AI + 企微：使用 Python 接入 DeepSeek/GPT 实现外部群自动技术答疑

QiWe开放平台 · 个人名片

API驱动企微自动化，让开发更高效

核心能力：为开发者提供标准化接口、快速集成工具，助力产品高效拓展功能场景

官方站点：https://www.qiweapi.com

团队定位：专注企微API生态的技术服务团队

对接通道：搜「QiWe 开放平台」联系客服

核心理念：合规赋能，让企微开发更简单、更高效

---

要实现这个功能，我们需要打通"企微回调接口（接收提问）"和"AI 模型接口（生成回答）"两条链路。

1. 技术方案架构

1. 接收消息 ：配置企微自建应用的回调 URL，通过 FastAPI 接收群成员的 @机器人 提问。

2. 内容解析 ：解密企微推过来的 XML 数据，提取 Content（提问）和 ChatID（来源群）。

3. 大模型推理：调用 DeepSeek 或 GPT 接口，并注入预设的"角色 Prompt"（例如：你是一个精通 Java/Python 的架构师）。

4. 主动回复 ：利用我们之前讲过的 add_msg_template 或应用消息接口，将 AI 的回答发回群内。

2. Python 实现：FastAPI + DeepSeek 集成代码

首先，确保安装了核心依赖：

import os
from fastapi import FastAPI, Request
from openai import OpenAI
# 这里的 WXBizMsgCrypt 是企微官方提供的解密类
from WXBizMsgCrypt3 import WXBizMsgCrypt 

app = FastAPI()

# 配置信息
CORP_ID = "wwxxxx"
SECRET = "your_secret"
TOKEN = "your_callback_token"
ENCODING_AES_KEY = "your_aes_key"

# 初始化 AI 客户端 (以 DeepSeek 为例)
ai_client = OpenAI(api_key="your_deepseek_key", base_url="https://api.deepseek.com")

@app.post("/qywx/callback")
async def handle_callback(request: Request):
    # 1. 获取回调参数并解密
    params = request.query_params
    body = await request.body()
    
    wxcpt = WXBizMsgCrypt(TOKEN, ENCODING_AES_KEY, CORP_ID)
    ret, xml_content = wxcpt.DecryptMsg(body, params.get("msg_signature"), params.get("timestamp"), params.get("nonce"))
    
    if ret == 0:
        # 2. 解析 XML 提取问题 (此处建议用 xml.etree.ElementTree)
        user_msg = "解析出的群友提问" 
        chat_id = "解析出的群ID"

        # 3. 调用 AI 模型
        response = ai_client.chat.completions.create(
            model="deepseek-chat",
            messages=[
                {"role": "system", "content": "你是一个资深技术专家，请用简洁专业的方式回答问题。"},
                {"role": "user", "content": user_msg},
            ],
            stream=False
        )
        ai_answer = response.choices[0].message.content

        # 4. 调用企微 API 回传消息 (复用之前封装的推送逻辑)
        send_to_group(chat_id, ai_answer)
        
    return "success"

def send_to_group(chat_id, text):
    # 此处调用 add_msg_template 或发消息接口
    pass

3. 如何让 AI 回答得更专业？（RAG 进阶）

如果只是通用回复，AI 可能会"一本正经地胡说八道"。对于做技术产品的团队，建议引入 RAG (检索增强生成)：

• 本地知识库：将你的技术文档、API 手册存入向量数据库（如 ChromaDB）。

• 搜索增强 ：当群友提问时，先在知识库搜索相关片段，再喂给 AI："基于以下文档内容，请回答：问题"。

4. 关键避坑点

1. 超时控制 ：企微回调要求在 5秒内 必须响应（或返回空）。由于 AI 推理较慢（通常需 10s+），必须采用异步处理 。即：接收到请求后立即返回 success，然后开启异步任务去调用 AI 并发消息。

2. 风控逻辑：AI 的回答具有不可控性。建议在 Prompt 中加入合规性要求，并设置关键词过滤，防止 AI 在群内讨论敏感或违规话题。

3. 上下文管理 ：群聊是碎片化的。如果需要 AI 记得上一句话，需要在 Redis 中缓存该群最近 5-10 条对话记录，并作为 history 传给 AI。

---