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

前端实现Word文档在线编辑与导出:基于mammoth.js与Blob对象的完整解决方案

如何在浏览器中直接编辑Word文档并导出?本文将深入探索一种基于mammoth.js和Blob对象的完整技术方案。 在当今的Web应用开发中,实现文档的在线编辑与导出已成为常见需求。无论是企业内部系统、教育平台还是项目管理工具,都迫切需要让用户能够在浏览器中直接编辑Word文档,而无需安装桌面软件。本文将详细介绍如何利用mammoth.js和Blob对象实现这一功能,并对比其他可行方案。 一、为什么选择mammoth.js与Blob方案? 在Web前端实现Word文档处理,主要有三种主流方案:浏览器原生Blob导出、mammoth.js专业转换和基于模板的docxtemplater方案。它们各有优劣,适用于不同场景。 mammoth.js的核心优势在于它能将.docx文档转换为语义化的HTML,而非简单复制视觉样式。这意味着它生成的HTML结构清晰、易于维护和样式定制。配合Blob对象,我们可以轻松将编辑后的内容重新导出为Word文档。 与直接使用Microsoft Office Online或Google Docs嵌入相比,mammoth.js方案不依赖外部服务,能更好地

AI浪潮下,前端路在何方

AI浪潮下,前端路在何方

一、本文主题 本篇为第二篇,依托于AI,无学习基础前端转KMP开发,主要针对前端发展展望,实践,和思考进行讲解。其中包含前端转KMP开发,并最终将项目如期落地。 篇一 篇二 * 展望:介绍AI对前端职业的影响和变革,以及对自身学习成长的影响 * 实践:依托于AI,实现无学习周期的,前端转KMP跨端 * 思考:未来研发团队新形态的探索和思考 二、行业发展,展望总结性观点 从语言热度趋势,框架/工具发展,浏览器发展,AI工具支持,跨端演变,学习模式变革等方面,分析前端发展和未来展望 总结性观点 * 从AI在编程语言支持能力情况,前端和AI有非常强的融合能力,必然会走向人机协同模式。同时拥抱具有类型安全性的TS已是必然趋势。有机遇也有风险,传统开发者逐步转变为AI人机协同研发。vibe coding,大模型善后工程师,AI 80分危机等,新兴用词出现,也预示着这一变革的推进,编码方式转变正在发生。 * 前端在视觉展现上,具有代码体量小,依赖少,

黑马程序员java web学习笔记--后端进阶(三)Maven高级

目录 1 分模块设计与开发 2 继承与聚合 2.1 继承(简化依赖配置、统一管理依赖版本) 2.1.1 继承关系 2.1.2 版本锁定  2.2 聚合 (快速构建项目,在父工程/聚合工程中配置聚合的模块) maven 中继承与聚合的联系与区别? 3 私服 Maven 是一款构建和管理 Java 项目的工具。 1 分模块设计与开发 分模块设计就是将项目按照功能/结构拆分成若干个子模块,方便项目的管理维护、拓展,也方便模块键的相互调用、资源共享。 1. 策略一:按照功能模块拆分,比如:公共组件、商品模块、搜索模块、购物车模块、订单模块等。 2.

图图的嗨丝造相-Z-Image-Turbo多场景落地:从个人创作到AI绘画工作流提效指南

图图的嗨丝造相-Z-Image-Turbo多场景落地:从个人创作到AI绘画工作流提效指南 1. 引言:当AI绘画遇见特定风格创作 如果你是一位AI绘画爱好者,或者从事与视觉内容创作相关的工作,可能遇到过这样的困扰:市面上通用的文生图模型虽然强大,但当你想要生成一些特定风格、特定元素的图片时,比如带有“大网渔网袜”这种非常具体服饰特征的图像,往往需要花费大量时间去调试复杂的提示词,结果还不一定理想。 今天要介绍的 图图的嗨丝造相-Z-Image-Turbo,就是专门为解决这类问题而生的。它不是一个从零开始训练的庞然大物,而是在优秀的 Z-Image-Turbo 模型基础上,通过 LoRA 技术微调出的一个“专家模型”。简单来说,它继承了原模型强大的图像生成能力,同时又特别擅长生成穿着“大网渔网袜”的人物图像。 这篇文章,我将带你从零开始,手把手部署并使用这个模型。更重要的是,我们将一起探索如何将它融入到从个人兴趣创作到专业工作流的各个环节,真正实现提效。无论你是想为自己喜欢的角色创作同人图,还是需要为电商、游戏、社交媒体等内容生产寻找高效的解决方案,相信都能在这里找到灵感。