接入AI大模型：让机器人"智能"起来

阿牛哥_GX2026-08-28 18:18

前面讲的都是规则驱动的机器人------预设关键词、预设回复。但这种机器人局限性很明显：只能回答固定问题，无法理解自然语言。这一节讲如何接入AI大模型------让机器人能理解人话、能对话、有记忆，变成真正的智能助手。

1. 为什么需要AI大模型

对比 关键词匹配 AI大模型
理解能力 只能识别固定关键词 理解自然语言
回复灵活性 预设回复 动态生成
上下文 无 有记忆、能对话
扩展性 需手动添加规则 自动学习
维护成本 高 低

接入AI后，用户可以问：

  • "我还有哪些作业没做？" → 理解意图，返回作业列表
  • "帮我看看视频看到哪了" → 理解意图，返回进度
  • "有没有市场营销学的复习资料" → 理解意图，搜索并返回

2. 接入方案选择

2.1 云端API

服务商 模型 特点 价格
OpenAI GPT-4/3.5 效果好 按量付费
阿里云 通义千问 中文好 较便宜
百度 文心一言 中文好 较便宜
智谱 GLM-4 性价比高 较便宜
MiniMax MoE 便宜 适合国内

2.2 本地部署

方案 模型 特点
Ollama Llama/Mistral 简单易用
LM Studio 各种模型 图形界面
vLLM 高性能 需要GPU

这一节用MiniMax作为示例（便宜效果好），但代码结构通用，换API只需改配置。

3. 快速接入：5分钟集成

Step 1：安装依赖

bash 复制代码 
pip install requests

Step 2：调用API

python 复制代码 
import requests
import json

# MiniMax 配置
API_KEY = "your_api_key"  # 格式: sk-xxxx
BASE_URL = "https://api.minimax.chat/v1"

def chat(prompt, model="abab6.5s-chat"):
    """调用AI对话"""
    url = f"{BASE_URL}/text/chatcompletion_v2"
    headers = {
        "Authorization": f"Bearer {API_KEY}",
        "Content-Type": "application/json"
    }
    data = {
        "model": model,
        "messages": [
            {"role": "user", "content": prompt}
        ]
    }
    resp = requests.post(url, headers=headers, json=data)
    result = resp.json()

    if "choices" in result and len(result["choices"]) > 0:
        return result["choices"][0]["message"]["content"]
    return f"Error: {result}"

# 测试
response = chat("你好，请介绍一下你自己")
print(response)

Step 3：接入企业微信

python 复制代码 
"""
企业微信AI问答机器人
用户发消息 → AI处理 → 返回回复
"""
import requests
import json

# ===== 配置 =====
# 企业微信
WEBHOOK_KEY = "your_webhook_key"
WEBHOOK_URL = f"https://qyapi.weixin.qq.com/cgi-bin/webhook/send?key={WEBHOOK_KEY}"

# AI 配置
API_KEY = "your_minimax_api_key"

def chat_to_ai(prompt):
    """调用AI"""
    url = "https://api.minimax.chat/v1/text/chatcompletion_v2"
    headers = {
        "Authorization": f"Bearer {API_KEY}",
        "Content-Type": "application/json"
    }
    data = {
        "model": "abab6.5s-chat",
        "messages": [
            {"role": "user", "content": prompt}
        ]
    }
    resp = requests.post(url, headers=headers, json=data)
    result = resp.json()

    if "choices" in result:
        return result["choices"][0]["message"]["content"]
    return "抱歉，我现在有点累，稍后再试"

def send_message(content):
    """发送消息到群"""
    data = {
        "msgtype": "text",
        "text": {"content": content}
    }
    requests.post(WEBHOOK_URL, json=data)

def process_and_reply(user_message):
    """处理消息并回复"""
    # 构建提示词（让AI扮演国开学习助手）
    system_prompt = """你是一位热心的高校教务助手，名字叫"小开"。

你的任务是帮助学生解决国开学习网（menhu.pt.ouchn.cn）相关问题。

回答要点：
1. 回答要简洁友好
2. 如果不确定的问题，建议用户联系班主任或查看官网
3. 适当使用emoji让回复更生动

常见问题参考：
- 登录问题：学号登录，密码为身份证后6位
- 作业：在"在线作业"栏目完成
- 视频：需要看完60%以上才能考试
- 成绩：在"我的成绩"查看
- 毕业论文：需要选题、撰写、查重、答辩
"""

    full_prompt = f"{system_prompt}\n\n用户问题：{user_message}"

    # 调用AI
    reply = chat_to_ai(full_prompt)

    # 发回群
    send_message(reply)

# ===== 使用 =====
if __name__ == "__main__":
    # 测试
    test_messages = [
        "你好",
        "我的密码忘了怎么办",
        "作业什么时候截止",
        "视频要全部看完吗"
    ]

    for msg in test_messages:
        print(f"用户: {msg}")
        process_and_reply(msg)
        print("已回复\n")

4. 进阶：多轮对话与上下文

上面的方案每次都是独立对话，没有记忆。要实现真正的对话，需要维护对话历史：

python 复制代码 
"""
带记忆的AI对话机器人
"""
import requests
from datetime import datetime

class AIBot:
    def __init__(self, api_key):
        self.api_key = api_key
        # 对话历史：{user_id: [messages]}
        self.conversations = {}
        # 最大历史条数
        self.max_history = 10

        # 系统提示词
        self.system_prompt = """你是一位高校教务助手，名字叫"小开"。

特点：
- 回答简洁明了
- 适当使用emoji
- 不确定的问题建议用户联系班主任

身份说明：
- 学校：国家开放大学
- 平台：menhu.pt.ouchn.cn
- 主要服务：成人学历教育
"""

    def chat(self, user_id, message):
        """对话"""
        # 初始化历史
        if user_id not in self.conversations:
            self.conversations[user_id] = []

        # 添加用户消息
        self.conversations[user_id].append({
            "role": "user",
            "content": message
        })

        # 裁剪历史
        history = self.conversations[user_id][-self.max_history:]

        # 构建消息列表
        messages = [{"role": "system", "content": self.system_prompt}] + history

        # 调用API
        url = "https://api.minimax.chat/v1/text/chatcompletion_v2"
        headers = {
            "Authorization": f"Bearer {self.api_key}",
            "Content-Type": "application/json"
        }
        data = {
            "model": "abab6.5s-chat",
            "messages": messages
        }

        resp = requests.post(url, headers=headers, json=data)
        result = resp.json()

        # 提取回复
        if "choices" in result and len(result["choices"]) > 0:
            reply = result["choices"][0]["message"]["content"]

            # 记录回复
            self.conversations[user_id].append({
                "role": "assistant",
                "content": reply
            })

            return reply

        return "抱歉，我现在有点累..."

    def clear_history(self, user_id):
        """清除对话历史"""
        if user_id in self.conversations:
            del self.conversations[user_id]

    def get_history(self, user_id):
        """获取对话历史"""
        return self.conversations.get(user_id, [])


# ===== 使用示例 =====
bot = AIBot("your_api_key")

# 模拟对话
dialogue = [
    ("user1", "你好"),
    ("user1", "我是新生，请问怎么登录？"),
    ("user1", "密码忘了呢？"),
    ("user1", "好的，谢谢"),
]

for user_id, msg in dialogue:
    print(f"👤 用户: {msg}")
    reply = bot.chat(user_id, msg)
    print(f"🤖 助手: {reply}")
    print()

5. 进阶：流式输出

大段文字等待时间长，可以用流式输出让字一个个出来：

python 复制代码 
"""
流式输出的AI对话
"""
import requests
import json

def chat_stream(prompt):
    """流式对话"""
    url = "https://api.minimax.chat/v1/text/chatcompletion_v2"
    headers = {
        "Authorization": f"Bearer {API_KEY}",
        "Content-Type": "application/json"
    }
    data = {
        "model": "abab6.5s-chat",
        "messages": [{"role": "user", "content": prompt}],
        "stream": True  # 开启流式
    }

    response = requests.post(url, headers=headers, json=data, stream=True)

    print("🤖 ", end="", flush=True)
    full_content = ""

    for line in response.iter_lines():
        if line:
            line = line.decode('utf-8')
            if line.startswith('data: '):
                data_str = line[6:]
                if data_str.strip() == '[DONE]':
                    break
                try:
                    chunk = json.loads(data_str)
                    if 'choices' in chunk and len(chunk['choices']) > 0:
                        content = chunk['choices'][0].get('delta', {}).get('content', '')
                        if content:
                            print(content, end="", flush=True)
                            full_content += content
                except:
                    pass

    print()  # 换行
    return full_content

# 使用
reply = chat_stream("介绍一下国开学习网")

6. 实战：智能国开问答助手

python 复制代码 
"""
企业微信 + AI 大模型
国开学习网智能问答助手
"""
import requests
import json

# 配置
WEBHOOK_KEY = "your_webhook_key"
WEBHOOK_URL = f"https://qyapi.weixin.qq.com/cgi-bin/webhook/send?key={WEBHOOK_KEY}"
API_KEY = "your_minimax_key"

# ===== AI 对话类 =====
class OUCHNAIBot:
    def __init__(self, api_key):
        self.api_key = api_key
        self.conversations = {}  # user_id -> history
        self.max_history = 6

        self.system_prompt = """你是国家开放大学（国开/OUCHN）的智能助教"小开"。

学校信息：
- 全称：国家开放大学
- 简称：国开、OUCHN
- 官网：menhu.pt.ouchn.cn
- 学历：开放教育（成人学历）

常见问题：
1. 登录：学号+身份证后6位
2. 作业：在"在线作业"完成，截止日期前可多次提交
3. 视频：需观看60%以上才能约考
4. 成绩：综合成绩=平时40%+期末60%
5. 毕业：需所有课程及格+论文通过

回复要求：
- 简洁友好，不超过200字
- 适当用emoji
- 不确定的建议联系班主任
- 如果是技术问题，引导联系技术支持0558-xxxxxxx
"""

    def chat(self, user_id, message):
        """对话"""
        if user_id not in self.conversations:
            self.conversations[user_id] = []

        # 添加用户消息
        self.conversations[user_id].append({"role": "user", "content": message})

        # 构建消息
        messages = [{"role": "system", "content": self.system_prompt}]
        messages += self.conversations[user_id][-self.max_history:]

        # 调用API
        url = "https://api.minimax.chat/v1/text/chatcompletion_v2"
        headers = {
            "Authorization": f"Bearer {self.api_key}",
            "Content-Type": "application/json"
        }
        data = {
            "model": "abab6.5s-chat",
            "messages": messages,
            "temperature": 0.7  # 创意程度
        }

        resp = requests.post(url, headers=headers, json=data)
        result = resp.json()

        if "choices" in result and result["choices"]:
            reply = result["choices"][0]["message"]["content"]
            self.conversations[user_id].append({"role": "assistant", "content": reply})
            return reply

        return "抱歉，请稍后再试"

    def clear(self, user_id):
        """清除记忆"""
        if user_id in self.conversations:
            del self.conversations[user_id]

# ===== 消息发送 =====
def send_text(content):
    """发送文本"""
    data = {"msgtype": "text", "text": {"content": content}}
    requests.post(WEBHOOK_URL, json=data)

def send_markdown(content):
    """发送Markdown"""
    data = {"msgtype": "markdown", "markdown": {"content": content}}
    requests.post(WEBHOOK_URL, json=data)

# ===== 主程序 =====
def handle_message(user_id, message):
    """处理消息"""
    bot = OUCHNAIBot(API_KEY)

    # 特殊命令
    if message.strip() in ["清除记忆", " forget", "clear"]:
        bot.clear(user_id)
        send_text("✅ 已清除对话历史")
        return

    # AI对话
    reply = bot.chat(user_id, message)

    # 发送回复
    send_markdown(reply)

# ===== 测试 =====
if __name__ == "__main__":
    # 测试对话
    bot = OUCHNAIBot(API_KEY)

    test_messages = [
        "你好",
        "我是新生，怎么登录？",
        "密码忘了怎么办",
        "作业在哪做",
        "视频要全部看完吗",
    ]

    for msg in test_messages:
        print(f"👤 {msg}")
        reply = bot.chat("test_user", msg)
        print(f"🤖 {reply}\n")

7. 成本优化技巧

7.1 缓存常见问题

python 复制代码 
# 常见问题缓存
COMMON_QA = {
    "登录": "登录账号为学号，初始密码为身份证后6位。首次登录需修改密码。",
    "密码": "忘记密码可点击"忘记密码"用手机验证码找回，或联系班主任重置。",
    "成绩": "成绩在"我的成绩"栏目查看，综合成绩=平时40%+期末60%。",
    "作业": "作业在"在线作业"栏目完成，截止日期前可多次提交。",
    "视频": "视频需观看60%以上才能预约期末考试。",
}

def quick_answer(question):
    """快速回答常见问题"""
    for key, answer in COMMON_QA.items():
        if key in question:
            return answer
    return None  # 需要AI回答

7.2 分层处理

python 复制代码 
def smart_answer(question):
    """智能回答：先缓存 → 再AI"""

    # 1. 先尝试缓存命中
    cached = quick_answer(question)
    if cached:
        return cached

    # 2. 缓存未命中，调用AI
    return chat_to_ai(question)

小结

学会的 要点
API调用 requests POST JSON即可调用
多轮对话 维护历史消息列表
流式输出 stream=True，逐字显示
成本优化 常见问题缓存，分层处理
结合企业微信 消息接收 → AI处理 → 发回群里

下节预告

第4节：实战------国开学习网课程问答助手，从0搭建完整问答系统

📺 系列文章： 企业微信机器人：从被动回复到智能助手

  • 第1节：企业微信机器人入门（已发布）
  • 第2节：被动回复与关键词匹配（已发布）
  • 第3节：接入AI大模型（本文）
  • 第4节：实战：国开学习网课程问答助手（待发布）
  • 第5节：打通OA系统：通知自动推送（待发布）
相关推荐
元启数宇26 分钟前
幕墙AI设计算法逻辑：元启数宇如何智能分格
人工智能·算法
故七月38 分钟前
以合规化技术体系筑牢GEO产业发展根基 万域智瞰引领AI流量服务高质量发展
大数据·人工智能
开发小程序的之朴43 分钟前
从神经网络到文件加密：一次关于 SIREN、ARX 与密码安全性的实验探索
人工智能·深度学习·神经网络
哈基咩1 小时前
Function Calling 与 Code Mode：AI Agent 工具调用的原理、对比与选型指南
网络·人工智能
就是一顿骚操作1 小时前
ViT：把图像切成词之后，Transformer 如何进入计算机视觉
人工智能·深度学习·计算机视觉·transformer·论文解读
千里码aicood1 小时前
PyQt基于卷积神经网络的智慧校园的设计与实现
人工智能·cnn·pyqt
MartinYeung51 小时前
[论文学习]MPIB：医疗提示注入基准——针对LLM临床安全性的系统性评估
人工智能·python·学习
MartinYeung51 小时前
[论文学习]医学AI安全风险分类:S1-S4分级框架深度分析
人工智能·学习·安全
stuartevil1 小时前
AI 小说漫改视频零基础入门：口型同步和字幕匹配怎么调？
人工智能·音视频·语音识别
热门推荐
01国内可直接用、免费额度/永久免费的大模型API清单（含 SiliconFlow、火山、阿里、智谱、百度、Kimi、DeepSeek、DMXAPI 等）02GitHub 镜像站点032026 国产 AI 大模型横评：DeepSeek、通义千问、Kimi、文心一言、星火、豆包谁更能打？04历年考研数学一、数学二、数学三真题试卷及答案PDF05微信历史版本含下载地址（ Windows PC | 安卓 | MAC ）及设置微信不更新06AI 编程 IDE 全景解析 2026：Agent 全面接管开发链路07Agnes AI 免费 API 接入指南：文本、生图、生视频，一套接口全免费08蜘蛛磁力 搜索引擎大全，如何使用蜘蛛磁力查找磁力链接09VSCode+CodeX扩展，无法启动10如何新建文件夹？ 电脑新建文件夹的4种方法