企业微信二次开发：外部群机器人如何组合群详情、会话与消息数据

星云API www.xingyapi.com 的底层重构笔记。最近有个做财税 SaaS 的兄弟吐槽，他们给客户群配的答疑机器人毫无上下文连贯性------客户问完"高企所得税"，追问"普通商贸公司呢"，机器人直接宕机听不懂。

他为了给机器人加"记忆"，收到消息就去实时查群详情和数据库历史，结果早高峰直接把企微的 45009 频控打穿，数据库连接池耗尽。

企微推给机器人的消息是高度碎片化且无状态的。要在工业级架构中让大模型拥有"专家记忆"，必须在内存中极速缝合静态群资料、动态上下文和瞬时消息。今天不废话，直接上手撕代码。

一、斩断实时查询：构建群画像影子库

机器人的 Webhook 报文里只有干巴巴的 ChatId 和 UserId。

工业级防线：坚决不主动查接口。 你需要仔细查阅开发文档，利用自建应用的 change_external_chat 回调，把群名、状态等静态资料实时更新到 Redis。机器人收到消息时，直接 O(1) 提取：

Java

复制代码

public GroupProfile getGroupProfile(String chatId) {
    // 缓存击穿时返回默认占位符，绝不在此阻塞调企微 API
    String profile = redisTemplate.opsForValue().get("WeCom:Group:" + chatId);
    return profile != null ? JSON.parseObject(profile, GroupProfile.class) : GroupProfile.defaultProfile();
}

二、滑动会话窗口：Redis 托管动态上下文

关系型 DB 扛不住群聊的高频读写，记忆必须放内存。我们用 Redis List 构建定长滑动窗口，以 ChatId:UserId 为联合 Key，只保留最近 10 条高优上下文喂给大模型。

Java

复制代码

public List<ChatMessage> appendContext(String chatId, String userId, ChatMessage msg) {
    String key = "WeCom:Session:" + chatId + ":" + userId;
    
    // 1. 新消息入列
    redisTemplate.opsForList().rightPush(key, JSON.toJSONString(msg));
    // 2. 裁剪窗口，防 Token 溢出
    redisTemplate.opsForList().trim(key, -10, -1);
    // 3. 30分钟不说话清空记忆
    redisTemplate.expire(key, 30, TimeUnit.MINUTES);
    
    return redisTemplate.opsForList().range(key, 0, -1).stream()
            .map(str -> JSON.parseObject(str, ChatMessage.class))
            .collect(Collectors.toList());
}

三、内存组装器（Assembler）：终极缝合

在 MQ 的消费端，把雷达数据和会话记忆拧成一股绳，完成最终的 Data Assembler：

Java

复制代码

@RabbitListener(queues = "queue_robot_msg")
public void process(String jsonMsg) {
    RobotMsgDTO msg = JSON.parseObject(jsonMsg, RobotMsgDTO.class);
    
    // 1. 提取静态画像
    GroupProfile group = getGroupProfile(msg.getChatId());
    if (!group.isActive()) return;
    
    // 2. 拉取动态记忆
    ChatMessage newChat = new ChatMessage("user", msg.getText().getContent());
    List<ChatMessage> history = appendContext(msg.getChatId(), msg.getFrom().getUserId(), newChat);
    
    // 3. 缝合 Prompt 并调大模型
    EnrichedPrompt prompt = new EnrichedPrompt("你是财税顾问，所在群：" + group.getGroupName(), history);
    String answer = llmService.chat(prompt);
    
    // 4. 将机器人的回复也加入历史记忆闭环
    appendContext(msg.getChatId(), msg.getFrom().getUserId(), new ChatMessage("assistant", answer));
    
    // 5. 走 WebhookUrl 零权限专用通道下发...
}

机器人能"记事观局"，核心不在 Prompt，而是底层的异构数据组装能力。这套体系跑通后，你们遇到带图片的复杂提问，是把图片扔进 Redis List 给视觉大模型，还是在网关直接 OCR 降维成文本？