OpenClaw安装和接入飞书机器人完整教程

优质文章学习记录

— 10 min read

OpenClaw安装和接入飞书机器人分三大部分组织回答：
1）先讲环境准备和OpenClaw基础安装（分阿里云和本地Windows两种场景）；

2）再讲飞书机器人配置（包括应用创建、通道添加、事件订阅）；

3）最后讲验证和配置AI模型。

为了更直观，在部署方式对比、配置项说明等地方用表格呈现。

这是一份完整的OpenClaw安装及接入飞书机器人的教程。将涵盖从环境准备、OpenClaw部署（含阿里云服务器和本地Windows两种方式）、AI模型（以阿里云百炼为例）配置，到最终在飞书开放平台创建并接入机器人的全流程。

第一部分：准备工作与核心认知

在开始动手前，我们需要先了解 OpenClaw 是什么，并准备好必要的账号和工具。

1.1 什么是 OpenClaw？

OpenClaw（昵称“小龙虾”，曾用名 ClawdBot / Moltbot）是一个开源的个人AI智能体框架。它本身不具备推理能力，需要对接大语言模型（如阿里云百炼、七牛云、OpenAI等）的API。它的核心价值在于：

  • 真正的执行能力：能通过“技能”（Skills）直接操作电脑、调用插件 。
  • 多平台接入：支持接入飞书、Telegram、WhatsApp 等聊天软件 。
  • 部署灵活：可以部署在云端（7×24小时运行）或个人电脑本地 。

1.2 环境与物料清单

在部署前，请确保你准备好了以下内容：

  • 服务器/电脑：
    • 方案A（推荐）：阿里云轻量应用服务器（2核4GB内存以上，系统推荐 Ubuntu 22.04 或 OpenClaw 官方镜像）。
    • 方案B：本地 Windows 11 电脑（内存建议 8GB 以上，需安装 Node.js 和 Git）。
  • 必备账号与凭证：
    • 阿里云账号：用于开通百炼大模型服务（或其他模型提供商，如七牛云）并获取 API Key 。
    • 飞书企业账号：用于登录飞书开放平台创建机器人 。
  • 基础工具：
    • 终端工具：Windows 需管理员权限的 PowerShell；Mac/Linux 用自带终端 。
    • 远程连接工具：如使用云服务器，需准备 Finalshell、Xshell 或使用阿里云 WebShell 。

第二部分：OpenClaw 基础环境部署

OpenClaw 依赖 Node.js 运行。你可以根据自己的情况选择在云服务器或本地 Windows 上部署。

2.1 方案 A：阿里云服务器部署（7x24小时运行，推荐）

适合团队协作、需要长期稳定运行的场景。

2.1.1 获取阿里云百炼 API Key（用于AI大脑）

OpenClaw 需要一个大模型来“思考”，我们以阿里云百炼平台的模型为例 。

  1. 访问 阿里云百炼大模型控制台，完成实名认证。
  2. 在“API-KEY 管理”中，点击创建 API-Key。
  3. 复制生成的密钥（格式如 sk-...），保存好备用 。
2.1.2 一键购买与部署（新手最快方式）

阿里云提供了包含 OpenClaw 的轻量应用服务器镜像，可以实现一键部署 。

  1. 进入专题页：访问阿里云 OpenClaw 一键部署专题页面，点击 【一键购买并部署】 。
  2. 选购服务器：
    • 镜像：选择 OpenClaw(Moltbot)镜像。如果已有服务器，可以重置系统选择此镜像。
    • 实例规格：内存必须 2GiB 及以上（建议4GiB）。
    • 地域：如需联网搜索功能，建议选择非中国大陆地域（如美国（弗吉尼亚）），或使用香港地域 。
  3. 配置百炼 API：
    • 购买完成后，进入轻量应用服务器控制台，找到你的实例。
    • 点击进入应用详情页。
    • 在“OpenClaw使用步骤”区域，单击配置百炼API-Key的“执行命令”，输入刚才保存的 API-Key 。
  4. 放行端口：在应用详情页，点击端口放通的“执行命令”，一键放行 18789（OpenClaw 控制台）等必要端口 。
  5. 获取访问地址：点击访问 Web UI 面板的“执行命令”，获取访问地址。在本地浏览器打开该地址（格式为 http://服务器公网IP:18789），即可看到 OpenClaw 控制台 。
2.1.3 Docker 手动部署（进阶稳定）

如果你更喜欢用 Docker 进行环境隔离，可以通过 SSH 连接到服务器后执行以下命令 ：

# 1. 拉取官方镜像docker pull openclaw/openclaw:2026.3.8 # 2. 创建数据目录mkdir-p /opt/openclaw/{config,skills,agents,logs,feishu-config}# 3. 启动容器docker run -d\--name openclaw \--restart always \-p18789:18789 \-v /opt/openclaw/config:/app/config \-v /opt/openclaw/skills:/app/skills \-v /opt/openclaw/feishu-config:/app/feishu-config \-eTZ=Asia/Shanghai \ openclaw/openclaw:2026.3.8 # 4. 进入容器进行初始化dockerexec-it openclaw bash openclaw init --feishu

2.2 方案 B：本地 Windows 11 部署（测试、隐私优先）

适合个人测试或数据不想上传云端的场景 。

2.2.1 安装系统依赖
  1. 安装 Node.js：
    • 下载 Node.js 官网的 LTS 版（22.x 或 24.x）。
    • 安装时务必勾选 “Add to PATH”。
    • 安装后打开 PowerShell，输入 node -v 和 npm -v 验证版本 。
  2. 安装 Git：从 Git 官网下载安装包，保持默认选项，确保 “Git Bash Here” 和 “Add Git to PATH” 被勾选 。
  3. 安装 Visual C++ Redistributable：Win10/Win11 通常需要此运行库，从微软官网下载安装 x64 版本 。
2.2.2 配置 PowerShell 与 npm 镜像
  1. 以管理员身份打开 PowerShell。

配置 npm 国内镜像（加速下载）：

npm config set registry https://registry.npmmirror.com/

解除脚本执行限制（关键步骤）：

Set-ExecutionPolicy RemoteSigned -Scope CurrentUser Set-ExecutionPolicy-Scope Process-ExecutionPolicy Bypass

按 Y 确认 。

2.2.3 一键安装 OpenClaw

在 PowerShell 中执行官方 Windows 安装脚本：

iwr-useb https://openclaw.ai/install.ps1 |iex

等待脚本自动运行完成 。

2.2.4 初始化与启动

打开控制面板：

openclaw dashboard

浏览器会自动打开 http://127.0.0.1:18789，进入 OpenClaw 图形化管理界面 。

运行配置向导（首次安装）：

openclaw onboard --install-daemon

此向导会引导你设置模型提供商（可先跳过或临时选择，后续会修改）。

启动 Gateway 服务：

openclaw gateway start

第三部分：配置 AI 模型（以阿里云百炼为例）

无论你采用哪种部署方式，安装完成后，都需要告诉 OpenClaw 使用哪个大模型。你可以通过修改配置文件或在 Web UI 中完成。

3.1 配置文件方式

OpenClaw 的配置文件通常位于 ~/.openclaw/openclaw.json（Linux/Mac）或 C:\Users\你的用户名\.openclaw\openclaw.json（Windows）。
在配置文件的 models.providers 中添加阿里云百炼（或七牛云等兼容OpenAI格式的）配置 ：

{"models":{"providers":{"bailian":{"baseUrl":"https://dashscope.aliyuncs.com/compatible-mode/v1","apiKey":"你的阿里云百炼API-KEY","api":"openai-completions","models":[{"id":"qwen-plus","name":"通义千问-Plus","contextWindow":128000,"maxTokens":8192},{"id":"qwen-max","name":"通义千问-Max","contextWindow":128000,"maxTokens":8192}]}}}}

注意：apiKey 也可以通过环境变量 ${BAILIAN_API_KEY} 引用，更安全 。

3.2 使用 Onboarding 向导

如果你不想手动编辑文件，也可以在终端重新运行 openclaw onboard 命令，在交互式菜单中选择 “Model/auth provider”，然后选择 “阿里云百炼” 并粘贴你的 API Key 。

第四部分：接入飞书机器人（核心步骤）

这是让 OpenClaw 进入飞书群聊的关键环节。

4.1 在飞书开放平台创建应用

  1. 访问飞书开放平台，登录你的企业账号。
  2. 点击**“创建应用”** -> “企业自建应用”，填写应用名称（如“我的小龙虾助手”）和描述 。
  3. 创建完成后，进入应用详情页，点击左侧**“凭证与基础信息”**，获取 App ID 和 App Secret（保存好，后面要用）。

4.2 配置 OpenClaw 飞书通道

  1. 获取事件订阅地址：
    添加通道后，OpenClaw 会生成一个用于接收飞书事件的 HTTP 地址（通常是 https://你的公网IP或域名:18789/api/v1/channels/feishu/webhook 或类似格式）。
    • 如果是本地部署，需要使用内网穿透工具（如 ngrok）将本地地址暴露到公网。
    • 如果是云服务器，请确保使用的是公网 IP，并且防火墙（以及阿里云安全组）已放行 18789 端口 。

在 OpenClaw 中添加飞书通道：
在你的 OpenClaw 服务器终端（或本地 PowerShell）中执行：

# 格式：openclaw channels add --channel feishu --token "你的AppID:你的AppSecret" openclaw channels add--channel feishu --token"cli_xxxxxxxx:你的AppSecret"

参考 QQ Bot 的添加逻辑 。

4.3 配置飞书应用的事件订阅

  1. 回到飞书开放平台的应用管理后台。
  2. 点击左侧**“事件订阅”**。
  3. 在“请求地址配置”中，粘贴上一步获取的 OpenClaw 事件订阅地址 。
  4. 点击**“加密策略”**后面的“编辑”，添加事件。
    • 搜索并添加 message 相关的权限和事件（如 接收消息），这是机器人能收到并回复消息的基础。
  5. 添加完成后，点击“保存”。

4.4 配置权限与发布

  1. 权限管理：在左侧“权限管理”中，添加机器人需要的权限。通常至少需要：
    • im:message
    • im:message:send_as_bot （以机器人的身份发送消息）
    • im:chat （获取群聊信息）
  2. 发布版本：点击左侧“版本管理与发布”，创建一个版本并提交审核（需企业管理员审核）。或者，如果你是企业管理员，可以直接点击“申请发布”，然后在审核中通过 。

4.5 将机器人添加到飞书群

  1. 在飞书客户端，打开你想让机器人工作的群聊。
  2. 点击群设置 -> “群机器人” -> “添加机器人”。
  3. 搜索你刚才创建的应用名称（如“我的小龙虾助手”），点击添加。

第五部分：验证与使用

  1. 检查 OpenClaw 状态：
    在服务器终端执行 openclaw status 或 openclaw doctor，确保 Gateway 正在运行，且飞书通道状态正常 。
  2. 在飞书群中互动：
    • 在飞书群里直接 @ 你的机器人，发送一条消息，比如“你好”。
    • 如果配置正确，机器人会调用配置好的大模型进行思考，并回复消息 。
    • 进阶技巧：OpenClaw 支持多智能体，你可以配置多个飞书机器人账号加入同一个群，分别响应不同领域的问题（如一个负责编程，一个负责文案），实现“一群多助手” 。

常见问题排查

  • 提示 openclaw: command not found：
    npm 全局安装目录未添加到 PATH。执行 npm prefix -g 找到路径（如 /usr/local），然后将 /usr/local/bin 添加到系统的 PATH 环境变量中 。
  • 飞书机器人无回复：
    1. 检查飞书开放平台的事件订阅地址是否验证通过。
    2. 检查服务器防火墙和安全组是否放行了 18789 端口。
    3. 查看 OpenClaw 日志：openclaw gateway status 或查看 /var/log/openclaw/ 下的日志文件 。
    4. 确认 API Key 是否有效，余额是否充足。
  • 服务启动失败/内存不足：
    OpenClaw 需要至少 2GB 可用内存（建议 4GB）。如果是低配服务器，建议增加 Swap（交换分区）或升级配置 。

通过以上步骤，你应该已经成功将 OpenClaw 接入飞书，拥有一个 24 小时在线的 AI 协作了。

Read more

AI 智能编码工具：重塑开发效率的革命，从 GitHub Copilot 到国产新秀的全面解析

AI 智能编码工具：重塑开发效率的革命，从 GitHub Copilot 到国产新秀的全面解析

目录 引言 一、主流智能编码工具深度测评：从功能到实战 1. GitHub Copilot：AI 编码的 “开山鼻祖” 核心特性与实战代码 优缺点总结 2. Baidu Comate：文心大模型加持的 “国产之光” 核心特性与实战代码 优缺点总结 3. 通义灵码：阿里云的 “企业级编码助手” 核心特性与实战代码 优缺点总结 引言 作为一名拥有 8 年开发经验的程序员，我曾无数次在深夜对着屏幕反复调试重复代码，也因记不清框架语法而频繁切换浏览器查询文档。直到 2021 年 GitHub Copilot 问世，我才第一次感受到：AI 不仅能辅助编码，更能彻底改变开发模式。如今，智能编码工具已从 “尝鲜选项” 变为 “必备工具”，它们像经验丰富的结对编程伙伴，能精准补全代码、生成测试用例、
第二章-AIGC入门-小白也能看懂的AI图像生成指南：从原理到实战（5/36）

第二章-AIGC入门-小白也能看懂的AI图像生成指南：从原理到实战（5/36）

摘要：AI图像生成是基于深度学习的人工智能技术，能依据文本或图像输入生成新图像。其原理主要基于生成对抗网络（GAN）和变分自编码器（VAE），通过生成器和判别器的对抗训练（在 GAN 中），或编码器和解码器的协作（在 VAE 中），实现图像生成。AI图像生成在艺术创作、商业设计、影视游戏、日常生活等方面有广泛应用，但也面临伦理、版权、技术准确性等挑战。 一、AI 图像生成是什么 AI 图像生成，作为人工智能技术在数字创作领域的重要应用，正深刻地改变着我们生成和理解图像的方式。简单来说，AI 图像生成是利用人工智能算法，依据给定的输入（如文本描述、图像示例等），通过对大量数据的学习和分析，自动生成全新图像的技术。 从原理上讲，AI 图像生成技术建立在深度学习模型的基础之上，其中最为常用的是生成对抗网络（GAN）和变分自编码器（VAE） 。以生成对抗网络为例，它由生成器和判别器两个部分组成。生成器负责生成图像，判别器则用于判断生成的图像是否真实。两者相互对抗、

Llama-3.2-3B步骤详解：Ollama部署后启用GPU加速（CUDA/cuDNN）全流程

Llama-3.2-3B步骤详解：Ollama部署后启用GPU加速（CUDA/cuDNN）全流程 1. 为什么需要GPU加速？——从“能跑”到“跑得快”的关键跃迁 你可能已经用Ollama成功拉起了Llama-3.2-3B，输入几句话就能看到回复，一切看似顺利。但当你连续提问、生成稍长文本，或者尝试多轮对话时，会明显感觉到响应变慢——几秒甚至十几秒的等待，让原本流畅的交互体验打了折扣。 这不是模型能力的问题，而是默认情况下Ollama在CPU上运行。Llama-3.2-3B虽是3B参数量的轻量级模型，但其Transformer结构天然适合并行计算。一块中端消费级显卡（比如RTX 3060或更高），在GPU模式下推理速度可比CPU快3～5倍，显存占用更合理，还能释放出CPU资源去做其他事。 更重要的是，Ollama官方明确支持CUDA加速，且无需手动编译模型或修改源码。整个过程不涉及复杂配置文件编辑，也不要求你成为CUDA专家——只要你的机器有NVIDIA显卡、驱动正常、CUDA环境基础就绪，就能完成切换。本文将带你从零开始，一步步验证环境、启用加速、实测对比，并解决你最可能卡

Mac M系列芯片适配：mlc-llm与llama.cpp对比

Mac M系列芯片适配：mlc-llm与llama.cpp对比 在大语言模型（LLM）逐步从云端走向本地终端的今天，如何在消费级设备上高效运行数十亿参数的模型，成为开发者和研究者共同面对的挑战。苹果自推出搭载M系列芯片的Mac以来，其基于ARM架构的统一内存架构（UMA）与强大的GPU性能，为本地化推理提供了前所未有的硬件基础。然而，由于主流深度学习生态长期依赖CUDA，而Mac缺乏NVIDIA GPU支持，使得多数框架难以直接发挥其全部潜力。 在此背景下，mlc-llm 与 llama.cpp 脱颖而出——它们不依赖传统深度学习运行时，而是通过底层优化，在Apple Silicon上实现了令人惊喜的推理效率。两者路径迥异：一个走“编译驱动、GPU加速”的技术路线，另一个则坚持“极简主义、CPU优先”的哲学。究竟谁更适合你的使用场景？本文将深入剖析二者在Mac平台的技术实现、性能表现与适用边界。 技术内核解析：两条不同的优化路径 mlc-llm：用编译器挖掘Metal的极限算力 mlc-llm并非简单的推理引擎，它本质上是一个面向大模型的端到端编译系统。其核心思想是利用TV