打造智能钉钉机器人：借助智谱GLM-4-Flash实现高效智能回复（文末附源码）

慢热型网友.2025-03-11 20:02

文章目录

  • 前言
  • 一、准备工作
    • （一）钉钉机器人
    • （二）智谱 GLM-4-Flash
    • （三）内网穿透工具 cpolar
    • （四）需要准备的工具和环境
  • 二、钉钉机器人的创建与配置
      • 步骤1：创建钉钉机器人
      • 步骤2：将机器人加入群聊
      • 步骤3：配置服务器相关信息
  • 三、开发环境准备
    • （一） 本地开发环境搭建
      • 步骤1：创建 Python环境
      • 步骤2：安装必要的依赖库
    • （二） 获取 API 密钥
  • 四、消息接收与处理
    • （一）接收钉钉消息
    • （二）解析消息内容
    • （三）验证消息合法性
  • 五、调用大模型生成答案
    • （一）处理用户指令
    • （二）发送回复消息
  • 六、运行与测试
    • （一）本地运行
        • 艾特机器人并发送"地震播报"
        • 艾特机器人并发送"北京天气"
        • 艾特机器人并询问问题
  • 总结
  • 附录

前言

在当今数字化办公的时代，钉钉作为一款广泛使用的办公协作工具，其机器人功能为企业和团队带来了诸多便利。通过创建自定义钉钉机器人，我们可以实现自动化消息推送、智能问答等功能，极大地提高工作效率。而智谱 GLM-4-Flash 作为一款强大的语言模型，能够生成高质量的文本内容，为我们的机器人赋予更智能的回复能力。本文将详细介绍如何从零开始打造一个智能钉钉机器人，实现调用智谱 API 来生成智能回复的全过程。

一、准备工作

在开始打造智能钉钉机器人之前，我们需要对一些基础知识有所了解，并准备好必要的工具和环境。

（一）钉钉机器人

钉钉机器人是一种可以自动接收和处理钉钉群消息的工具，它通过 webhook 接口与钉钉进行通信。机器人可以被添加到钉钉群聊中，当群成员艾特机器人时，机器人会接收到消息并根据预设的逻辑进行处理和回复。钉钉机器人广泛应用于自动化办公、信息推送、智能问答等场景，能够帮助企业提高工作效率和协作体验。

（二）智谱 GLM-4-Flash

GLM-4-Flash，智谱AI发布的矩阵模型。它能够生成高质量的文本内容，适用于多种自然语言处理任务，如文本生成、问答系统、文本摘要等。通过调用智谱 GLM-4-Flash 的 API 接口，我们可以将用户的输入传递给模型，并获取模型生成的回答内容，从而实现智能回复功能。

（三）内网穿透工具 cpolar

内网穿透是一种技术，它允许外部网络访问内网中的服务。在本地开发环境中，我们通常处于内网，无法直接被钉钉服务器访问。因此，我们需要使用内网穿透工具 cpolar 来创建一个隧道，将本地端口映射到公网，使得钉钉服务器可以通过公网地址访问到本地运行的服务。

（四）需要准备的工具和环境

在开始开发之前，我们需要准备以下工具和环境：

  • 钉钉开发者账号：注册钉钉开发者账号，用于创建机器人和获取 webhook token。
  • 智谱 GLM-4-Flash 账号：注册智谱平台账号，创建项目并获取 API 密钥。
  • 内网穿透工具 cpolar：下载并安装 cpolar 客户端，用于本地开发环境的内网穿透。
  • 天气 API 账号（可选）：如果需要实现天气查询功能，可以注册天气 API 服务，获取用户 ID 和密钥。
  • Python 开发环境：安装 Python 环境（推荐 Python 3.8+），并安装必要的 Python 库。

二、钉钉机器人的创建与配置

注意：需要在有开发者权限的组织才可以进行下面步骤，若发现自己没有开发者权限请联系管理员或自行创建组织测试，本博客选择后者

步骤1：创建钉钉机器人

  1. 登录钉钉开发者后台：https://developers.dingtalk.com/。
  2. 在开发者后台的导航栏中找到"机器人"选项，点击进入机器人管理页面。
  3. 点击"创建应用"按钮，选择"自定义机器人"。
  4. 填写机器人名称（如"智能助手"）、描述（如"基于智谱 GLM-4-Flash 的智能回复机器人"）等基本信息。

步骤2：将机器人加入群聊

  1. 打开钉钉应用，进入你希望添加机器人的群聊。
  2. 点击群设置，找到"机器人"选项。
  3. 点击"添加机器人"，选择刚才创建的机器人。
  4. 确认添加后，机器人将自动加入群聊。

完成创建后，会生成一个 webhook access_token，这是后续开发中与钉钉进行通信的关键凭证，务必妥善保存。

步骤3：配置服务器相关信息

  1. 访问 cpolar 官方网站（https://cpolar.com/），根据自己的操作系统下载并安装 cpolar 客户端。
  2. 打开 cpolar 客户端，登录账号。创建一个隧道，将本地端口（如 8080）映射到公网。
  3. 记录下 cpolar 提供的公网地址（如 http://your-public-address:8080）。
  1. 配置钉钉服务器出口 IP：
  2. 在钉钉开发者后台的机器人开发管理设置页面，找到"消息接收地址"配置项。
  3. 将 cpolar 提供的公网 IP 地址填写到配置框中。
  4. 提示 ：在这里有公网IP或者云服务器的也可以直接填入公网IP地址，这里做本地测试所以使用内网穿透展示

三、开发环境准备

在开始开发智能钉钉机器人之前，我们需要确保开发环境已经搭建好，并安装了必要的依赖库。以下是详细的环境创建和依赖安装步骤：

（一） 本地开发环境搭建

步骤1：创建 Python环境

本博客为隔离开发环境，使用Anaconda 来管理 Python 环境，也推荐大家这样做。

Anaconda安装教程：https://blog.csdn.net/pdsu_Zhe/article/details/129432873

  1. 创建新的 Anaconda 环境
bash 复制代码 
conda create -n dingtalk_bot python=3.10
  1. 激活环境：
bash 复制代码 
conda activate dingtalk_bot

步骤2：安装必要的依赖库

在激活的环境中，使用 pip 安装以下依赖库：

  • requests：用于发送 HTTP 请求。
  • hmac、hashlib、base64：用于签名验证。
  • socket：用于创建服务器端口，接收钉钉发送的消息。
  • zhipuai：智谱 GLM-4-Flash 的 Python SDK，用于调用大模型。
bash 复制代码 
pip install requests hmac hashlib base64 socket zhipuai

（二） 获取 API 密钥

1、智谱 GLM-4-Flash API 密钥

  • 访问智谱AI开放平台（https://bigmodel.cn/），注册账号并登录。
  • 在平台中创建一个项目，获取 API 密钥。
  • 将 API 密钥保存到本地，后续代码中会用到。

2、其他功能API密钥

由于博主在开发地震相关的，所以接入了中国地震台网的全球最新地震信息API，大家有需要的API可以自行搜索方法，这里不在讲述。

四、消息接收与处理

（一）接收钉钉消息

使用 Python 的 socket 模块创建一个服务器端口，监听钉钉发送的消息。

python 复制代码 
def handle_client(client_socket):
    request_data = client_socket.recv(20000)
    print(f"接收到的消息：{request_data}")
    client_socket.close()

if __name__ == "__main__":
    server_socket = socket.socket(socket.AF_INET, socket.SOCK_STREAM)
    server_socket.bind(("", 8080))
    server_socket.listen(120)
    print("服务器启动，等待连接...")
    while True:
        client_socket, client_address = server_socket.accept()
        print(f"[{client_address}] 用户连接上了")
        handle_client(client_socket)

（二）解析消息内容

解析钉钉发送的消息，提取用户 ID、签名、时间戳和消息内容。

python 复制代码 
def getPost(request_data):
    request_data = str(request_data, encoding="utf8").split('\r\n')
    items = []
    for item in request_data[1:-2]:
        items.append(item.split(':'))
    post_useful = dict(items)
    post_mes = json.loads(request_data[-1])
    post_sign = post_useful.get('Sign').strip()
    post_timestamp = post_useful.get('Timestamp').strip()
    post_userid = post_mes.get('senderId').strip()
    post_mes = post_mes.get('text').get('content').strip()
    return post_userid, post_sign, post_timestamp, post_mes

（三）验证消息合法性

python 复制代码 
def initKey(post_userid, post_sign, post_timestamp, post_mes):
    app_secret = '你的app_secret'  # 替换为你的 app_secret
    string_to_sign = f'{post_timestamp}\n{app_secret}'
    hmac_code = hmac.new(app_secret.encode('utf-8'), string_to_sign.encode('utf-8'), digestmod=hashlib.sha256).digest()
    sign = base64.b64encode(hmac_code).decode('utf-8')
    if post_sign == sign:
        print("消息验证通过")
        return True
    else:
        print("消息验证失败")
        return False

五、调用大模型生成答案

（一）处理用户指令

根据用户发送的消息内容，调用相应的处理逻辑。

python 复制代码 
from zhipuai import ZhipuAI

client = ZhipuAI(api_key="你的GLM_API_KEY")  # 替换为你的智谱 API 密钥

def selectMes(post_userid, post_mes):
    if post_mes == "地震播报":
        earthquake_data = "地震等级: 5.0, 地震时间: 2025-03-09 10:00, 位置: 四川省"  # 替换为实际的地震数据获取逻辑
        response = client.chat.completions.create(
            model="glm-4-flash",
            messages=[
                {"role": "system", "content": "生成地震播报文本"},
                {"role": "user", "content": earthquake_data}
            ]
        )
        answer = response.choices[0].message.content
    elif "天气" in post_mes:
        province, place = "四川", "成都"  # 替换为实际的省份和地点提取逻辑
        weather_data = f"{province} {place} 的天气数据"  # 替换为实际的天气数据获取逻辑
        response = client.chat.completions.create(
            model="glm-4-flash",
            messages=[
                {"role": "system", "content": "生成天气预报文本"},
                {"role": "user", "content": weather_data}
            ]
        )
        answer = response.choices[0].message.content
    else:
        response = client.chat.completions.create(
            model="glm-4-flash",
            messages=[
                {"role": "system", "content": "你是一个智能助手，能够回答各种问题。"},
                {"role": "user", "content": post_mes}
            ]
        )
        answer = response.choices[0].message.content
    return sendText(post_userid, answer)

（二）发送回复消息

python 复制代码 
import requests
import json

def sendText(post_userid, send_mes):
    webhook = "https://oapi.dingtalk.com/robot/send?access_token=你的token"  # 替换为你的钉钉 webhook token
    header = {"Content-Type": "application/json", "Charset": "UTF-8"}
    message_json = json.dumps({
        "msgtype": "text",
        "text": {
            "content": send_mes
        },
        "at": {
            "atDingtalkIds": [post_userid],
            "isAtAll": False
        }
    })
    response = requests.post(url=webhook, data=message_json, headers=header)
    if response.status_code == 200:
        print("消息发送成功")
    else:
        print("消息发送失败")

六、运行与测试

（一）本地运行

启动本地服务器，确保机器人能够正常接收和处理消息。运行以下代码：

python 复制代码 
if __name__ == "__main__":
    server_socket = socket.socket(socket.AF_INET, socket.SOCK_STREAM)
    server_socket.bind(("", 8080))
    server_socket.listen(120)
    print("服务器启动，等待连接...")
    while True:
        client_socket, client_address = server_socket.accept()
        print(f"[{client_address}] 用户连接上了")
        handle_client(client_socket)

该代码启动一个监听 8080 端口的服务器，等待钉钉发送的消息。

测试机器人功能：

在钉钉群聊中艾特机器人，测试不同指令的响应情况。例如：

艾特机器人并发送"地震播报"
艾特机器人并发送"北京天气"
艾特机器人并询问问题

总结

通过本文的介绍，我们从零开始打造了一个智能钉钉机器人，实现了调用智谱 GLM-4-Flash API 来生成智能回复的全过程。这个机器人可以根据用户的指令，自动获取地震数据、天气信息，并生成相应的播报内容，极大地提高了办公效率和协作体验。

附录

这里只提供大模型智能回复代码，若需其他功能的相关逻辑代码，可以联系我交流学习。

python 复制代码 
#!/usr/bin/env python
# -*- coding:utf-8 -*-
"""
@author: Richard Zhang
@time: 2025/3/7 19:55 
@file: DingTalk.py
@describe: TODO
"""
# -*- coding: GBK -*-
import requests
import json
import time
import hmac
import hashlib
import base64
import socket
from multiprocessing import Process
from zhipuai import ZhipuAI

# 配置
GLM_API_KEY = "your_api_key"  # 替换为你的智谱GLM-4-Flash API密钥


# 初始化智谱GLM-4-Flash客户端
client = ZhipuAI(api_key=GLM_API_KEY)
model_name = "glm-4-flash"  # 模型名称

def handle_client(client_socket):
    # 获取socket
    request_data = client_socket.recv(20000)
    post_userid, post_sign, post_timestamp, post_mes = getPost(request_data)
    # 回应socket
    initKey(post_userid, post_sign, post_timestamp, post_mes)
    # 关闭socket
    client_socket.close()


def getPost(request_data):
    request_data = str(request_data, encoding="utf8").split('\r\n')
    items = []
    for item in request_data[1:-2]:
        items.append(item.split(':'))
    post_useful = dict(items)
    post_mes = json.loads(request_data[-1])
    post_sign = post_useful.get('Sign').strip()
    post_timestamp = post_useful.get('Timestamp').strip()
    post_userid = post_mes.get('senderId').strip()
    post_mes = post_mes.get('text').get('content').strip()
    return post_userid, post_sign, post_timestamp, post_mes


def initKey(post_userid, post_sign, post_timestamp, post_mes):
    whtoken = "your_webhook_token" # 替换为你的webhook_token
    timestamp = str(round(time.time() * 1000))
    app_secret = 'your_app_secret' # 替换为你的app_secret
    app_secret_enc = app_secret.encode('utf-8')
    string_to_sign = '{}\n{}'.format(post_timestamp, app_secret)
    string_to_sign_enc = string_to_sign.encode('utf-8')
    hmac_code = hmac.new(app_secret_enc, string_to_sign_enc, digestmod=hashlib.sha256).digest()
    sign = base64.b64encode(hmac_code).decode('utf-8')

    if (abs(int(post_timestamp) - int(timestamp)) < 3600000 and post_sign == sign):
        webhook = "https://oapi.dingtalk.com/robot/send?access_token=" + whtoken + "&timestamp=" + timestamp + "&sign=" + sign
        header = {"Content-Type": "application/json", "Charset": "UTF-8"}
        message_json = json.dumps(selectMes(post_userid, post_mes))
        info = requests.post(url=webhook, data=message_json, headers=header)
        print(info)
    else:
        print("Warning:Not DingDing's post")


def selectMes(post_userid, post_mes):

    # 将用户输入传递给大模型生成回答
    response = client.chat.completions.create(
        model=model_name,
        messages=[
            {"role": "system", "content": "你是一个智能助手，能够回答各种问题。"},
            {"role": "user", "content": post_mes}
            ]
        )
    answer = response.choices[0].message.content

    # 返回文本消息
    return sendText(post_userid, answer)


def sendText(post_userid, send_mes):
    message = {
        "msgtype": "text",
        "text": {
            "content": send_mes
        },
        "at": {
            "atDingtalkIds": [post_userid],
            "isAtAll": False
        }
    }
    return message


if __name__ == "__main__":
    server_socket = socket.socket(socket.AF_INET, socket.SOCK_STREAM)
    server_socket.bind(("", 8080))
    server_socket.listen(120)
    while True:
        client_socket, client_address = server_socket.accept()
        print("[%s, %s]用户连接上了" % client_address)
        handle_client_process = Process(target=handle_client, args=(client_socket,))
        handle_client_process.start()
        client_socket.close()
相关推荐
汤姆和佩琦2 分钟前
LLMs基础学习（一）概念、模型分类、主流开源框架介绍以及模型的预训练任务
人工智能·学习·算法·分类·数据挖掘
梦里是谁N3 分钟前
以下是基于文章核心命题打造的15个标题方案，根据传播场景分类推荐
人工智能·分类·数据挖掘
lele_ne8 分钟前
【深度学习】宠物品种分类Pet Breeds Classifier
人工智能·深度学习·分类
犀思云9 分钟前
领先AI企业经验谈：探究AI分布式推理网络架构实践
人工智能·分布式·ai网络
shengjk19 分钟前
数据湖的背景、现状与未来
人工智能·后端
Coovally AI模型快速验证11 分钟前
DeepSeek引领端侧AI革命，边缘智能重构AI价值金字塔
人工智能·算法·目标检测·计算机视觉·边缘计算·deepseek
Tezign_space11 分钟前
AI重构电商内容体系：企业如何突破生产、管理、分发三重门？
人工智能·科技·重构·aigc·数字资产管理·内容数字化·内容科技
调皮的芋头11 分钟前
【透视国家的三维棱镜：技术、制度与文化的解构与重构】
人工智能·aigc
夏小悠13 分钟前
从Manus到OpenManus：多智能体协作框架如何重构AI生产力？
人工智能·python·agent·manus·openmanus
新智元17 分钟前
OpenAI 深夜大招暴打 Manus！智能体全家桶杀器一统 API，4 行代码轻松上手
人工智能·openai
热门推荐
01如何在WPS和Word/Excel中直接使用DeepSeek功能02DeepSeek各版本说明与优缺点分析03本地部署DeepSeek教程（Mac版本）04从零安装 LLaMA-Factory 微调 Qwen 大模型成功及所有的坑05如何本地部署AI智能体平台，带你手搓一个AI Agent06DeepSeek R1本地化部署 Ollama + Chatbox 打造最强 AI 工具07网络安全 - DDoS 攻击原理 + 实验08Windows 11 安装 Dify 完整指南 非docker环境09本地化部署AI知识库：基于Ollama+DeepSeek+AnythingLLM保姆级教程10DeepSeek RAGFlow构建本地知识库系统