Clawdbot 部署到飞书(飞连)使用教程(完整版)

0. 你将得到什么

完成本教程后,你会拥有一套可长期在线的 Clawdbot(Clawd):

  • Clawd Gateway 在你的服务器/本机常驻运行(默认本地监听 127.0.0.1:18789

  • 飞书(飞连)机器人 能把群聊/私聊消息转发给 Clawd,再把 Clawd 回复发回飞书

  • 你在飞书里就能像"@机器人下指令"一样使用 Agent(记忆、工具、定时任务都在你自己的环境里)


1. 准备清单(开始前先对照)

1.1 运行环境

  • 一台长期在线设备(推荐 VPS / 家用小主机 / Mac mini)

  • Node.js 22+

  • 可用的模型能力(OpenAI/Claude API 或本地模型皆可,按你的 Clawd 配置为准)

1.2 账号与权限

  • 飞书开放平台账号

  • 有权限创建 企业自建应用(机器人)

1.3 你需要理解的三个端口(别混)

  • 18789Clawd Gateway 的 WebSocket 控制面(内部总线)

  • 18793(或你配置的):Canvas HTTP 服务(可选,不是飞书接入核心)

  • 飞书自己的事件通道:由飞书平台提供,插件去连它(不是你开端口给飞书)


2. 安装并初始化 Clawdbot(Gateway)

目标:让 Gateway 能正常启动,并且 status/health/doctor 通过。

2.1 安装(示例)

复制代码
node -v   # 确保 >= 22
npm -v
npm i -g clawdbot

2.2 初始化向导

复制代码
clawd onboard

按向导完成:

  • 模型配置(API Key / Base URL 等)

  • 工作目录(建议单独目录,比如 ~/clawd

  • 后台守护(如果向导支持,直接启用)

2.3 启动与自检

复制代码
clawd status
clawd health
clawd doctor

检查点:

  • Gateway 正常运行

  • 端口监听符合预期(默认 127.0.0.1:18789

小提示:如果你要远程访问 18789,优先用 SSH Tunnel / Tailscale,不要直接把 18789 暴露公网。


3. 安装飞书 Channel 插件(把飞书接到 Clawd)

思路:飞书接入不是 Gateway 自带的,需要装一个 Channel Adapter 插件。插件的作用就是"翻译 + 搬运"。

3.1 安装插件(示例)

以社区常用的 m1heng 飞书插件为例(包名以你实际为准):

复制代码
npm i -g @m1heng-clawd/feishu
# 或在你的 clawd 项目/工作目录里安装:npm i @m1heng-clawd/feishu

3.2 插件需要的核心配置

一般你需要准备:

  • App ID

  • App Secret

  • (可能还要)事件加解密 Key / Verify Token(看插件要求)

这些都来自飞书开放平台创建的自建应用(下一节会做)。


4. 在飞书开放平台创建机器人(自建应用)

目标:创建应用 → 申请权限 → 开启事件接收(推荐长连接)→ 拿到 App ID/Secret。

4.1 创建企业自建应用

在飞书开放平台:

  • 创建「企业自建应用」

  • 开启「机器人」能力(Bot)

拿到:

  • App ID

  • App Secret

4.2 配置权限(必须做,否则发不出/收不到)

你至少要确保应用具备:

  • 接收消息事件(群聊/私聊相关)

  • 发送消息权限(文本/富文本/卡片等按你需求)

  • 读取用户或群信息(可选,但常用)

权限名在飞书后台会按版本/语言略有差异:原则是"能收消息事件 + 能发消息"。

4.3 配置事件订阅:优先使用「长连接模式」

两种模式对比:

  • HTTP 回调模式:飞书 POST 到你的公网 HTTPS 回调地址

    • 你需要公网域名 + HTTPS + 验签/证书/穿透
  • 长连接模式(推荐):你的插件主动连飞书的事件通道,飞书把事件从连接里推给你

    • 不需要暴露公网回调地址

    • 你文中提到的"勾选长连接接收回调"就是这个思路

按插件文档/飞书后台提示:

  • 启用 长连接接收事件

  • 保存配置

4.4 发布与可用性检查

  • 确认应用状态可用(内部测试/发布到企业内)

  • 把机器人加到群里或开启私聊


5. 把飞书插件接到 Gateway(最关键链路)

目标:插件同时"连飞书事件通道"和"连 Clawd 内部总线 18789",形成双向桥。

5.1 你要知道消息到底怎么走

完整链路(照这个排错最有效):

  1. 飞书产生消息事件(例如群里 @机器人)

  2. 插件通过长连接收到事件

  3. 插件把事件翻译成 Clawd 内部消息结构

  4. 插件通过 WebSocket 把消息投递到 Gateway(18789)

  5. Agent 处理(模型 + 记忆 + skills)

  6. Gateway 输出回复事件给插件

  7. 插件调用飞书发送消息 API 回到原会话

一句话:插件把飞书事件流接入 18789,再把 18789 的回复流发回飞书。

5.2 配置插件(示例字段)

不同插件配置格式略有差异,但你最终要填的基本就这些:

  • FEISHU_APP_ID=...

  • FEISHU_APP_SECRET=...

  • GATEWAY_WS=ws://127.0.0.1:18789(或你的实际地址)

  • (可选)事件加密/验签相关配置

建议你把配置写进:

  • .env 文件

  • Clawd/插件的配置文件(JSON/YAML)

5.3 启动顺序建议

  1. 先启动 Gateway

  2. 再启动飞书插件

  3. 最后去飞书里发一条测试消息


6. 验证:用最小用例确认闭环

按下面顺序测(别一上来就测复杂指令):

6.1 飞书侧

  • 群里 @机器人发:ping

  • 或私聊机器人发:ping

期望:

  • 插件收到事件(能看到日志)

  • 机器人能回复(哪怕只是 echo 或默认提示)

6.2 Gateway 侧

  • clawd status 显示运行

  • Gateway 日志能看到来自 channel=feishu 的消息事件(若有日志等级设置,调到 info/debug)

6.3 常见成功标志

  • 飞书里收到了回复

  • 插件日志里能看到:收到事件 → 投递 Gateway → 发送消息成功


7. 常见问题排错(按链路逐段定位)

7.1 飞书里发消息,插件完全没反应

优先检查:

  • 飞书应用是否启用了事件接收(长连接)

  • 权限是否开齐(收消息事件权限)

  • 机器人是否已加入群、是否允许被 @

  • 插件是否真的启动成功、是否连上飞书事件通道

7.2 插件能收到事件,但 Gateway 没收到

检查:

  • GATEWAY_WS 是否正确(ws://127.0.0.1:18789

  • Gateway 是否只监听 loopback(如果插件在另一台机器上跑,你得用 SSH Tunnel/Tailscale

  • 18789 是否被本机防火墙拦截(本机也可能拦)

7.3 Gateway 收到消息,但飞书不回复

检查:

  • 飞书发消息权限是否开通

  • token 是否能正常获取与刷新(App ID/Secret 对不对)

  • 是否命中了飞书 API 速率限制(插件一般会提示)

  • 会话标识(chat_id/open_id)是否解析正确(插件 bug 或事件类型不匹配)


8. 安全建议(务必看)

Clawd 能跑 shell、能读写文件,强模型 + 高权限 = 高风险。建议你做到:

  • 最小权限:不要让默认 Agent 拿到不必要的系统权限

  • 隔离账号与凭证:API Key、云服务凭证用独立账号/子账号

  • 不要暴露 18789 到公网:使用 SSH Tunnel / Tailscale

  • 警惕指令注入:把外部输入当作不可信数据(尤其是群聊)


9. 多实例部署(你提到的"改端口跑多个")

可以,但要遵守 4 条规则:

  1. 每个实例的 Gateway 端口不同

    • A:18789

    • B:28789

  2. 每个实例的工作目录隔离

    • ~/clawd-a~/clawd-b

      否则记忆/状态文件会互相覆盖。

  3. 同一个飞书机器人不要同时连多个 Clawd 实例

    否则会出现重复响应、竞态、去重混乱。

  4. 多实例的推荐绑定方式

    • 最简单:多个飞书应用(机器人) 各绑一个 Clawd 实例

    • 更高级:插件做路由(按 chat_id/租户分发),但实现复杂


10. 最后总结

  • 18789 是 Clawd 的内部总线,不是飞书端口

  • 飞书接入靠 Channel 插件:一头连飞书事件通道,一头连 Gateway(18789)

  • 完整闭环就是:飞书事件 → 插件 → Gateway/Agent → 插件 → 飞书消息 API


相关推荐
是小蟹呀^2 小时前
卷积神经网络(CNN):卷积操作
人工智能·神经网络·cnn
DN20202 小时前
AI销售机器人:节日祝福转化率提升30倍
人工智能·python·深度学习·机器学习·机器人·节日
爱喝可乐的老王2 小时前
PyTorch简介与安装
人工智能·pytorch·python
deephub2 小时前
用 PyTorch 实现 LLM-JEPA:不预测 token,预测嵌入
人工智能·pytorch·python·深度学习·大语言模型
量子-Alex2 小时前
【多模态大模型】Qwen2-VL项目代码初步解析
人工智能
凉、介2 小时前
ACRN Hypervisor 简介
笔记·学习·虚拟化
飞鹰513 小时前
深度学习算子CUDA优化实战:从GEMM到Transformer—Week4学习总结
c++·人工智能·深度学习·学习·transformer
工程师老罗3 小时前
Pytorch如何验证模型?
人工智能·pytorch·深度学习
Hi_kenyon3 小时前
Skills精选
人工智能