OpenClawGLM-4.7-Flash5步完成飞书机器人接入与自动化触发1. 为什么选择这个组合去年我在整理团队周报时发现每周要重复做三件事收集飞书群里的关键讨论、整理成Markdown格式、手动发布到知识库。这个过程大概要花掉我两小时直到我尝试用OpenClawGLM-4.7-Flash搭建自动化流程。GLM-4.7-Flash是ollama平台上响应速度最快的轻量级模型之一特别适合处理结构化文本。而OpenClaw的飞书插件能直接读取群消息两者结合就像给机器人装上了眼睛和大脑。现在我的周报生成完全自动化只需要在飞书里机器人说整理本周周报10分钟后就能在知识库看到完整文档。2. 环境准备与模型部署2.1 部署GLM-4.7-Flash我选择ollama部署是因为它的模型管理特别简洁。在Ubuntu服务器上只需要执行ollama pull glm-4.7-flash ollama run glm-4.7-flash默认会启动在11434端口。这里有个小技巧如果想长期运行可以用nohupnohup ollama run glm-4.7-flash --port 11434 /dev/null 21 测试模型是否正常工作curl http://localhost:11434/api/generate -d { model: glm-4.7-flash, prompt: 你好 }2.2 OpenClaw基础安装在Mac上我用Homebrew安装比直接curl更可控brew install node22 npm install -g openclawlatest初始化时选择Advanced模式在模型配置环节填入{ baseUrl: http://你的服务器IP:11434, api: openai-completions, models: [{ id: glm-4.7-flash, name: 本地GLM轻量版 }] }3. 飞书机器人深度配置3.1 创建自建应用在飞书开放平台创建应用时有三个关键配置容易出错权限范围需要勾选获取群消息和发送消息IP白名单先用curl ifconfig.me获取服务器公网IP事件订阅必须订阅接收消息事件安装飞书插件时遇到个坑新版本需要用全局模式安装openclaw plugins install m1heng-clawd/feishu --global3.2 配置文件优化默认生成的openclaw.json需要手动添加消息加密配置。我的完整配置如下{ channels: { feishu: { enabled: true, appId: cli_xxxxxx, appSecret: xxxxxx, encryptKey: xxxxxx, verificationToken: xxxxxx, connectionMode: websocket } } }这里有个血泪教训如果verificationToken填错机器人能收到消息但不会响应。建议先用飞书提供的在线调试工具测试凭证是否正确。4. 自动化任务实战4.1 消息触发设计我设计了两级触发机制关键词触发当消息包含周报时唤醒机器人mention触发必须机器人时才执行任务这通过在skill里添加条件判断实现if (message.includes(周报) isMentioned) { await handleWeeklyReport(); }4.2 任务链分解一个完整的周报生成包含爬取最近7天的群消息使用飞书API用GLM做关键信息提取prompt工程见下文生成Markdown并存入指定目录把文件链接回复到群里最关键的prompt设计你是一个专业的信息整理助手。请根据以下聊天记录 1. 按项目进展、问题反馈、决策事项三类归纳 2. 每个条目注明发言人和日期 3. 保留原始发言的关键数据 4. 用emoji区分不同类型4.3 异常处理机制在实际运行中我发现三个常见问题消息截断飞书API默认只返回最近50条消息解决方案递归调用API直到获取足够数据模型超时GLM-4.7-Flash处理长文本可能超时解决方案分段处理每10条消息汇总一次权限变更飞书token每2小时过期解决方案实现token自动刷新逻辑5. 效果验证与调优上线第一周机器人自动生成了3份周报。通过对比人工整理版本我发现信息完整度机器人能100%覆盖所有群消息而人工可能会漏看归类准确率初期只有70%的内容被正确分类通过优化prompt提升到92%时间节省从2小时手动操作降到10分钟自动运行调优过程中最有价值的发现是给GLM-4.7-Flash提供分类示例能显著提升效果。我在prompt里增加了这样的示例好的分类示例 [项目进展] 张三 3月5日: 订单模块开发完成80%✅正确 差的分类示例 订单模块开发完成80%❌缺少类别和关键信息现在这套系统已经稳定运行3个月除了周报外还扩展到了会议纪要整理、待办事项提醒等场景。最大的收获不是节省时间而是终于能确保团队信息不被遗漏——这是纯人工处理很难做到的。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
OpenClaw+GLM-4.7-Flash：5步完成飞书机器人接入与自动化触发
OpenClawGLM-4.7-Flash5步完成飞书机器人接入与自动化触发1. 为什么选择这个组合去年我在整理团队周报时发现每周要重复做三件事收集飞书群里的关键讨论、整理成Markdown格式、手动发布到知识库。这个过程大概要花掉我两小时直到我尝试用OpenClawGLM-4.7-Flash搭建自动化流程。GLM-4.7-Flash是ollama平台上响应速度最快的轻量级模型之一特别适合处理结构化文本。而OpenClaw的飞书插件能直接读取群消息两者结合就像给机器人装上了眼睛和大脑。现在我的周报生成完全自动化只需要在飞书里机器人说整理本周周报10分钟后就能在知识库看到完整文档。2. 环境准备与模型部署2.1 部署GLM-4.7-Flash我选择ollama部署是因为它的模型管理特别简洁。在Ubuntu服务器上只需要执行ollama pull glm-4.7-flash ollama run glm-4.7-flash默认会启动在11434端口。这里有个小技巧如果想长期运行可以用nohupnohup ollama run glm-4.7-flash --port 11434 /dev/null 21 测试模型是否正常工作curl http://localhost:11434/api/generate -d { model: glm-4.7-flash, prompt: 你好 }2.2 OpenClaw基础安装在Mac上我用Homebrew安装比直接curl更可控brew install node22 npm install -g openclawlatest初始化时选择Advanced模式在模型配置环节填入{ baseUrl: http://你的服务器IP:11434, api: openai-completions, models: [{ id: glm-4.7-flash, name: 本地GLM轻量版 }] }3. 飞书机器人深度配置3.1 创建自建应用在飞书开放平台创建应用时有三个关键配置容易出错权限范围需要勾选获取群消息和发送消息IP白名单先用curl ifconfig.me获取服务器公网IP事件订阅必须订阅接收消息事件安装飞书插件时遇到个坑新版本需要用全局模式安装openclaw plugins install m1heng-clawd/feishu --global3.2 配置文件优化默认生成的openclaw.json需要手动添加消息加密配置。我的完整配置如下{ channels: { feishu: { enabled: true, appId: cli_xxxxxx, appSecret: xxxxxx, encryptKey: xxxxxx, verificationToken: xxxxxx, connectionMode: websocket } } }这里有个血泪教训如果verificationToken填错机器人能收到消息但不会响应。建议先用飞书提供的在线调试工具测试凭证是否正确。4. 自动化任务实战4.1 消息触发设计我设计了两级触发机制关键词触发当消息包含周报时唤醒机器人mention触发必须机器人时才执行任务这通过在skill里添加条件判断实现if (message.includes(周报) isMentioned) { await handleWeeklyReport(); }4.2 任务链分解一个完整的周报生成包含爬取最近7天的群消息使用飞书API用GLM做关键信息提取prompt工程见下文生成Markdown并存入指定目录把文件链接回复到群里最关键的prompt设计你是一个专业的信息整理助手。请根据以下聊天记录 1. 按项目进展、问题反馈、决策事项三类归纳 2. 每个条目注明发言人和日期 3. 保留原始发言的关键数据 4. 用emoji区分不同类型4.3 异常处理机制在实际运行中我发现三个常见问题消息截断飞书API默认只返回最近50条消息解决方案递归调用API直到获取足够数据模型超时GLM-4.7-Flash处理长文本可能超时解决方案分段处理每10条消息汇总一次权限变更飞书token每2小时过期解决方案实现token自动刷新逻辑5. 效果验证与调优上线第一周机器人自动生成了3份周报。通过对比人工整理版本我发现信息完整度机器人能100%覆盖所有群消息而人工可能会漏看归类准确率初期只有70%的内容被正确分类通过优化prompt提升到92%时间节省从2小时手动操作降到10分钟自动运行调优过程中最有价值的发现是给GLM-4.7-Flash提供分类示例能显著提升效果。我在prompt里增加了这样的示例好的分类示例 [项目进展] 张三 3月5日: 订单模块开发完成80%✅正确 差的分类示例 订单模块开发完成80%❌缺少类别和关键信息现在这套系统已经稳定运行3个月除了周报外还扩展到了会议纪要整理、待办事项提醒等场景。最大的收获不是节省时间而是终于能确保团队信息不被遗漏——这是纯人工处理很难做到的。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
