不到 100 行代码，让你的飞书/钉钉群秒变 AI 工作站

周一早上 9 点，产品经理在群里抛出一个问题："上周的需求文档在哪个文件夹？"

三小时后，没人回。

与此同时，技术 Leader 正在一字一句地写周报，内容跟上周大同小异，改改数字、换换措辞，40 分钟过去了。隔壁工位的新人第 8 次问同一个问题："本地环境怎么配？"

这不是段子，这是大多数中国企业团队的真实写照。

而就在你们还在为这些琐事消耗精力的时候，另一些团队的做法是：@ 一下群里的 AI 机器人，10 秒搞定。

今天这篇文章，我要手把手带你把这个"10 秒搞定"的能力，搭进你的飞书或钉钉群里。零基础可上手，核心代码不超过 100 行，一个下午部署完毕。

---

一、为什么你的企业群聊需要一个 AI 机器人？

我们先做一道简单的算术题。

假设你的团队有 10 人，每人每天平均花费：

写日报/周报：30 分钟
回答重复性问题（环境配置、流程规范、文档位置）：20 分钟
整理会议纪要：15 分钟

合计：每人每天 65 分钟，10 人团队每天白白消耗 10+ 小时。

这还没算上等待回复的时间成本——一个问题在群里沉 3 小时，背后可能是一个功能延期半天。

引入 AI 机器人之后，一个真实的中型技术团队（约 20 人）在使用 30 天后的数据变化大致如下：

| 场景 | 使用前（人均/天） | 使用后（人均/天） | 节省比例 | | 日报撰写 | 28 分钟 | 8 分钟 | ↓ 71% | | 重复问题响应 | 22 分钟 | 5 分钟 | ↓ 77% | | 会议纪要整理 | 18 分钟 | 4 分钟 | ↓ 78% | | 合计 | 68 分钟 | 17 分钟 | ↓ 75% |

人均每天省出约 51 分钟，10 人团队一个月节省的时间，相当于多出了 4 个完整工作日。

这不是 AI 噱头，这是实实在在的时间账。

---

二、为什么选 8848AI API 作为机器人的"大脑"？

在动手之前，我们先把选型问题解决掉，省得后面踩坑。

很多团队第一反应是直接用 OpenAI 官方 API，但实际落地时会遇到三座大山：需要翻墙访问、绑定海外信用卡、一旦网络不稳定机器人就瘫痪。对于企业级应用来说，这些都是不可接受的。

国内大模型 API 是另一个选择，但问题在于：各家接口格式不统一，今天接入了文心，明天想换成通义，要重写一大堆适配代码。

对比下来，[8848AI API](https://api.884819.xyz) 是目前中小团队搭建企业机器人性价比最高的方案：

最关键的一点：完全兼容 OpenAI 格式。这意味着你在网上找到的任何 OpenAI 教程、任何开源项目，只需要改一行 base_url，就能直接跑起来。零迁移成本。

如果你认同这个选择，现在可以去 [api.884819.xyz](https://api.884819.xyz) 注册账号、拿到 API Key，下一章我们马上用到。

---

三、手把手搭建飞书 AI 机器人

整体架构很简单，一张图说明白：

用户在飞书群 @机器人
↓
飞书服务器推送事件到你的 Webhook 地址
↓
你的服务器接收消息 → 调用 8848AI API
↓
AI 返回回复内容
↓
通过飞书 API 发送消息回群聊

第一步：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"团队 AI 助手"）和描述，上传一个 icon

3. 进入「权限管理」，开启以下权限：

- im:message（读取消息）

- im:message:send_as_bot（发送消息）

- im:chat（获取群信息）

4. 进入「事件订阅」，添加事件：im.message.receive_v1（接收消息事件）

5. 填写「请求网址」——这是你的 Webhook 地址，格式为 https://你的域名/feishu/webhook

⚠️ 踩坑提醒：飞书会向你的 Webhook 地址发送一个验证请求（包含 challenge 字段），你的服务必须先上线并正确响应，才能保存事件订阅配置。建议先用 [ngrok](https://ngrok.com) 做本地调试，验证通过后再部署到服务器。

第二步：编写核心服务代码

先安装依赖：

pip install flask openai requests

核心代码如下，完整实现消息接收 → AI 处理 → 回复的全链路：

# app.py - 飞书 AI 机器人核心服务
import os
import requests
from flask import Flask, request, jsonify
from openai import OpenAI

app = Flask(__name__)

初始化 8848AI 客户端（兼容 OpenAI 格式，改一行 base_url 即可）
client = OpenAI(
api_key=os.environ.get("BABAAI_API_KEY"),  # 从环境变量读取，不要硬编码
base_url="https://api.884819.xyz/v1"
)

FEISHU_APP_ID = os.environ.get("FEISHU_APP_ID")
FEISHU_APP_SECRET = os.environ.get("FEISHU_APP_SECRET")


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


def send_feishu_message(chat_id, content):
"""向飞书群发送文本消息"""
token = get_feishu_token()
url = "https://open.feishu.cn/open-apis/im/v1/messages"
headers = {"Authorization": f"Bearer {token}", "Content-Type": "application/json"}
payload = {
"receive_id": chat_id,
"receive_id_type": "chat_id",
"msg_type": "text",
"content": f'{{"text": "{content}"}}'
}
requests.post(url, headers=headers, json=payload)


def chat_with_ai(user_message, system_prompt="你是一个专业的企业AI助手，回答简洁准确。"):
"""调用 8848AI API 获取回复"""
response = client.chat.completions.create(
model="gpt-4o",
messages=[
{"role": "system", "content": system_prompt},
{"role": "user", "content": user_message}
]
)
return response.choices[0].message.content


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

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

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

# 只处理文本消息
if msg_type != "text":
return jsonify({"code": 0})

import json
content = json.loads(message.get("content", "{}"))
user_text = content.get("text", "").strip()

# 去掉 @机器人 的前缀
if "@_user_1" in user_text:
user_text = user_text.replace("@_user_1", "").strip()

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

# 调用 AI 并回复
ai_reply = chat_with_ai(user_text)
chat_id = message.get("chat_id")
send_feishu_message(chat_id, ai_reply)

return jsonify({"code": 0})


if __name__ == "__main__":
app.run(host="0.0.0.0", port=8080)

⚠️ 踩坑提醒：飞书的消息事件可能重复推送，生产环境建议用 message_id 做去重处理，避免机器人回复两遍。可以用 Redis 缓存最近处理过的 message_id，TTL 设 60 秒即可。

第三步：部署上线

最简单的方案是部署到国内云服务器（阿里云/腾讯云轻量应用服务器，最低 24 元/月）：

# 设置环境变量
export BABAAI_API_KEY="your-8848ai-key"
export FEISHU_APP_ID="your-app-id"
export FEISHU_APP_SECRET="your-app-secret"

用 gunicorn 启动（生产环境推荐）
pip install gunicorn
gunicorn -w 2 -b 0.0.0.0:8080 app:app

配合 Nginx 反代 + SSL 证书，你的飞书机器人就正式 7×24 上线了。

当你在飞书群 @ 机器人，看到它第一次回复你的那一刻——这是整个搭建过程最有成就感的时刻。

---

四、钉钉机器人同步适配

钉钉机器人的接入逻辑与飞书大体相似，但有几个关键差异需要注意：

最重要的区别：钉钉有签名验证机制。 每次回调请求都会携带 timestamp 和 sign 参数，你的服务器必须验证签名，否则请求会被拒绝。

# 钉钉签名验证（必须实现，否则无法接收消息）
import hmac
import hashlib
import base64

def verify_dingtalk_sign(timestamp: str, sign: str, app_secret: str) -> bool:
"""验证钉钉回调签名"""
string_to_sign = f"{timestamp}\n{app_secret}"
hmac_code = hmac.new(
app_secret.encode("utf-8"),
string_to_sign.encode("utf-8"),
digestmod=hashlib.sha256
).digest()
expected_sign = base64.b64encode(hmac_code).decode()
return expected_sign == sign


@app.route("/dingtalk/webhook", methods=["POST"])
def dingtalk_callback():
# 验证签名
timestamp = request.headers.get("timestamp", "")
sign = request.headers.get("sign", "")

if not verify_dingtalk_sign(timestamp, sign, os.environ.get("DINGTALK_APP_SECRET")):
return jsonify({"errcode": 403, "errmsg": "签名验证失败"})

data = request.json
user_text = data.get("text", {}).get("content", "").strip()
sender_id = data.get("senderStaffId", "")

# ✅ 这里完全复用同一个 chat_with_ai 函数，8848AI 层代码零改动
ai_reply = chat_with_ai(user_text)

# 钉钉回复格式（直接 return JSON，无需主动调用 API）
return jsonify({
"msgtype": "text",
"text": {"content": ai_reply}
})

注意到了吗？chat_with_ai 函数一行代码都不用改。飞书和钉钉的差异只在"平台适配层"（签名验证、消息格式解析、回复方式），而 8848AI API 的调用层完全通用。这就是选择兼容 OpenAI 格式 API 的价值所在。

---

五、从"能用"到"好用"——5 个企业级进阶场景

机器人上线了，但如果只是个"会聊天的 AI"，价值还远没有释放。下面给你 5 个拿来即用的场景模板。

场景 1：技术问题即问即答（含角色设定）

你是 [公司名] 的技术专家助手，精通 Python/Java/Go，
熟悉我们的技术栈（Kubernetes、MySQL、Redis）。
回答技术问题时：
1. 先给出直接可用的解决方案
2. 简要解释原因（不超过 3 句话）
3. 如果涉及代码，给出可运行的示例
4. 末尾提示可能的注意事项

场景 2：每日定时日报生成

用 cron 定时任务在每天 17:50 触发，让机器人主动在群里发送日报模板填写提醒，或者收集当天的 Git commit 记录自动生成技术日报摘要。

根据以下今日工作内容，生成一份简洁的团队日报：
[工作内容列表]

要求：
按"完成事项 / 进行中 / 待解决问题"三段式结构
语言简洁，每条不超过 20 字
标注优先级（🔴高 / 🟡中 / 🟢低）

场景 3：会议纪要自动提炼

把会议录音转写文本（可用飞书妙记或钉钉会议的自动转写功能）丢给机器人：

以下是今天会议的转写文本，请提炼：
1. 核心决策（3-5 条）
2. 待办事项（格式：事项 | 负责人 | 截止日期）
3. 遗留问题（需要下次会议跟进的）

转写文本：[粘贴内容]

场景 4：新人入职 FAQ 自动应答

在 system prompt 里塞入你们的常见问题文档（环境配置、请假流程、报销规则），机器人就能 24 小时回答新人问题，HR 和 Leader 从此解放。

场景 5：代码 Review 辅助

请对以下代码进行 Review，重点关注：
1. 潜在的 Bug 或边界条件遗漏
2. 性能问题（时间复杂度、数据库查询等）
3. 代码可读性和命名规范
4. 安全性风险（SQL 注入、XSS 等）

给出具体的修改建议，并说明原因。

[粘贴代码]

这里有个小技巧：不同场景用不同模型效果更好。长文档摘要用 Claude（上下文窗口大）、代码分析用 GPT-4o、快速问答用 GPT-4o-mini（速度快成本低）。8848AI 的好处就在这里：同一个 Key、同一个接口，换个 model 参数就行。去 [api.884819.xyz](https://api.884819.xyz) 的模型列表页看看，也许会发现更多玩法。

---