机开发的第一步

什么是 PX4?无人机开发的第一步

本文是《从零开始学 PX4:无人机开发全流程实战》系列第一篇,带你迈出无人机飞控开发的第一步。适合零基础、有嵌入式/C++背景的开发者。 ✈️ 一、PX4 是什么? PX4 是一套开源的飞控系统(Flight Control System),适用于多种类型的无人机与机器人。它不仅仅是一个固件,而是一个完整的无人系统开发生态,包括飞控软件、仿真平台、通信协议、地面站和开发工具链。 📌 PX4 的组成: * ✅ PX4-Autopilot:飞控固件主仓库(C++ 开发) * ✅ QGroundControl:图形化地面站,便于调参与监控 * ✅ MAVLink:轻量级通信协议 * ✅ Gazebo / jMAVSim:仿真模拟器 * ✅ MAVSDK / MAVROS:无人机接口(支持 Python / C++ / ROS) 顶层软件架构 下面的架构图对 PX4 的各个积木模块以及各模块之间的联系进行了一个详细的概述。

无人机植物病害目标检测数据集(1500 张图片已划分、已标注)| AI训练适用于目标检测任务

无人机植物病害目标检测数据集(1500 张图片已划分、已标注)| AI训练适用于目标检测任务

无人机植物病害目标检测数据集(1500 张图片已划分、已标注)| AI训练适用于目标检测任务 引言 随着人工智能技术的快速发展,计算机视觉在农业领域的应用越来越广泛。尤其是在精准农业和智慧农业的发展背景下,通过自动化技术对农作物进行实时监测和病害识别,已经成为现代农业管理的重要方向。传统的农业巡检主要依赖人工观察,这种方式不仅效率较低,而且在大面积农田环境中难以做到持续、全面、精准的监测。 近年来,无人机遥感技术与深度学习算法的结合,为农业智能监测提供了全新的解决方案。无人机可以在短时间内对大范围农田进行低空巡检,获取高分辨率农田图像,而基于目标检测模型的视觉算法则能够自动识别作物健康状况、病害区域以及异常生长情况。 为了支持相关算法研究与工程应用,本文整理并发布 无人机植物病害目标检测数据集(1500+张图像)。该数据集面向 农业病害识别、作物健康状态评估以及无人机巡检算法训练 等任务构建,适用于 YOLO、Faster R-CNN、SSD 等主流目标检测模型训练。 本文将对该数据集进行详细介绍,包括数据来源、数据结构、标注方式、适用任务以及在智慧农业中的应用价值。