用 1 小时给团队搭一个 AI 机器人：飞书/钉钉接入 8848AI API 实战

📂 「企业 AI 提效」系列 · 第 1 篇（共 4 篇计划）

- ✅ 第 1 篇：搭建飞书/钉钉 AI 机器人（本文）

- 🔜 第 2 篇：接入企业知识库（RAG 实战）

- 🔜 第 3 篇：AI 工作流自动化（自动周报、自动摘要、自动分配任务）

- 🔜 第 4 篇：多 Agent 协作——让 AI 机器人之间也能"开会"

---

周一早上 9 点，产品群里炸了 50 条消息。

有人问"上次那个需求文档在哪"，有人问"这个报错什么意思"，有人让你帮忙润色一段文案。你还没喝上第一口咖啡，就已经被 @ 了 8 次。

而隔壁团队的群里，大家直接 @AI助手，10 秒内就拿到了答案。

这篇文章将带你从 0 到 1，用 1 小时搭建一个属于你团队的 AI 机器人。不需要懂机器学习，只要会调 API，你就能让 GPT-4o 或 Claude 3.5 住进你们的飞书/钉钉群。

---

一、为什么团队需要一个"住在群里"的 AI？

先算一笔账。

一个 10 人的研发团队，每人每天平均花 40 分钟在重复性信息查找和内部问答上：查文档、回答新人问题、写日报周报、整理会议纪要。乘以 10 人，每天消耗 400 分钟，相当于白白蒸发掉一个员工的工作日。

这些任务有一个共同特点：高度重复、有标准答案、不需要人类创造力。这恰好是大模型最擅长的事。

但问题来了——大多数团队的 AI 使用方式是这样的：

个人偷偷开着 ChatGPT 标签页 → 复制问题 → 等回答 → 粘贴回来 → 继续干活

这种方式有三个致命缺陷：

1. 效率损耗：来回切换窗口，上下文割裂

2. 知识孤岛：每个人单独问，团队知识无法沉淀

3. 门槛不均：不会用 AI 的同事完全享受不到红利

真正的解法是：让 AI 住进团队已有的协作工具。飞书和钉钉覆盖了中国超过 5 亿企业用户（飞书约 5000 万 DAU，钉钉约 7 亿注册用户），这两个工具几乎是现代中国职场的基础设施。

在群里 @一下就能得到 AI 回答，才是真正的零摩擦落地。

---

二、技术选型：为什么是 8848AI API？

搭建这套方案，你面临几个选择：

[8848AI（api.884819.xyz）](https://api.884819.xyz) 的核心优势有三点：

接下来进入正题。

---

三、飞书机器人搭建教程（手把手版）

整体架构如下：

用户在飞书群 @机器人
↓
飞书服务器推送 Webhook 事件
↓
你的后端服务（Flask/FastAPI）
↓
调用 8848AI API（转发给 GPT-4o/Claude）
↓
将回复通过飞书 API 发回群里

Step 1：获取 8848AI API Key

打开 [api.884819.xyz](https://api.884819.xyz)，注册账号后进入控制台，点击「创建 API Key」。整个过程不到 2 分钟，Key 格式类似 sk-xxxxxxxxxxxxxxxx。

⚠️ 安全提醒：API Key 是敏感凭证，不要硬编码在代码里，建议存入环境变量或配置文件，并加入 .gitignore。

Step 2：在飞书开放平台创建应用

1. 访问 [open.feishu.cn](https://open.feishu.cn)，登录后点击「创建企业自建应用」

2. 填写应用名称（比如「AI 小助手」）和描述

3. 进入应用后，左侧菜单找到「添加应用能力」→ 选择「机器人」

4. 在「事件订阅」中，添加 im.message.receive_v1（接收消息事件），并填入你的 Webhook 地址（格式：https://你的域名/webhook/feishu）

5. 在「权限管理」中开通：im:message（读写消息）、im:message.group_at_msg（接收群 @ 消息）

完成后，记录下应用的 App ID 和 App Secret，后面要用。

Step 3：编写后端服务

先安装依赖：

pip install flask openai requests python-dotenv

核心代码如下：

# app.py
import os
import openai
import requests
from flask import Flask, request, jsonify
from dotenv import load_dotenv

load_dotenv()
app = Flask(__name__)

初始化 8848AI 客户端（兼容 OpenAI 格式）
client = openai.OpenAI(
api_key=os.getenv("BABAAI_API_KEY"),
base_url="https://api.884819.xyz/v1"  # 替换为 8848AI 的接入点
)

简单的内存对话历史（生产环境建议用 Redis）
conversation_history = {}

def chat_with_ai(user_id: str, user_message: str, system_prompt: str = None) -> str:
"""调用 8848AI API，支持多轮对话"""
if user_id not in conversation_history:
conversation_history[user_id] = []

history = conversation_history[user_id]

# 构建消息列表
messages = []
if system_prompt:
messages.append({"role": "system", "content": system_prompt})
messages.extend(history)
messages.append({"role": "user", "content": user_message})

# 调用 API
response = client.chat.completions.create(
model=smart_route(user_message),  # 智能路由，见下文
messages=messages,
max_tokens=2000
)

reply = response.choices[0].message.content

# 更新对话历史（保留最近 10 轮）
history.append({"role": "user", "content": user_message})
history.append({"role": "assistant", "content": reply})
if len(history) > 20:
conversation_history[user_id] = history[-20:]

return reply

def smart_route(message: str) -> str:
"""模型路由策略：简单任务用轻量模型，复杂任务用旗舰模型"""
simple_keywords = ["翻译", "总结一下", "帮我改", "什么意思"]
if len(message) < 50 and any(kw in message for kw in simple_keywords):
return "gpt-4o-mini"   # 便宜，够用
return "gpt-4o"            # 复杂推理用旗舰

def get_feishu_token() -> str:
"""获取飞书 tenant_access_token"""
url = "https://open.feishu.cn/open-apis/auth/v3/tenant_access_token/internal"
resp = requests.post(url, json={
"app_id": os.getenv("FEISHU_APP_ID"),
"app_secret": os.getenv("FEISHU_APP_SECRET")
})
return resp.json().get("tenant_access_token", "")

def send_feishu_message(chat_id: str, content: str):
"""将回复发送回飞书群"""
token = get_feishu_token()
url = "https://open.feishu.cn/open-apis/im/v1/messages"
headers = {"Authorization": f"Bearer {token}"}
payload = {
"receive_id": chat_id,
"msg_type": "text",
"content": f'{{"text": "{content}"}}'
}
requests.post(url, json=payload, headers=headers,
params={"receive_id_type": "chat_id"})

@app.route("/webhook/feishu", methods=["POST"])
def feishu_callback():
data = request.json

# 处理飞书 URL 验证（首次配置时）
if "challenge" in data:
return jsonify({"challenge": data["challenge"]})

# 提取消息内容
event = data.get("event", {})
message = event.get("message", {})
sender = event.get("sender", {})

user_id = sender.get("sender_id", {}).get("open_id", "default")
chat_id = message.get("chat_id", "")

# 解析文本内容（去掉 @机器人 的标记）
import json
content = json.loads(message.get("content", "{}"))
user_text = content.get("text", "").replace("@_user_1", "").strip()

if not user_text:
return jsonify({"code": 0})

# 调用 AI 并回复
reply = chat_with_ai(user_id, user_text)
send_feishu_message(chat_id, reply)

return jsonify({"code": 0})

if __name__ == "__main__":
app.run(port=5000, debug=True)

Step 4：本地调试与部署

# 终端 1：启动 Flask
python app.py

终端 2：用 ngrok 获取公网地址
ngrok http 5000
会得到类似 https://abc123.ngrok.io 的地址
填入飞书开放平台的 Webhook 地址：https://abc123.ngrok.io/webhook/feishu

配置好环境变量 .env：

BABAAI_API_KEY=sk-你的密钥
FEISHU_APP_ID=cli_你的AppID
FEISHU_APP_SECRET=你的AppSecret

部署完成，在飞书群里 @ 你的机器人，如果收到回复——恭喜，你成功了。第一条 AI 回复出现在群里的那一刻，是这整个教程最值得截图留念的时刻。

---

四、钉钉版本 + 三个进阶玩法

钉钉机器人（快速版）

钉钉的 Outgoing 机器人配置更简单：在钉钉开发者后台创建「企业内部机器人」，选择「HTTP 模式」，填入 Webhook 地址即可。

@app.route("/webhook/dingtalk", methods=["POST"])
def dingtalk_callback():
data = request.json
# 钉钉会在消息前自动加机器人名称，需要去掉
user_msg = data.get("text", {}).get("content", "").strip()
sender_id = data.get("senderStaffId", "default")

reply = chat_with_ai(sender_id, user_msg)

# 钉钉 Outgoing 机器人直接 return JSON 即可回复
return jsonify({
"msgtype": "markdown",
"markdown": {
"title": "AI 助手回复",
"text": reply
}
})

⚠️ 钉钉的坑：Outgoing 机器人要求你的服务必须在 3 秒内返回响应，否则会超时。如果 AI 回复较慢，建议先异步处理，再通过钉钉 API 主动推送消息。

进阶玩法 1：角色预设

让机器人根据群的类型或指令切换身份：

ROLE_PRESETS = {
"产品助手": (
"你是一位资深产品经理，擅长需求分析、PRD 撰写和竞品分析。"
"回答时注重结构化，善用列表和框架。"
),
"代码审查": (
"你是一位严格的 Code Reviewer，关注代码安全性、性能和可维护性。"
"发现问题时直接指出，并给出改进建议。"
),
"客服专家": (
"你是公司的客服代表，语气友好专业。"
"遇到无法回答的问题，引导用户联系人工客服。"
),
}

用户可以通过指令切换："/角色 产品助手 帮我写一个登录功能的需求文档"
def parse_command(text: str):
if text.startswith("/角色"):
parts = text.split(" ", 2)
role = parts[1] if len(parts) > 1 else None
content = parts[2] if len(parts) > 2 else ""
system_prompt = ROLE_PRESETS.get(role, "")
return content, system_prompt
return text, None

进阶玩法 2：多轮对话记忆

上面的代码已经内置了对话历史管理。实际效果是：

用户：帮我写一个 Python 函数，实现二分查找
AI：（给出代码）
用户：再加上单元测试
AI：（基于上文，直接补充测试代码，不需要重复解释）
用户：改成递归版本
AI：（继续在上下文中修改）

这种连贯的对话体验，才是 AI 真正好用的关键。

进阶玩法 3：模型路由省钱策略

8848AI 支持多模型统一接口，这意味着你可以实现精细化的成本控制：

def smart_route(message: str) -> str:
# 简单翻译、格式转换 → 用便宜的轻量模型
if len(message) < 100 and any(
kw in message for kw in ["翻译", "总结", "润色", "改写"]
):
return "gpt-4o-mini"

# 代码生成、复杂推理 → 用旗舰模型
if any(kw in message for kw in ["代码", "架构", "分析", "方案"]):
return "gpt-4o"

# 创意写作 → Claude 效果更好
if any(kw in message for kw in ["写作", "故事", "文案", "营销"]):
return "claude-3-5-sonnet-20241022"

return "gpt-4o"  # 默认旗舰

启用模型路由策略后，费用可降低 30%-50%。在 [api.884819.xyz](https://api.884819.xyz) 后台可以实时查看用量明细，建议设置预算上限，避免测试阶段产生意外开销。

---

五、企业落地：三件必须提前想清楚的事

1. 安全合规

• API Key 管理：使用环境变量，绝不提交到 Git，定期轮换
• 敏感信息过滤：在发送给 AI 之前，过滤掉身份证号、手机号等 PII 数据
• 日志审计：记录每一次调用的 user_id、时间戳和 token 消耗，便于事后审查

# 简单的敏感词过滤示例
import re

def filter_sensitive(text: str) -> str:
# 手机号脱敏
text = re.sub(r'1[3-9]\d{9}', '[手机号已隐藏]', text)
# 身份证脱敏
text = re.sub(r'\d{17}[\dXx]', '[证件号已隐藏]', text)
return text

2. 让非技术同事真正用起来

技术搭好只是第一步，更难的是推广。几个实测有效的方法：

• 起一个好名字：「小智」「AI 队友」比「机器人 001」更有亲近感
• 写好引导语：机器人第一次被 @ 时，自动发送使用说明和示例指令
• 设置快捷指令：/周报、/翻译、/总结 这类快捷词降低使用门槛
• 收集反馈：在回复末尾加「觉得有用请点 👍，有问题请 @ 管理员」

3. 常见报错速查

---

结语

你搭建的不只是一个机器人，而是在团队里种下了一颗 AI 原生协作的种子。

当每个人都习惯了「有问题先问 AI」，整个团队的知识获取效率、决策速度、创造力都会发生质变。写周报从 30 分钟缩短到 5 分钟，查技术文档从翻 10 分钟变成问一句话 10 秒——这些不是 PPT 上的数字，是真实发生在用上这套方案的团队里的改变。

而这一切，只需要一个下午的时间。

---

📌 下期预告

>

今天我们搭建了一个能即时问答的 AI 机器人。但真正让它在企业里不可替代的，是让它读懂你们自己的文档。

>

下一篇，我们将深入实战：《给你的飞书/钉钉机器人接入企业知识库：RAG 实战指南》——让机器人能基于公司内部的产品文档、技术 Wiki、FAQ 来回答问题，真正成为「懂业务的 AI 同事」。

>

我们会用到向量数据库 + 8848AI 的 Embedding API，同样是手把手教程，零基础也能跟上。

>

关注我们，不错过更新 👆

---