AIOps实践:基于 Dify+LangBot 实现飞书智能体对话机器人

AIOps实践:基于 Dify+LangBot 实现飞书智能体对话机器人

文章目录

AIOps实践:Dify接入飞书实现与智能体对话

前言

前端时间把dify的智能体接入到了Prometheus和夜莺上,实现了与智能体的基本对话,并可以调取Prometheus数据进行分析,在那之后就开始深度研究AIOps实现原理于深度赋能运维的可能性,所以正在研究AIOps的核心:MCP Server;现在还并未成型,在研究的过程中,就想到了可否基于dify的agent,连接自建的mcp服务器,对接到飞书的机器人上,这样就可以和智能体进行对话,配合成型的mcp,就可以基本实现AIOps。

这里需要借助一个三方的开源工具LangBot,LangBot是一个生产级多平台 LLM 机器人开发平台。那么就开始实践吧:

在这里插入图片描述

MCP Server开发的当前阶段:

在这里插入图片描述

后续会开源至github。

环境搭建

1、Docker环境搭建

安装Docker和docker compose

# 安装必要的工具包sudoapt-get update sudoapt-getinstall ca-certificates curl gnupg lsb-release # 创建密钥环目录并添加Docker的官方GPG密钥(用于验证软件包)sudoinstall -m 0755 -d /etc/apt/keyrings curl -fsSL https://download.docker.com/linux/ubuntu/gpg |sudo gpg --dearmor -o /etc/apt/keyrings/docker.gpg sudochmod a+r /etc/apt/keyrings/docker.gpg # 将Docker仓库添加到APT源echo"deb [arch=$(dpkg --print-architecture) signed-by=/etc/apt/keyrings/docker.gpg] https://download.docker.com/linux/ubuntu $(lsb_release -cs) stable"|sudotee /etc/apt/sources.list.d/docker.list > /dev/null sudoapt-get update # 安装Dockersudoapt-getinstall docker-ce docker-ce-cli containerd.io docker-buildx-plugin docker-compose-plugin # 配置国内镜像源,当然也可以不配置,可以配一个Docker代理,让Docker坐上VPN,在此不再展示vim /etc/docker/daemon.json {"registry-mirrors":["https://docker.1ms.run", "https://docker.1panel.live", "https://hub.rat.dev", "https://docker.m.daocloud.io", "https://do.nark.eu.org", "https://dockerpull.com", "https://dockerproxy.cn", "https://docker.awsl9527.cn"], "exec-opts":["native.cgroupdriver=systemd"]} systemctl daemon-reload systemctl start docker# 验证配置docker info 

2、LangBot搭建

# 拉取代码 (该代码在gitcode,如果拉取不下来请在web端登陆下载zip)git clone https://gitcode.com/RockChinQ/LangBot 

启动服务

unzip LangBot-master.zip cd LangBot-master/docker # 启动容器docker compose up -d 

访问 http://ip:5300,首次登录需要初始化。

在这里插入图片描述

注册,登陆即可。

3、编辑流水线

在这里插入图片描述
在这里插入图片描述

点击AI能力,填写相关配置,在dify上查询智能体的URL与密钥,获取参数:

在这里插入图片描述

填写参数:

在这里插入图片描述

保存完成。

4、配置飞书机器人

由于本人使用的是个人账户,所以才可以这样胡作非为哈哈哈哈哈,有企业认证的大佬们就要谨慎了,这个需要管理员审核的。

打开飞书开放平台(https://open.feishu.cn/),点击企业自建应用,点击添加机器人能力:

在这里插入图片描述

配置相关权限:

左侧点击权限管理,右侧点击开通权限,搜索im:message,全部选择:

在这里插入图片描述

再次搜索:cardkit:card:write,开启该权限:

在这里插入图片描述

配置事件回调:

在这里插入图片描述

点击下放的添加事件,配置相关事件:

在这里插入图片描述

当一切都配置完成后发布机器人:

在这里插入图片描述

保存发布即可。

此时,去复制关键信息,LangBot接入飞书的关键凭证:

在这里插入图片描述

复制这两项信息。

到此,飞书配置完成。

5、创建机器人

在这里插入图片描述

配置相关信息:

在这里插入图片描述
在这里插入图片描述

保存即可。

6、进行测试

点击飞书的工作台,选择我们自己创建的机器人:

在这里插入图片描述

进行对话:

在这里插入图片描述

当dify接入了mcp后:

在这里插入图片描述

哈哈哈哈哈,后续会开源这个mcp-server服务器的,敬请期待啦。

附:遇到的问题

如若遇到相关问题,可以查看日志,在LangBot项目的Docker目录下存在log文件夹,查看日志解决问题:

在这里插入图片描述

解决:

访问:

https://open.feishu.cn/app/cli_a9d5778e15389cef/auth?q=cardkit:card:write&op_from=openapi&token_type=tenant 

开通该权限即可。

Read more

什么是 AI Agent 中的 Skills?它有什么用?

什么是 AI Agent 中的 Skills?它有什么用?

👨‍⚕️主页: gis分享者 👨‍⚕️感谢各位大佬 点赞👍 收藏⭐ 留言📝 加关注✅! 👨‍⚕️收录于专栏:AI大模型原理和应用面试题 文章目录 * 一、🍀Skills * 1.1 ☘️概念 * 1.2 ☘️作用 * 二、🍀扩展知识 * 2.1 ☘️Skills 出现之前的痛点 * 2.2 ☘️Skills 的技术实现原理 * 2.3 ☘️Skills 在主流 AI 编程工具中的应用 * 2.4 ☘️Skills 的设计原则 * 三、🍀追问 一、🍀Skills 1.1 ☘️概念 Skills 就是给 AI Agent 写的操作手册,

小型AIS接收机dAI01可便携可用于无人机

小型AIS接收机dAI01可便携可用于无人机

3 AIS 接收机与计算机的连接 3.1 Windows 7、Vista 及 XP 系统 在 Windows 设备上安装 USB 驱动程序时,用户需具备管理员权限。按照以下步骤在 Windows 7、Vista 及 XP 系统中安装所需驱动: 1. 从我这里获取 USB 驱动程序; 2. 将压缩包中包含的 USB 描述文件(.inf 格式)解压至计算机的指定文件夹; 3. 将 AIS 接收机插入计算机空闲的 USB 接口; 4. Windows 系统会检测到新的 USB 设备,并自动开始搜索驱动程序; 5. 当系统提示选择驱动程序时,选择

多旋翼无人机系统组成(八)(任务载荷系统详解)

对于很多刚接触无人机的人来说,一架多旋翼的核心似乎是飞控、电机和电池 这个理解其实并没有错,因为这些部分决定了无人机能不能稳定飞起来 但在实际工程里,飞起来只是基础 如果只是简单地离地悬停,其实并没有太大意义 我们最终一定是希望无人机去执行某些具体任务,否则它和普通航模之间就没有本质区别 而真正决定一架无人机能做什么工作的,往往是任务载荷系统 简单来说: * 飞行平台解决的是“把设备送到空中” * 任务载荷决定的是“到了空中之后完成什么任务” 在真实工程中,载荷从来不是附属件,而是整机设计的重要约束来源 很多时候,任务载荷反而会反过来影响整机设计方案 所以在工业无人机项目里,机体结构、动力系统、电源设计,甚至飞控参数,最终都需要围绕载荷重新调整 一、什么是任务载荷 任务载荷,就是无人机为了完成特定任务而携带的功能设备 常见载荷包括: * 可见光相机 * 红外热成像 * 激光雷达 * 喷洒设备 * 投送装置 * 喊话器 * 探照灯 * 通信中继设备 也就是说: 同一套飞行平台,因为挂载不同设备,可以变成完全不同用途的系统 飞行平台本

2026 年 Python AI 大模型部署全攻略:本地运行 + API 服务 + Docker 封装

2026 年 Python AI 大模型部署全攻略:本地运行 + API 服务 + Docker 封装

随着开源大模型的爆发式增长,2026 年在本地与服务端部署 AI 大模型已成为开发者的核心技能。本文将从本地运行、API 服务化、Docker 容器封装三个维度,给出完整的生产级部署方案。 一、整体架构概览 开发调试 团队协作 生产交付 模型选择与下载 部署方式 本地直接运行 API 服务化 Docker 容器封装 llama.cpp / vLLM / Ollama FastAPI + vLLM / TGI Dockerfile + docker-compose 性能调优 监控与运维 二、模型选型与技术栈(2026 主流方案) 维度推荐方案适用场景本地推理llama.cpp / Ollama个人开发、低资源环境GPU 推理vLLM / TGI高并发、低延迟API 框架FastAPI轻量、高性能容器化Docker + NVIDIA Container Toolkit标准化部署编排docker-compose