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

Linux网络 | 理解Web路径 以及 实现一个简单的helloworld网页

Linux网络 | 理解Web路径 以及 实现一个简单的helloworld网页

前言：本节内容承接上节课的http相关的概念， 主要是实现一个简单的接收http协议请求的服务。这个程序对于我们理解后面的http协议的格式，报头以及网络上的资源的理解， 以及本节web路径等等都有着重要作用。 可以说我们就用代码来理解这些东西。 那么废话不多说， 现在开始我们的学习吧。         ps：本节内容建议先看一下上一篇文章http的相关概念哦：linux网络 | 深度学习http的相关概念-ZEEKLOG博客 目录  准备文件  makefile HttpServer.hpp 类内成员 封装sockfd start  ThreadRun  全部代码 运行结果 响应书写 Web路径  准备文件         首先准备文件： 这里面Httpserver.cc用来运行接收http请求的服务。 HttpServer.hpp用来定义http请求。Log.hpp就是一个打印日志的小组件， Socket.hpp同样是套接字的组件。 到使用直接调用相关接口即可。（Log.hpp和Socket.hpp如何实现不讲解， 如果想要知道

Hunyuan-MT-7B-WEBUI部署案例：教育机构多语教学辅助系统

Hunyuan-MT-7B-WEBUI部署案例：教育机构多语教学辅助系统 1. 背景与需求分析 随着全球化进程的加速，教育机构在开展国际交流、双语教学和少数民族语言教育过程中，对高质量、低延迟的翻译工具需求日益增长。传统的翻译服务往往依赖云端API，存在数据隐私风险、网络延迟高、语种覆盖不全等问题，尤其在涉及维吾尔语、藏语等少数民族语言与汉语互译时，通用模型表现不佳。 在此背景下，腾讯开源的Hunyuan-MT-7B-WEBUI翻译模型为教育场景提供了理想的本地化解决方案。该模型基于70亿参数规模，在38种语言间实现互译，涵盖日语、法语、西班牙语、葡萄牙语及多种民族语言与汉语的双向翻译任务。其在WMT25比赛中30语种排名第一，并在Flores-200等权威测试集上表现领先，是当前同尺寸中效果最优的开源翻译模型之一。 更重要的是，该模型通过WebUI封装，支持“一键推理”，极大降低了部署门槛，使得非技术背景的教师和管理人员也能快速使用，真正实现了“开箱即用”。 2. 技术架构与核心优势 2.1 模型能力概览 Hunyuan-MT-7B 是专为多语言翻译设计的大规模预训

Windows下零基础部署Qwen2.5-Coder-7B-Instruct模型：从环境配置到Web对话界面搭建

Windows下零基础部署Qwen2.5-Coder-7B-Instruct模型：从环境配置到Web对话界面搭建 最近有不少朋友在问，有没有可能在Windows电脑上跑起来一个能写代码、能聊天的AI助手，而且最好是从零开始、步骤清晰的那种。如果你也对在本地部署一个属于自己的代码生成模型感兴趣，但看着命令行和一堆库就头疼，那这篇文章可能就是为你准备的。我们将聚焦于如何在Windows系统上，一步步把阿里云开源的Qwen2.5-Coder-7B-Instruct模型部署起来，并最终搭建一个可以通过浏览器访问的对话界面。整个过程会尽量避开那些晦涩的术语，用最直白的方式讲清楚每一步要做什么，以及为什么这么做。无论你是刚接触AI的开发者，还是想在自己的项目里集成代码生成能力，这个实践都能提供一个扎实的起点。 1. 部署前的环境准备与规划 在Windows上部署一个7B参数的大语言模型，听起来可能有点挑战，但得益于现代工具链的完善，这个过程已经比几年前友好太多了。不过，在动手之前，我们必须先做好两件事：硬件资源评估和软件环境搭建。这就像盖房子前要打好地基和备好建材一样，准备充分了，后续的搭

万象熔炉 | Anything XL教程：Streamlit实时预览功能与生成进度可视化

万象熔炉 | Anything XL教程：Streamlit实时预览功能与生成进度可视化 1. 项目简介 万象熔炉 | Anything XL 是一个基于StableDiffusionXLPipeline开发的本地图像生成工具，专门为二次元和通用风格图像生成而优化。这个工具最大的特点是完全本地运行，不需要网络连接，保护用户隐私的同时提供高质量的图像生成体验。 工具采用了一系列优化策略来适应SDXL模型的大显存需求：使用FP16精度加载模型，配合CPU卸载策略，有效降低了显存占用。同时直接支持safetensors单文件权重加载，无需复杂的配置过程，真正做到了开箱即用。 2. 环境准备与快速启动 2.1 系统要求 在开始使用之前，请确保你的系统满足以下基本要求： * 操作系统：Windows 10/11, Linux, 或 macOS * Python版本：Python 3.8 或更高版本 * 显卡：NVIDIA显卡，显存建议8GB或以上（4GB显存可尝试降低分辨率使用） * CUDA：CUDA 11.7 或更高版本 2.