在ESP32-S3部署mimiclaw,基于deepseek并用飞书机器人开展对话-feishu

在ESP32-S3部署mimiclaw,基于deepseek并用飞书机器人开展对话-feishu

最近mimiclaw火爆,其开发团队也在密集更新,我看3天前已经可以用“飞书机器人”对话交互了。

目前网络上能查到的部署资料相对滞后,现在将飞书机器人的部署整理如下:

1. 前提

已经安装好ESP-IDF,并支持vscode编译esp32固件。

2. api-key准备

  • 注册deepseek,
  • 创建APIkey,
  • 并充值,新注册的用户余额为零,无法使用

3. 飞书机器人

我是在飞书个人版中,创建的机器人。

  1. 访问飞书开放平台,单击创建企业自建应用,填写应用名称和描述,选择应用图标,单击创建
  2. 左侧导航栏单击凭证与基础信息 页面,复制App ID(格式如 cli_xxx)和App Secret
  3. 配置事件订阅。
    1. 在飞书开放平台左侧导航栏单击事件与回调,在事件配置页签中单击订阅方式,选择使用 长连接 接收事件,单击保存
    2. 在事件配置页面,单击添加事件,搜索事件im.message.receive_v1(接收消息),单击确认添加

左侧导航栏中单击添加应用能力, 选择按能力添加页签,找到机器人卡片,单击配置

4. 启用网页搜索 api key

官方推荐使用Tavily API key,其官网: Tavily API 平台  https://app.tavily.com/home,

注册成功后,主页即有默认的APIkey。

5. 下载固件

github地址:memovai/mimiclaw: MimiClaw: Run OpenClaw on a $5 chip. No OS(Linux). No Node.js. No Mac mini. No Raspberry Pi. No VPS. Hardware agents OS.https://github.com/memovai/mimiclaw

下载固件后直接用vscode打开,打开main目录下的mimi_config.h文件

#ifndef MIMI_SECRET_WIFI_SSID #define MIMI_SECRET_WIFI_SSID "your wifi ssid" #endif #ifndef MIMI_SECRET_WIFI_PASS #define MIMI_SECRET_WIFI_PASS "your wifi password" #endif #ifndef MIMI_SECRET_TG_TOKEN #define MIMI_SECRET_TG_TOKEN "" #endif #ifndef MIMI_SECRET_API_KEY #define MIMI_SECRET_API_KEY "sk-bdb85222222222222222" //deep-seek的api-key #endif #ifndef MIMI_SECRET_MODEL #define MIMI_SECRET_MODEL "deepseek-chat" #endif #ifndef MIMI_SECRET_MODEL_PROVIDER #define MIMI_SECRET_MODEL_PROVIDER "openai" #endif #ifndef MIMI_SECRET_FEISHU_APP_ID #define MIMI_SECRET_FEISHU_APP_ID "cli_a92038b7" //飞书机器人的app-id #endif #ifndef MIMI_SECRET_FEISHU_APP_SECRET #define MIMI_SECRET_FEISHU_APP_SECRET "Md0gW97OP76" //飞书机器人的app-secret #endif #ifndef MIMI_SECRET_SEARCH_KEY #define MIMI_SECRET_SEARCH_KEY "tvly-dev-2jdvwG-am" //启用网页搜索,Tavily API key #endif //定义deep-seek的api请求地址 #define MIMI_OPENAI_API_URL "https://api.deepseek.com/v1/chat/completions" 

6. 烧录固件

先清除配置,再编译,再烧录。

7. 飞书机器人对话

8.参考资料

ESP32-S3 部署 MimicLaw 完整教程:从零到成功调用 DeepSeek-ZEEKLOG博客

mimiclaw GitHub主页说明资料:

mimiclaw/README_CN.md at main · memovai/mimiclaw

mimiclaw/main/channels/feishu/README.md at main · memovai/mimiclaw

Read more

多模态学习(五):基于可变形注意力的无人机可见光-红外图像配准算法解析

1. 引言:当无人机“双眼”看到的世界不一样 大家好,我是老张,一个在AI和无人机视觉领域摸爬滚打了十来年的工程师。今天想和大家聊聊一个听起来有点专业,但实际上非常“接地气”的问题:怎么让无人机上的“两只眼睛”看到同一个东西? 想象一下,你操控的无人机上装了两台相机:一台是我们日常用的可见光相机,能拍出色彩斑斓的画面;另一台是红外热成像相机,能在黑夜或雾霾中“看见”物体散发的热量。这本来是件好事,相当于给无人机开了“天眼”。但现实很骨感,由于这两台相机安装位置、镜头视角不可能完全一致,它们拍下的同一场景,在图像上往往是错位的。这就好比你的左眼和右眼看到的画面对不上,不仅看着头晕,更严重的是,当你用这些错位的图像去做目标检测、跟踪或者融合时,结果会一塌糊涂。 这就是“可见光-红外图像配准”要解决的核心问题。简单说,就是通过算法计算,把红外图像“掰正”,让它和可见光图像在空间上严丝合缝地对齐。过去,学术界很多研究都默认这两幅图是已经对齐好的,直接拿来做后续分析。但实际飞过无人机的朋友都知道,这纯属理想情况。

2026 无人机 AI 算法全景图:7 大场景 50+ 算法详解

2026 无人机 AI 算法全景图:7 大场景 50+ 算法详解 一张图看懂无人机 AI 算法全貌 前言 很多人问我:共达地到底有哪些算法? 今天把我们的算法家底全部公开,7 大场景、50+ 算法,建议收藏备用。 一、飞行辅助类算法 让无人机飞得更稳、更安全。 1. 自动避障算法 功能: 实时检测前方障碍物,自动规划绕行路径 技术: * 深度相机 + 激光雷达融合 * 3D 点云分割 * 动态路径规划 性能: * 检测距离:0.5-50 米 * 响应时间:<100ms * 支持静态 + 动态障碍物 2. 精准定位算法 功能: 无 GPS

机器人重力补偿技术:从理论到实践的MuJoCo实现解析

机器人重力补偿技术:从理论到实践的MuJoCo实现解析 【免费下载链接】mujocoMulti-Joint dynamics with Contact. A general purpose physics simulator. 项目地址: https://gitcode.com/GitHub_Trending/mu/mujoco 技术挑战引入:重力场中的机器人控制困境 在精密制造领域,当六轴机械臂以0.1mm精度装配半导体元件时,未补偿的重力会导致末端执行器产生2.3mm的静态偏移,直接超出工艺允许误差范围。医疗手术机器人在进行脑组织穿刺时,重力引起的臂端下垂可能造成0.5mm的定位误差,这在神经外科手术中可能导致严重后果。这两个典型场景揭示了同一个核心问题:重力作为一种持续存在的外力场,如何精确量化并实时补偿其对机器人系统的影响,是实现高精度控制的关键挑战。 MuJoCo物理引擎通过其独特的动力学计算架构,为解决这一挑战提供了完整的技术方案。在拟人机器人模型中(model/humanoid/humanoid.xml),23个自由度的复杂结构使得重力影响呈现高度非线性特征,髋

【具身智能】机器人训练流程

机器人训练是一个涵盖硬件和软件、仿真与现实的复杂系统工程。不同类型的机器人(工业机械臂、服务机器人、人形机器人等)训练方法差异很大,但核心逻辑是相通的。 下面将梳理机器人训练的核心流程、关键技术和不同范式: 一、 机器人训练的总体流程 一个完整的机器人训练周期通常包含以下闭环: 感知 → 决策 → 执行 → 反馈 → 学习与优化 二、 核心训练方法与技术 机器人训练主要分为两大类:传统方法和基于机器学习(尤其是强化学习)的方法。 1. 传统方法(基于模型与规则) * 原理:工程师为机器人建立精确的数学模型(运动学、动力学模型),并编写明确的控制规则和任务逻辑。 * 如何训练: * 系统辨识:通过让机器人执行特定动作并收集数据,来反推和校准其数学模型参数。 * 轨迹规划:在已知模型的基础上,规划出最优、无碰撞的运动路径。 * PID控制:调试比例、积分、微分参数,让机器人动作稳定精准。 * 适用场景:结构化环境中的重复性任务,如汽车制造线上的焊接、喷涂。 2.