OpenClaw中飞书机器人配置指南:如何让群消息免 @ 也能自动回复

用 OpenClaw 做飞书机器人时,默认配置下,群里的消息必须 @ 机器人 才能触发回复。这在很多场景下很不方便——如果希望机器人在群里"隐身"工作,不用 @ 就能自动监听和回复,需要额外配置。

本文记录我解决这个问题的完整过程,供同样踩坑的同学参考。


问题描述

现象:

  • 飞书群里 @ 机器人 → 正常回复 ✅
  • 飞书群里不 @ 机器人 → 没有任何反应 ❌

环境:

  • OpenClaw 框架
  • 飞书自建应用(机器人)
  • WebSocket 长连接模式

解决过程

第一步:修改 OpenClaw 配置

openclaw.json 中找到飞书渠道配置:

"channels":{"feishu":{"requireMention":false,...}}

requireMention 设为 false,让 OpenClaw 不再强制要求 @ 机器人。

但这还不够 ❌

第二步:申请飞书平台权限

修改 OpenClaw 配置后测试,发现消息依然收不到。

查日志发现:消息根本没有到达 OpenClaw——问题出在飞书平台层面

飞书默认只推送 @ 机器人 的消息到应用。如果要接收群里所有消息(不限于 @),需要在飞书开放平台申请一个敏感权限:

权限名称:im:message.group_msg(获取群组中所有消息)

第三步:在飞书开放平台申请权限

  1. 打开 飞书开放平台,进入你的应用
  2. 事件与回调事件配置接收消息 → 获取群组中所有信息(敏感权限) im:message.group_msg → 申请开通

第四步:验证效果

权限生效后,在群里发消息不用 @ 机器人,OpenClaw 就能正常收到并自动回复了 ✅


完整配置参考

OpenClaw 飞书渠道配置(完整示例)

"channels":{"feishu":{"enabled":true,"appId":"cli_xxxx","appSecret":"xxxx","domain":"feishu","connectionMode":"websocket","requireMention":false,"dmPolicy":"allowlist","allowFrom":["ou_你的用户ID"],"groupAllowFrom":["ou_你的用户ID"],"groupPolicy":"allowlist","groups":{"*":{"enabled":true}}}}

需要申请的飞书权限清单

权限标识名称类型说明
im:message发送消息基础权限机器人发消息
im:message.group_at_msg:readonly接收群@消息事件基础权限接收群内@机器人消息
im:message.group_msg获取群组中所有消息敏感权限接收群内所有消息(不限于@)
im:message.p2p_msg:readonly接收单聊消息基础权限接收私信

注意事项

  1. im:message.group_msg 是敏感权限
    • 需要企业管理员审批
    • 审批通过后才能使用
    • 建议同时申请 im:message.group_at_msg:readonly(基础权限)
  2. 权限申请后需要重新发布应用
    • 权限审批通过后,必须重新发布版本才能生效
  3. requireMention: false 的作用
    • 设为 false 后,OpenClaw 不会强制要求消息必须 @ 机器人
    • 但如果飞书平台没有相应权限,消息根本不会推送到 OpenClaw
  4. WebSocket vs Webhook
    • 推荐使用 WebSocket 模式,更简单
    • 如果用 Webhook 模式,还需要额外配置 verificationTokenencryptKey

相关文档


总结

飞书群消息免 @ 触发机器人的关键就两步:

  1. OpenClaw 侧requireMention: false
  2. 飞书平台侧:申请 im:message.group_msg 敏感权限并重新发布应用

两个缺一不可。按照这个流程配置,应该就能实现群里自由对话了。


首发于我的博客:https://blog.ZEEKLOG.net/QIU176161650
欢迎交流讨论!

Read more

保姆级教程:Windows本地部署Ollama+OpenClaw,打造你的AI赚钱系统(APP开发/量化/小说/剪辑)

摘要:想用AI搞钱但卡在技术门槛?本文手把手教你用一台Windows电脑,零成本本地部署Ollama大模型+OpenClaw智能中枢,赋予AI开发APP、量化分析、编写小说、剪辑辅助等“赚钱技能”。全程无需编程基础,跟着鼠标点、照着命令敲,即可拥有24小时待命的AI员工。 一、写在前面 很多朋友对AI变现跃跃欲试,却常被这些问题劝退: * 云端部署太贵,API调用怕浪费钱 * 技术文档看不懂,不知道从哪下手 * 数据隐私担忧,不敢把敏感资料上传 其实,你手头那台Windows电脑完全能胜任!本文将带你搭建一套完全本地化、免费、可扩展的AI生产力系统,让AI帮你写代码、分析表格、生成文案、处理视频,真正把AI变成你的“赚钱工具”。 系统架构: * 本地大脑:Ollama + DeepSeek模型,负责理解任务、生成内容 * 智能中枢:OpenClaw(原名OpenClaude),负责调用各类工具(Skill) * 赚钱技能:通过安装Skill包,让AI具备特定领域的实操能力 适用人群:

突破内存瓶颈:llama.cpp项目中KV缓存优化策略全解析

突破内存瓶颈:llama.cpp项目中KV缓存优化策略全解析 【免费下载链接】llama.cppPort of Facebook's LLaMA model in C/C++ 项目地址: https://gitcode.com/GitHub_Trending/ll/llama.cpp 你是否曾因大模型推理时的内存占用过高而困扰?是否遇到过长对话场景下模型响应速度骤降的问题?本文将深入解析llama.cpp项目中KV缓存(键值缓存,Key-Value Cache)的优化策略,带你一文掌握如何通过缓存机制提升模型推理效率,降低内存消耗。读完本文,你将了解KV缓存的工作原理、llama.cpp中的创新优化方案以及实际应用中的调优技巧。 KV缓存:大模型推理的性能关键 在Transformer架构中,注意力机制(Attention Mechanism)是模型性能的核心,但同时也带来了巨大的计算开销。每次推理时,模型需要对输入序列中的每个位置计算与其他所有位置的注意力分数,这一过程的时间复杂度为O(n²

AIGC模型推理卡顿怎么办,C++级优化方案全解析

第一章:C++ AIGC 延迟优化概述 在AIGC(AI Generated Content)应用中,C++因其高性能与底层控制能力,常被用于构建推理引擎、图像生成后端及实时音视频处理模块。然而,复杂的模型计算和高并发请求容易导致显著延迟,影响用户体验。因此,对C++实现的AIGC系统进行延迟优化,成为提升服务响应速度与吞吐量的关键任务。 延迟的主要来源 * 模型推理过程中频繁的内存拷贝与张量操作 * 多线程调度开销与锁竞争 * 非最优算法复杂度导致的计算瓶颈 * 缓存未命中与数据局部性差 典型优化策略 策略说明内存池化预分配内存块,避免频繁调用 new/delete向量化计算使用SIMD指令加速矩阵运算异步流水线将预处理、推理、后处理阶段并行化 代码示例:使用内存池减少动态分配 class MemoryPool { private: std::vector<void*> pool; size_t block_size; int free_index;

Z-Image i2L体验:无需联网的AI绘画神器

Z-Image i2L体验:无需联网的AI绘画神器 前言 你有没有过这样的困扰:想用AI画张图,却要反复刷新网页、等待队列、担心提示词被记录、害怕生成内容被平台留存?或者更糟——刚输入“我的产品设计草图”,系统就弹出“该请求可能涉及敏感内容”? Z-Image i2L不是又一个云端API调用工具,它是一台真正属于你的AI画室:关上笔记本盖子,拔掉网线,打开软件,输入一句话,几秒后高清图像就静静躺在本地文件夹里。没有服务器日志,没有用户行为追踪,没有生成次数限制——只有你、你的GPU,和一段完全可控的创作过程。 本文将带你完整走一遍Z-Image i2L的本地部署、参数调优与真实创作体验,不讲抽象原理,只说“怎么让这张图更好看”。 1. 为什么需要一台“离线AI画室” 1.1 隐私不是可选项,而是底线 当AI绘画工具要求你上传参考图、保存历史记录、绑定手机号甚至分析你的Prompt习惯时,你交出去的不只是文字描述,还有创作意图、业务方向甚至商业机密。某电商设计师曾反馈:“用在线工具生成‘