用OpenClaw做飞书ai办公机器人(含本地ollama模型接入+自动安装skills+数据可视化)

用OpenClaw做飞书ai办公机器人(含本地ollama模型接入+自动安装skills+数据可视化)

执行git clone https://github.com/openclaw/openclaw克隆项目,执行cd openclaw进入项目

执行node --version看看node的版本是否大于等于22(没有node.js需自行安装),再执行npm install -g pnpm安装作为包管理器,并执行pnpm install安装依赖

首次执行pnpm ui:build构建 Web UI(会先安装 ui/ 目录的依赖)

执行pnpm build构建主程序

执行pnpm openclaw onboard --install-daemon运行配置向导(安装守护进程),完成初始化

按键盘右箭头选择Yes,同样Yes

任选一个模型提供商都行,没有对应的提供商的密钥可以跳过,如果是本地模型选vLLM(需用vLLM框架启动模型,有性能优势,但原生vLLM仅完全支持Linux的cuda)、Custom Provider(可以连接任何 OpenAI 或 Anthropic 兼容的端点,包括托管提供商和自托管端点)和 LiteLLM (最通用,能通过中间层转换支持任意后端,既支持云端也支持本地模型,也包括Ollama、vLLM、LM Studio、llama.cpp 等本地后端)

Custom Provider最方便,适合日常使用,支持范围:

  • ✅ Ollama(自动检测,无需配置)
  • ✅ vLLM(localhost:8000/v1
  • ✅ LM Studio(localhost:1234/v1
  • ✅ llama.cpp(localhost:8080/v1,需启动 ./llama-server
  • ✅ 自封装 API:任何你自己用 Python + Transformers 封装的 OpenAI-compatible 服务
  • ✅ LiteLLM 代理
  • ✅ Text Generation WebUI

a)使用本地模型及报错处理

Endpoint ID随便填

如果提示alias被占用可以不填Model alias或可到用户目录的隐藏目录.openclaw的openclaw.json删除类似红色框的部分

卡了很久,疑似报错

新开终端,在openclaw项目文件夹位置输入pnpm openclaw logs --follow,可发现关键报错原因是上下文窗口太小(这是 OpenClaw 2026.2 版本的硬性要求:contextWindow 必须 ≥ 16000,但 onboard 向导默认只设 4096)

先输入/exit退出

到用户目录的隐藏目录.openclaw的openclaw.json对本地模型的contextWindow设置至少16000

输入pnpm openclaw gateway restart重启

终端执行pnpm openclaw tui,输入问题,成功回答

b)使用云端模型

没有账号的话进行注册,密码需要数字和英文大小写

验证激活

按需安装对接软件的插件,不需要这些就选skip跳过

c)连接飞书

如果需要飞书,可以下载插件

打开https://open.feishu.cn/app,登录后点击创建企业自建应用

简单填写你的应用名称和应用描述,点击创建

点击凭证与基础信息,复制你的APP ID和APP Secret

点击创建版本,简单填写应用版本号和更新说明,点击保存及确认发布

忘记复制的话,回到凭证与基础信息,把你的APP ID和APP Secret粘贴到openclaw

选择中国版飞书

按需选择群聊响应策略

选项效果适用场景
Allowlist只在指定群聊响应推荐,安全可控,避免机器人到处乱回
Open所有群聊都响应(需@)团队小、群少,希望机器人随时待命
Disabled完全不在群聊响应仅私聊使用

如果担心机器人乱回答选 Allowlist,后续在配置文件中指定允许响应的群 ID,防止误触。

按需安装skills,需要的话选择安装方式,不需要就skip for now

Hooks 是可选的自动化触发器,建议先 Skip,后续按需开启

Hook作用适用场景
boot-md启动时自动加载指定 Markdown 文件作为系统提示每次启动都要加载固定指令集
bootstrap-extra-files启动时预加载额外文件到上下文需要预置知识库文件
command-logger自动记录所有命令到日志需要审计追踪操作历史
session-memory切换会话时自动保存/恢复上下文需要持久化记忆,重启后记得之前聊过什么

建议: 刚入门先 Skip for now,不影响核心功能。等熟悉后再根据实际需求开启,尤其是 session-memory 对长期对话体验提升明显。

Skip for now跳过多个步骤后

选择tui

选择tui

也可以打开http://127.0.0.1:18789/chat?session=main,更方便修改配置

后续直接启动可以选择pnpm openclaw dashboard --no-open

回到飞书,点击应用能力,再点击机器人中的“添加”按钮

点击创建版本

点击订阅方式的编辑按钮,选择长连接,然后点击添加事件

依次搜索四个事件并添加:1)用户进入与机器人的会话 2)解散群 3)机器人进群 4)接收消息

点击创建版本

简单填写你的应用版本号、更新说明和应用能力,点击发布

打开飞书,点击应用

打开测试,如果出现以下情况,到openclaw项目的终端执行pnpm openclaw pairing approve feishu 对应的配对码

激活完成后,继续测试飞书对话

在对话中切换模型

d)安装能发现skills的skills

执行npx skills add https://github.com/vercel-labs/skills --skill find-skills

选择openclaw

全局安装,采用符号链接,选择yes

继续yes

可以打开网站或命令行pnpm openclaw skills list验证find-skills是否安装

Mac启动前最好设置权限

执行调查任务,发现似乎没加载find-skills工具

让它自己分析找不到找不到的原因并自行加载find-skills

e)自动安装浏览器操作、数据可视化、高德地图的skills

切换模型

自动安装skills并执行playwright-skill打开浏览器

成功获取数据

创建访问链接成功

查看链接以及下载csv,看起来地图过于简化了

让它继续优化

打开下载文件和地图链接,看起来有所进步,但仍有不足,如果需要更准更美观的话建议换更智能的ai模型或或继续提要求或换工具

创作不易,禁止抄袭,转载请附上原文链接及标题

Read more

阿里开源图像模型新突破:Z-Image-Turbo凭什么重构AIGC创作生态?

2025年11月27日,阿里巴巴Tongyi Lab正式发布Z-Image系列图像生成模型的首个开源版本——Z-Image-Turbo。这款经过深度蒸馏的AI模型以"效率革命"为核心标签,不仅在8步推理流程中实现亚秒级响应速度,更通过完全开源策略打破行业技术垄断,为消费级设备用户与企业开发者提供了兼具高性能与低门槛的图像生成解决方案。作为当前AI Arena Elo排行榜开源模型榜首(1026分),其技术突破正在重新定义AIGC领域的效率标准与创新边界。 【免费下载链接】Qwen3-VL-4B-Instruct-bnb-4bit 项目地址: https://ai.gitcode.com/hf_mirrors/unsloth/Qwen3-VL-4B-Instruct-bnb-4bit 模型矩阵全景:从基础研究到产业落地的全链路覆盖 Z-Image系列构建了层次分明的技术生态体系,目前已规划三大核心变体。其中率先开放的Z-Image-Turbo定位为"普惠型创作引擎",通过蒸馏技术将原本需要30步以上的生成流程压缩至8步,在保证生成质量的前提下,将企业级GPU的推理延迟降至0.8秒

AIGC内容创作新方向:Image-to-Video技术演进展望

AIGC内容创作新方向:Image-to-Video技术演进展望 技术背景与行业趋势 近年来,AIGC(Artificial Intelligence Generated Content)在图像生成领域取得了突破性进展,以Stable Diffusion、DALL·E为代表的文生图模型已广泛应用于设计、广告和创意产业。然而,静态图像的表达能力有限,动态视觉内容——尤其是视频——因其更强的时间连续性和叙事张力,正成为下一代AI内容生成的核心战场。 在此背景下,Image-to-Video(I2V)技术应运而生,它允许用户将一张静态图片作为起点,通过AI驱动生成具有自然运动逻辑的短视频片段。这一能力不仅降低了专业级视频制作门槛,也为社交媒体、影视预演、虚拟现实等场景提供了全新的自动化内容生产路径。 当前主流I2V方案如Runway Gen-2、Pika Labs、Kaiber等已实现“文生视频”功能,但对输入控制较弱。而基于图像引导的视频生成(Image-conditioned Video Generation),特别是以 I2VGen-XL 为代表的技术路线,正在推动从“自由想

2026年最强AI写网文工具深度测评:ai写小说软件与AI写作平台全面对比

2026年最强AI写网文工具深度测评:ai写小说软件与AI写作平台全面对比

进入2026年,AI写作市场已经从“野蛮生长”步入了“精耕细作”的阶段。对于网文作者、短剧编剧以及漫剧创作者而言,现在的痛点早已不是“找不到AI工具”,而是“找不到能真正帮自己赚到钱的AI工具”。 市面上的大模型和写作软件多如牛毛,有的主打底层算力,有的主打现成模板。为了帮助大家避开商业化写作中的各种“暗坑”(如高昂的订阅费、平台AI查重退稿等),我们从底层逻辑推演、长文本连贯性、文本拟人度(防检测)、生态闭环与使用成本五个维度,对目前市面上最热门的四款工具——DeepSeek、豆包、笔灵AI、炼字工坊,进行了一次全方位、多角度的硬核排位测评。 一、 核心测评对象与定位 1. 通用算力天花板:DeepSeek —— 以强大的代码和逻辑推演能力霸榜的通用大模型。 2. 国民级灵感助手:豆包 (Doubao) —— 主打便捷交互、语音输入的轻量级AI。 3. 老牌模板化写作工具:笔灵AI —— 较早切入AI写作赛道,依靠预设模板库吸引用户的垂直软件。 4. 全链路商业变现新锐:

LangFlow与主流大模型对接教程(支持Llama、ChatGLM、Qwen)

LangFlow与主流大模型对接实践指南 在大语言模型(LLM)技术席卷各行各业的今天,越来越多团队希望快速构建智能问答、内容生成或自动化代理系统。然而,即便拥有强大的模型如Llama、ChatGLM或Qwen,实际落地时仍常被复杂的代码结构、繁琐的调试流程和跨团队协作障碍所困扰。 有没有一种方式,能让非程序员也能参与AI应用设计?能否在几分钟内完成一个RAG系统的原型验证? 答案是肯定的——LangFlow 正是为此而生。 LangFlow 是一个为 LangChain 量身打造的可视化开发工具,它将原本需要数百行Python代码才能实现的语言链路,转化为直观的“拖拽+连线”操作。无论是研究人员想快速测试新思路,还是产品经理要演示智能客服概念,LangFlow都能让这一切变得轻而易举。 它的核心魅力在于:把“编码驱动”的AI开发,变成“流程驱动”的交互式实验。你不再需要逐行写LLMChain、PromptTemplate,而是像搭积木一样组合组件,实时看到每一步输出的变化。 更重要的是,LangFlow 并不局限于某一家模型。它天然支持从 Meta 的 Llama 系列,