把 AI 小助手接入企业微信：用一个回调接口做群聊机器人实战篇

优质文章学习记录

— 9 min read

你也许已经有了一个「看起来还挺像样」的 AI 小助手服务，比如：

  • 有 HTTP 接口 /v1/chat；
  • 能识别不同 Skill（待办、日报、FAQ 等）；
  • 甚至已经有网页版前端。

但现实是：同事们每天真正打开的是企业微信，很少会专门去打开一个新网页跟机器人聊天。

这篇文章就做一件很实用的小事：

在不动你现有 AI 服务核心逻辑的前提下，
用一个企业微信“回调接口”，
把它变成「群聊里的 @ 机器人」。

一、整体思路：后端不重写，只加一层「翻译器」

假设你现在的 AI 服务长这样：

  • 接口：POST /v1/chat

返回：

{ "answer": "上午开会，下午写代码……", "skill": "daily_plan", "duration_ms": 1234 }

请求体：

{ "question": "今天帮我规划下工作", "session_id": "xxx", "user_id": "u_123", "user_level": "normal" }

我们要做的只是：

  1. 在企业微信后台配置一个消息回调 URL（比如 /wechat/callback）；
  2. 在后端写一个超薄适配层：
    • 收到企业微信推来的加密 XML；
    • 解密 → 提取出「用户 ID + 文本内容」；
    • 把「文本内容」转成 question，连同 user_id 一起转发给 /v1/chat；
    • 拿到 answer，再按照企业微信要求的格式加密返回。

可以简单理解为：

企业微信：提供 UI 和消息推送
你的 AI 小助手：负责“想答案”
中间这个回调接口：负责「翻译 + 转发 + 回填」

二、企业微信端：你必须准备的 3 个关键参数

在写代码前，先在企业微信后台把几个关键信息准备好。

2.1 创建自建应用 / 机器人

  1. 管理员登录企业微信后台；
  2. 进入【应用管理】 →【自建】→【创建应用】；
  3. 按提示填写名称、图标即可。

创建完成后，记下：

  • CorpID（企业 ID）
  • AgentID（应用 ID）
  • Secret（应用密钥）
其中 CorpID 稍后会和 Token、EncodingAESKey 一起用于解密；
Secret 一般用于你「主动调用企业微信接口」，本篇只做回调，不用到。

2.2 配置消息回调

在刚刚创建的自建应用里，找到：

  • 「接收消息」或「回调配置」模块

配置三项：

  1. URL：你后端可公网访问的地址，比如
    https://your-domain.com/wechat/callback
  2. Token：自己随便写一个，比如 my_wechat_token_2024
  3. EncodingAESKey：企业微信自动生成的一串 43 位字符串

这三项记下来，对应到代码里的环境变量：

环境变量名对应企业微信配置
WECHAT_TOKENToken
WECHAT_ENCODING_AES_KEYEncodingAESKey
WECHAT_CORP_ID企业 CorpID

三、项目结构：只新增一个 wechat_adapter.py

假设你当前项目结构：

project/ ├── app/ │ ├── server.py # 已有：包含 /v1/chat │ ├── ... ├── docker-compose.yml └── Dockerfile

现在只需要：

  • 在 app/ 下加一个 wechat_adapter.py，做企业微信适配；
  • 在 server.py 里把这个 router 挂起来。

四、后端实现：FastAPI + wechatpy

这里用 FastAPI 举例（Flask 思路完全一样），并使用 wechatpy 来处理消息加解密，避免自己手写 AES。

4.1 安装依赖

pip install fastapi uvicorn wechatpy httpx

（如果你已经有 FastAPI，只需加 wechatpy 和 httpx 即可。）

4.2 编写 wechat_adapter.py

# app/wechat_adapter.py import os from fastapi import APIRouter, Request from fastapi.responses import PlainTextResponse from wechatpy.enterprise.crypto import WeChatCrypto from wechatpy.enterprise import parse_message, create_reply import httpx # 从环境变量读取配置 WECHAT_TOKEN = os.getenv("WECHAT_TOKEN") WECHAT_ENCODING_AES_KEY = os.getenv("WECHAT_ENCODING_AES_KEY") WECHAT_CORP_ID = os.getenv("WECHAT_CORP_ID") # 你自己的 AI 服务接口 AGENT_BACKEND_URL = os.getenv("AGENT_BACKEND_URL", "http://localhost:8000/v1/chat") router = APIRouter() @router.get("/callback") async def wechat_verify( msg_signature: str, timestamp: str, nonce: str, echostr: str ): """ 企业微信在配置回调 URL 时，会发一个 GET 请求校验。 要做的就是：用 WeChatCrypto 解密 echostr，然后原样返回。 """ crypto = WeChatCrypto(WECHAT_TOKEN, WECHAT_ENCODING_AES_KEY, WECHAT_CORP_ID) try: echostr_decoded = crypto.decrypt_message(echostr, msg_signature, timestamp, nonce) return PlainTextResponse(content=echostr_decoded) except Exception: # 验签失败就返回空，企业微信会认为不通过 return PlainTextResponse(content="") @router.post("/callback") async def wechat_callback(request: Request): """ 真正收消息的入口。 1. 解密 XML 2. 解析文本内容 3. 调用内部 AI 服务 4. 构造并加密回复 """ query = request.query_params msg_signature = query.get("msg_signature") timestamp = query.get("timestamp") nonce = query.get("nonce") raw_xml = await request.body() crypto = WeChatCrypto(WECHAT_TOKEN, WECHAT_ENCODING_AES_KEY, WECHAT_CORP_ID) try: msg_xml = crypto.decrypt_message( raw_xml, msg_signature, timestamp, nonce ) except Exception: return PlainTextResponse(content="") # 解析企业微信 XML msg = parse_message(msg_xml) # 只处理文本消息 if msg.type != "text": reply = create_reply("暂时只支持文本消息哦～", msg) encrypted = crypto.encrypt_message(reply.render(), nonce, timestamp) return PlainTextResponse(content=encrypted) # 用户ID（企业微信里的 userid） user_id = msg.source content = msg.content.strip() # [可选] 去掉前面的 @机器人 文本，只保留真正问题 # 例如："@AI小助手 帮我写日报" → "帮我写日报" if content.startswith("@"): idx = content.find(" ") if idx != -1: content = content[idx + 1 :].strip() # 调用你自己的 AI 接口 async with httpx.AsyncClient(timeout=30) as client: try: resp = await client.post( AGENT_BACKEND_URL, json={ "question": content, "session_id": f"wx_{user_id}", "user_id": f"wx_{user_id}", "user_level": "normal", } ) data = resp.json() answer = data.get("answer", "后端没有返回 answer 字段，请检查。") except Exception as e: answer = f"后端服务异常：{e}" # 构造回复 XML 并加密 reply = create_reply(answer, msg) encrypted = crypto.encrypt_message(reply.render(), nonce, timestamp) return PlainTextResponse(content=encrypted)

4.3 在 server.py 中挂载 router

# app/server.py from fastapi import FastAPI from app.wechat_adapter import router as wechat_router app = FastAPI(title="My AI Agent Service") # 原有 /v1/chat 等接口 # @app.post("/v1/chat") # async def chat(...): # ... # 新增企业微信路由 app.include_router(wechat_router, prefix="/wechat")

本地启动（开发阶段）：

uvicorn app.server:app --host 0.0.0.0 --port 8000 --reload

现在，你有了如下几个接口：

  • POST /v1/chat：原来的 AI 接口
  • GET /wechat/callback：用于企业微信验证 URL
  • POST /wechat/callback：用于接收真实消息并回复

五、让企业微信找到你的服务：Nginx / 域名配置

企业微信需要访问你服务器的公网地址，所以一般会放在 Nginx 之后。

假设你有一个域名 https://bot.example.com，Nginx 配置大致如下（核心是 /wechat/ 这段）：

server { listen 80; server_name bot.example.com; location / { proxy_pass http://app:8000/; } # 专门给企业微信回调用 location /wechat/ { proxy_pass http://app:8000/wechat/; proxy_set_header Host $host; proxy_set_header X-Real-IP $remote_addr; proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for; proxy_set_header X-Forwarded-Proto $scheme; } }

重载 Nginx：

nginx -s reload

然后在企业微信后台把回调 URL 填写为：

https://bot.example.com/wechat/callback

保存时，企业微信会向这个 URL 发一个 GET 请求进行签名验证。只要你代码和配置写对，后台就会提示「验证通过」。

六、Docker Compose 中增加环境变量（如在容器里跑）

如果你是用 docker-compose 启动 FastAPI 应用，在 docker-compose.yml 里为 app 服务增加环境变量：

services: app: build: . environment: - OPENAI_API_KEY=sk-xxxx - WECHAT_TOKEN=my_wechat_token_2024 - WECHAT_ENCODING_AES_KEY=你的43位AESKey - WECHAT_CORP_ID=你的企业CorpID - AGENT_BACKEND_URL=http://app:8000/v1/chat ports: - "8000:8000"

重新构建并启动：

docker-compose up -d --build

七、在企业微信群里真实体验一把

  1. 确保：
    • 你的 app 服务已启动；
    • Nginx 反向代理配置正确；
    • 企业微信后台的回调验证已经通过。
  2. 在企业微信中：
    • 找到你刚刚创建的自建应用 / 机器人；
    • 将它添加到某个测试群。
  3. 对同事来说，这就是一个普通的群聊机器人：
    • 不需要任何技术知识；
    • 会记住对话上下文（取决于你 /v1/chat 的实现）；
    • 会调用你现有的多技能 / RAG / 缓存逻辑。

在群里直接 @ 它，例如：

张三：@AI小助手 帮我写一份今天的工作计划： 上午要开会，下午写代码，晚上看两篇技术文章。 AI小助手： 好的，这是你今天的简要工作计划： 1. 上午：准备和参加会议，记录行动项…… 2. 下午：根据会议结论编写代码…… 3. 晚上：选择两篇和当前项目相关的技术文章……

八、简单故障排查 Checklist

1. 企业微信后台提示「URL 验证失败」

重点检查：

  • WECHAT_TOKEN、EncodingAESKey、CorpID 是否和后台一致；
  • URL 是否和你代码里的路由匹配（是否带 /wechat/callback 前缀）；
  • Nginx 是否正确转发到你的 app:8000/wechat/。

可以在回调接口里先打印日志，确认 GET 请求有没有到后端。

2. 群里 @ 机器人没反应

可能原因：

  1. /wechat/callback 配置的是内网地址，企业微信访问不到；
  2. 你的 AI 服务 /v1/chat 报错，导致 answer 为空或超时；
  3. 机器人没有被拉进当前群。

排查方法：

  • 先在后端打印收到的 msg.content，确保消息已经到达你服务；
  • 再单独用 curl 或 Postman 测试 /v1/chat 是否工作正常。

3. 机器人一直回复「只支持文本」

说明你发送的是图片、文件等非文本类型，而代码里只接受 msg.type == "text"。可以根据实际需要扩展对其他类型的支持。

九、进阶扩展思路（可选）

当基础版本跑通后，你可以逐步加一些“工程化”功能：

  1. 按用户配额控制用量
    • 把 user_id = msg.source 传给 /v1/chat；
    • 在 AI 服务侧按人统计 Token 消耗，设置每日上限。
  2. 按部门开放不同 Skill
    • 若能从企业微信接口拿到部门信息，可在内部配置文件中，为不同部门开放不同功能。
  3. 对接钉钉 / 飞书
    • 保持 /v1/chat 不变；
    • 新增 dingtalk_adapter.py、feishu_adapter.py，用同样的“回调 → 转发”模式接入。

十、总结

  • 不动核心，只加一层适配：
    企业微信只是换了一个入口，你的 AI 逻辑仍只暴露 /v1/chat。
  • 成本低，上手快：
    一份 wechat_adapter.py + 一点 Nginx / Docker 配置，就能把你的 AI 小助手真正「塞进」日常企业工作流。
  • 具备可扩展空间：
    后续可以按配额、权限、统计、管理后台等方向继续进化，而这一层群聊回调接口几乎无须改变。

Read more

一分钟看完：深圳都有哪些机器人公司

1. 人形机器人与具身智能（当下最火，运控/LLM背景） 序号公司名称核心业务（10字内）公司地址（补齐与精确化）1优必选 (UBTECH)商业化双足人形机器人南山区学苑大道1001号南山智园 C1 栋2乐聚机器人 (Leju)人形机器人本体与算法南山区学苑大道1068号南山智园 C2 栋3众擎机器人 (EngineAI)通用人形与外骨骼电机南山区学苑大道1001号南山智园 (具体栋数在C区)4逐际动力 (LimX)动态双足/四足运控算法南山区南头街道前海华润金融中心 (研发中心)5星尘智能 (Astribot)绳驱 AI 机器人与灵巧手南山区打石一路深圳国际创新谷 6 栋6帕西尼感知 (PaXini)触觉传感器与人形手南山区粤海街道深圳湾科技生态园7自变量机器人 (X Square)端到端具身智能大模型南山区西丽街道万科云城8数字华夏康养与文旅服务人形机器人南山区西丽街道留仙大道创智云城9跨维智能 (DexForce)三维视觉与具身操作大模型南山区粤海街道软件产业基地10腾讯 Robotics X实验室前沿轮足与灵巧手南山区粤海街道腾讯滨海大厦/朗科大厦11易择智擎VLA 具身

FLUX.1-dev与Stable Diffusion对比评测：图像质量与生成速度

FLUX.1-dev与Stable Diffusion对比评测：图像质量与生成速度 作为一名长期关注AI图像生成技术的开发者，我一直在寻找能够在质量和速度之间取得最佳平衡的解决方案。最近，Black Forest Labs开源的FLUX.1-dev模型引起了我的注意，特别是它声称能够在消费级硬件上运行，同时保持出色的图像质量。 今天我将通过实际测试，从图像细节、风格控制、生成速度等多个维度，对比FLUX.1-dev与大家熟悉的Stable Diffusion，看看这两个模型在实际使用中究竟表现如何。 1. 测试环境与方法 为了确保对比的公平性，我搭建了统一的测试环境。使用NVIDIA RTX 4090显卡，24GB显存，Intel i9-13900K处理器，64GB DDR5内存。操作系统为Ubuntu 22.04，所有测试都在相同的硬件和软件环境下进行。 测试方法包括定量评估和定性分析。定量方面主要测量生成速度、内存占用等硬性指标；定性方面则通过同一组提示词生成图像，从视觉质量、细节表现、风格一致性等角度进行对比。 我选择了50组涵盖不同场景的提示词，包括人物肖像、风景
FPGA AD7606串行驱动与并行驱动

FPGA AD7606串行驱动与并行驱动

AD7606是一个八通道16分辨率的adc，有两种测量范围5v和10v，每个通道采样率最高200ksps，支持多种驱动方案，最常用的有串行方案与并行方案，其中串行方案采用spi协议进行数据传输，可以在io引脚不够用的情况下采用，而并行方案采用16个io在一个采样边沿同时接收一次采样数据。 首先介绍ad7606的内部结构 内部主要部分有四个模块，模块1是在每个通道处添加了2阶巴特沃斯模拟低通滤波器，用来抗混叠，其截止频率受电压测量范围影响，当范围为5v时截止频率15khz，10v时23khz 因此在使用ad7606测量截止频率以上的信号时，需要在前方加入仪表放大器来放大信号，否则信号会被ad7606滤除 模块2用来控制复位、测量范围、通道转换，range为0时测量范围0~5v，1时测量范围0~10v，通道转换是指八个通道可分为两组，A组包含0~3通道，B组包含4~7通道，转换的意思就是在adc内部进行模拟量向数字量的转换，转换需要消耗一定的时间，而要指定那组通道转换则受convst信号影响，convst A信号拉高会让A组转换，convst B拉高会让B组转换，一般convst
图谱驱动大模型智能体普惠时代：Neo4j Aura Agent正式全面上线

图谱驱动大模型智能体普惠时代：Neo4j Aura Agent正式全面上线

摘要： Neo4j Aura Agent正式商用，基于知识图谱的智能体构建平台实现分钟级部署，重塑企业AI应用开发范式。 往期推荐 [290页电子书]打造企业级知识图谱的实战手册，Neo4j 首席科学家力作！从图数据库基础到图原生机器学习 [550页电子书]2025年10月最新出版-知识图谱与大语言模型融合的实战指南：KG&LLM in Action [30页电子书]GraphRAG开发者指南 [180页电子书]GraphRAG全面解析及实践-Neo4j:构建准确、可解释、具有上下文意识的生成式人工智能应用 [140页]Neo4j GraphRAG白皮书 引言 在AI智能体（Agentic AI）市场快速扩张的当下，Neo4j宣布其开创性的智能体创建平台——Neo4j Aura Agent正式进入全面可用阶段，并在2026年2月全月提供免费使用。这一平台为AuraDB客户带来了革命性的体验：只需几分钟即可构建和部署基于知识图谱的智能体，并配备强大的新功能——包括基于本体的自动化智能体构建，以及一键部署到安全托管的MCP服务器。 智能体AI不仅仅是制造巨大的市