OpenClaw与飞书机器人集成：实现AI自动化资讯早报推送-平芜编程栈

1. 先搞清楚 OpenClaw 推送飞书早报到底要解决什么问题

如果你在找“OpenClaw 推送飞书资讯早报”的方案，核心目标其实很明确：把一个能自动获取、整理信息的 AI 工具，和团队日常使用的飞书打通，实现定时、自动化的信息推送。这背后解决的是信息过载和效率问题——与其让团队成员每天早上手动刷新闻，不如让一个 AI 助手帮你筛选、摘要，并准时推送到飞书群或私聊。

OpenClaw 本身是一个开源的 AI 智能体框架，你可以把它理解为一个“大脑”，它能根据你设定的目标（Skill）去调用各种工具（比如搜索、读取网页、处理文档）完成任务。而飞书，则是这个大脑输出结果的“嘴巴”和“手”，负责把信息送达。

所以，这个主题适合两类人看：一是想用 AI 自动化提升团队信息获取效率的开发者或运维；二是对 OpenClaw 和飞书机器人集成感兴趣，想了解具体落地步骤的技术爱好者。最关键的价值在于，一旦跑通，你就能基于这个模式，扩展出无数自动化场景，比如监控告警、日报汇总、数据同步等，而不仅仅是早报。

很多人一开始容易陷入细节，比如纠结 OpenClaw 的安装或者飞书机器人的创建。但更重要的第一步是理清流程：信息从哪来（数据源） -> 由谁处理（OpenClaw 及 Skill） -> 怎么发送（飞书机器人） -> 何时触发（定时任务）。把这四步串起来，整个方案就清晰了。

2. 部署前，先备齐环境和想清楚数据流

在动手敲命令之前，先把环境和数据流规划好，能避免后面一半的坑。这个方案至少需要三块“积木”：运行 OpenClaw 的服务器、能调用的 AI 模型（或 API）、以及一个飞书机器人。

2.1 环境与资源准备清单

1. 服务器环境：

系统：Linux (Ubuntu 20.04/22.04 更友好) 或 Windows Server。个人测试也可以用 Windows 10/11 或 macOS，但生产环境建议 Linux。
配置：如果接入本地大模型（如通过 Ollama），CPU 和内存是重点。例如，跑 7B 参数的模型，建议 16GB 以上内存。如果接入云端 API（如 OpenAI、DeepSeek），则对本地配置要求极低，主要看网络。
网络：服务器需要能稳定访问外网（用于获取资讯）和飞书开放平台 API。

2. 软件与依赖：

Python：3.8 或 3.9 版本比较稳妥，这是 OpenClaw 的主要语言环境。
Docker (可选但推荐)：用 Docker 部署 OpenClaw 可以避免复杂的依赖问题，尤其适合在云服务器上快速搭建。
Git：用于拉取 OpenClaw 代码。

3. 飞书资源：

一个飞书企业账号：需要管理员权限来创建应用（机器人）。
飞书开发者账号：在飞书开放平台注册并创建企业自建应用。
应用凭证：创建应用后，你会得到App ID和App Secret，这是机器人调用飞书 API 的“身份证”。

4. AI 能力（二选一）：

方案A（云端API，简单）：准备一个云端大模型的 API Key，如 OpenAI GPT、DeepSeek、智谱 AI 等。OpenClaw 的 Skill 可以直接调用。
方案B（本地模型，可控）：在服务器上部署 Ollama 等本地模型服务，然后让 OpenClaw 去调用。这需要额外的显卡（GPU）或足够的 CPU 内存。

2.2 核心数据流设计

在写代码前，用一张图在脑子里过一遍流程，我习惯称之为“数据流设计”：

[定时触发器 Crontab/N8n] -> [触发 OpenClaw 执行特定 Skill] -> [Skill 工作：1.爬取/读取指定资讯源 2.调用 AI 总结摘要 3.格式化文本] -> [OpenClaw 调用飞书机器人发送消息的模块] -> [飞书 API] -> [目标飞书群聊或用户]

这里的关键决策点：

触发器用啥？最简单用服务器自带的crontab。如果想可视化、有重试机制，可以用n8n这类自动化工具。
资讯源从哪来？RSS 订阅、爬虫（注意合规）、公开 API（如一些新闻聚合平台）。Skill 里要写好抓取逻辑。
AI 总结怎么做？在 Skill 里，把抓取的原始文本扔给 AI，Prompt 可以这样写：“请将以下新闻列表总结为一份不超过 500 字的早报，突出重点，分 3-5 个板块，语气简洁专业。”
飞书消息怎么发？不是简单发文本，飞书支持富文本（post消息）、卡片消息，早报用卡片格式会更美观。

把上面这些在纸上画出来，之后每一步的配置就都是填空了。

3. 分步实操：从部署 OpenClaw 到收到第一条飞书消息

现在，我们按照“部署 -> 配置 -> 开发 -> 联调 -> 定时”的顺序，把整个流程跑通。我会以 Linux 服务器 + Docker 部署 OpenClaw + 云端 AI API + Crontab 定时为例。

3.1 第一步：部署和启动 OpenClaw

官方推荐用 Docker，能省去很多环境冲突的麻烦。

# 1. 拉取 OpenClaw 的 Docker 镜像 docker pull openclaw/openclaw:latest # 2. 创建一个目录用于存放配置和数据 mkdir -p /opt/openclaw/data cd /opt/openclaw # 3. 创建最简单的 docker-compose.yml 文件 cat > docker-compose.yml <<EOF version: '3.8' services: openclaw: image: openclaw/openclaw:latest container_name: openclaw restart: unless-stopped ports: - "3000:3000" # Web 管理界面端口 - "8080:8080" # API 服务端口 volumes: - ./data:/app/data # 挂载数据卷，持久化配置和技能 environment: - NODE_ENV=production EOF # 4. 启动容器 docker-compose up -d

启动后，访问http://你的服务器IP:3000应该能看到 OpenClaw 的 Web 管理界面。如果看不到，检查防火墙是否开放了 3000 端口，并用docker logs openclaw查看容器日志。

注意：如果是 Windows 云服务器，确保已安装 Docker Desktop 并启用 WSL 2 或 Hyper-V 后端。步骤类似，在 PowerShell 或 CMD 中操作即可。Windows 本地部署时，路径处理（尤其是挂载卷）要小心，建议使用绝对路径。

3.2 第二步：配置飞书机器人和 AI 模型

配置飞书机器人：

登录飞书开放平台，点击“创建企业自建应用”。
填写应用名称，如“AI早报助手”。
在“凭证与基础信息”页面，拿到App ID和App Secret，保存好。
在“权限管理”页面，为应用添加以下权限：
- im:message（发送单聊、群聊消息）
- im:message.group_at_msg（发送群聊中@所有人的消息）
- im:message.p2p_msg（发送单聊消息）
在“事件订阅”页面，如果你需要机器人被动响应，可以配置；对于主动推送早报，暂不需要。
最重要的一步：在“版本管理与发布”页面，创建一个版本并申请发布。发布后，在“添加应用”中，将机器人添加到指定的飞书群。

在 OpenClaw 中配置凭证：通常，OpenClaw 的 Web 界面或配置文件里，需要设置环境变量或密钥管理。

飞书凭证：将App ID和App Secret添加到 OpenClaw 的密钥库，命名为FEISHU_APP_ID和FEISHU_APP_SECRET。
AI API 凭证：将你的 OpenAI API Key 或其它模型的 Key，添加为OPENAI_API_KEY等。

具体位置可能因 OpenClaw 版本而异，一般在管理界面的Settings或Secrets部分。

3.3 第三步：编写“资讯早报” Skill

Skill 是 OpenClaw 的核心，它定义了工作流。我们需要创建一个能执行“获取资讯 -> 总结 -> 发送到飞书”的 Skill。

在 OpenClaw 的 Web 界面，找到创建 Skill 的地方。一个 Skill 通常包含几个部分：

触发器 (Trigger)：对于定时任务，我们可以先留空，后面用 Crontab 触发。这里先创建一个“手动触发”或“Webhook触发”的 Skill。
动作节点 (Actions)：这是 Skill 的主体，我们可以用“低代码”方式编排或直接写代码。
- 节点1：获取资讯。可以是一个 HTTP 请求节点，调用新闻 RSS 接口（如https://rsshub.app/的各种路由）或你自己的爬虫 API。
- 节点2：AI 处理。调用配置好的 AI 模型，Prompt 示例：
```
角色：你是专业的早报编辑。 任务：请将以下JSON格式的新闻列表，整理成一份面向科技互联网团队的晨间简报。 要求： 1. 输出格式为 Markdown。 2. 包含一个简短概述（50字）。 3. 按领域分为【人工智能】【云计算】【行业动态】3-4个板块。 4. 每条新闻包含标题、一句话摘要、来源。 5. 总字数控制在400-600字。 新闻列表：{{上一步输出的新闻JSON}}
```
- 节点3：发送飞书。编写一个代码节点（如 Python），调用飞书开放平台的发送消息 API。核心代码逻辑如下：

import requests import json def send_to_feishu(content, app_id, app_secret, receive_id_type='chat_id', receive_id='你的群聊ID'): """ 发送消息到飞书 :param content: 消息内容，可以是文本或卡片 JSON :param app_id: 飞书应用 App ID :param app_secret: 飞书应用 App Secret :param receive_id_type: 接收者类型，'chat_id'（群）或 'user_id'（用户） :param receive_id: 接收者的 ID """ # 1. 获取 tenant_access_token token_url = "https://open.feishu.cn/open-apis/auth/v3/tenant_access_token/internal" token_data = {"app_id": app_id, "app_secret": app_secret} token_resp = requests.post(token_url, json=token_data) if token_resp.status_code != 200: raise Exception(f"获取 token 失败: {token_resp.text}") token = token_resp.json().get("tenant_access_token") # 2. 发送消息 send_url = "https://open.feishu.cn/open-apis/im/v1/messages" headers = { "Authorization": f"Bearer {token}", "Content-Type": "application/json; charset=utf-8" } # 构建消息体，这里示例发送文本消息，更推荐用 interactive（卡片）消息 msg_body = { "receive_id": receive_id, "msg_type": "text", "content": json.dumps({"text": content}) } params = {"receive_id_type": receive_id_type} send_resp = requests.post(send_url, headers=headers, params=params, json=msg_body) if send_resp.status_code == 200: print("消息发送成功") return send_resp.json() else: print(f"消息发送失败: {send_resp.text}") return None # 在 OpenClaw Skill 的代码节点中，这样调用： # 从环境变量或上一步获取内容 summary_content = inputs['ai_summary_output'] feishu_app_id = os.environ.get('FEISHU_APP_ID') feishu_app_secret = os.environ.get('FEISHU_APP_SECRET') chat_id = 'oc_xxxxxxxxxxxxxx' # 你的飞书群聊 ID result = send_to_feishu(summary_content, feishu_app_id, feishu_app_secret, receive_id=chat_id) return {'success': result is not None}

如何获取飞书群聊 ID？在飞书群设置中，通常可以找到。也可以通过飞书开放平台的 API 接口GET /open-apis/im/v1/chats来查询。

3.4 第四步：本地测试与联调

不要一上来就配置定时任务。先做手动触发测试。

测试资讯获取：在 Skill 中先只运行“获取资讯”节点，看能否拿到结构化的新闻数据（JSON格式）。检查网络连通性和 API 限流。
测试 AI 总结：将上一步的真实数据，输入给 AI 节点，看输出的早报格式和内容是否符合预期。调整 Prompt 直到满意。
测试飞书发送：将一段固定的测试文本（如“测试早报”），通过上面的代码节点发送，确认机器人能在群里发出消息。
端到端测试：手动触发整个 Skill，观察日志，确保从获取、总结到发送的整个链路畅通。

常见联调问题：

飞书 403 错误：通常是权限未开通或未发布应用。请回到飞书开放平台，检查权限列表和应用发布状态。
AI 节点超时或报错：检查 API Key 是否正确，网络是否通畅，以及模型服务是否正常。
资讯源返回空数据：检查 RSS 地址或爬虫接口是否有效，可能需要处理反爬或更新接口。

3.5 第五步：配置定时任务（Crontab）

当手动触发测试成功后，就可以配置定时任务了。我们让服务器每天早晨 8 点执行这个 Skill。

OpenClaw 通常会提供 API 来触发一个 Skill 的执行。假设触发该 Skill 的 API 端点是POST http://localhost:8080/api/v1/skills/{skill_id}/trigger。

那么，在服务器上配置 Crontab：

# 编辑当前用户的 crontab crontab -e # 添加一行，每天上午8点执行。使用 curl 调用 OpenClaw 的 API 0 8 * * * curl -X POST http://localhost:8080/api/v1/skills/your_skill_id_here/trigger -H "Content-Type: application/json" -d '{}' > /tmp/openclaw_morning.log 2>&1

说明：

0 8 * * *表示每天 8:00 执行。
your_skill_id_here需要替换成你在 OpenClaw 中创建的实际 Skill ID。
> /tmp/openclaw_morning.log 2>&1将命令的输出和错误重定向到日志文件，方便排查。
确保服务器上的curl命令可用，并且localhost:8080从容器的角度看是可访问的。如果 Docker 容器网络是 bridge 模式，从宿主机调用localhost:8080是通的。

4. 进阶优化与生产环境考量

如果只是自己测试，上面的流程已经足够。但如果想用于团队或生产环境，有几个点必须考虑。

4.1 消息格式优化：从文本到飞书卡片

纯文本早报在手机上阅读体验一般。飞书的interactive消息类型（卡片）支持更丰富的排版。你需要将 AI 总结的 Markdown 内容，转换为飞书卡片的 JSON 结构。

一个简单的卡片消息体示例：

{ "msg_type": "interactive", "card": { "config": { "wide_screen_mode": true }, "header": { "title": { "tag": "plain_text", "content": "📰 AI 资讯早报 | 2024-05-15" } }, "elements": [ { "tag": "div", "text": { "tag": "lark_md", "content": "**早安！以下是为您筛选的今日科技要闻：**" } }, { "tag": "hr" }, { "tag": "div", "text": { "tag": "lark_md", "content": "## 🤖 人工智能\n- **OpenAI 发布新模型**：摘要内容...\n- **国内大模型竞争加剧**：摘要内容..." } } // ... 更多板块 ] } }

在 Skill 的“发送飞书”节点，你需要增加一个“格式转换”步骤，将 Markdown 解析并组装成这样的 JSON。这可能需要一些简单的文本处理逻辑。

4.2 可靠性提升：错误处理与日志

定时任务最怕无声无息地失败。必须加强错误处理和日志记录。

Skill 内部错误处理：在 Skill 的每个关键节点（HTTP请求、AI调用、API发送）后，都应有错误判断。如果失败，可以重试，或者将错误信息记录到数据库或文件中。
Crontab 日志：前面我们已经将输出重定向到日志文件。定期检查/tmp/openclaw_morning.log，看是否有curl调用失败或返回错误码。
OpenClaw 自身日志：通过docker logs --tail 100 openclaw查看容器日志，关注 Skill 执行时的详细错误信息。
失败告警：可以编写一个简单的监控脚本，检查日志文件中是否包含“error”或“failed”关键字，如果发现，则通过另一个紧急通道（如邮件、另一个飞书机器人）发送告警。

4.3 使用 N8n 等可视化工具替代 Crontab

如果你觉得 Crontab 不够直观，或者需要更复杂的工作流（如失败重试、条件分支），可以使用 N8n、Apache Airflow 等工具。

以 N8n 为例，你可以创建一个工作流：

触发器：Schedule Trigger 节点，设置为每天 8:00。
执行：HTTP Request 节点，调用 OpenClaw 触发 Skill 的 API。
错误处理：如果 HTTP 请求失败，N8n 可以自动重试，并在最终失败时发送通知。

这样，整个定时和监控逻辑都在一个可视化的界面里管理，更易于维护。

4.4 资讯源的管理与扩展

最初的 Skill 可能只抓取一两个固定的 RSS。随着需求变化，你可能需要：

动态源列表：将资讯源 URL 列表存储在数据库或配置文件中，让 Skill 运行时读取并遍历。
去重处理：避免不同源报道同一事件导致早报重复。可以在 AI 总结前，对新闻标题做简单的相似度匹配和去重。
分类与标签：让 AI 在总结时，不仅总结内容，还为新闻打上标签（如“紧急”、“利好”、“深度”），便于在卡片中用不同颜色展示。

5. 避坑指南：我踩过的那些雷

最后，分享几个实际部署时最容易出问题的地方，帮你节省大量排查时间。

1. 飞书机器人发了消息但@不了所有人？这是权限问题。除了im:message，还需要im:message.group_at_msg权限，并且必须发布应用版本。添加权限后，记得在开发者后台“重新申请发布”该版本。

2. OpenClaw 调用本地模型（Ollama）超时？如果 OpenClaw 跑在 Docker 容器里，而 Ollama 服务在宿主机上，容器内访问localhost指的是容器自己。你需要用宿主机的局域网 IP（如192.168.x.x）来调用。在 Docker Compose 中，可以通过extra_hosts添加主机映射，或者直接使用host.docker.internal（Docker Desktop 支持）这个特殊域名。

3. 定时任务不执行？首先，在命令行手动执行一遍那条curl命令，看能否成功触发 Skill。如果手动可以，定时不行，99%是环境变量问题。Crontab 的执行环境非常“干净”，可能找不到curl命令或无法解析localhost。使用curl的绝对路径（/usr/bin/curl），并将 URL 中的localhost改为127.0.0.1或服务器 IP。

4. AI 总结的内容质量不稳定？这通常不是工具问题，而是 Prompt 问题。不要只给 AI 一堆文本让它“总结”。要给它明确的角色、格式要求和字数限制。多迭代几次 Prompt，比如要求“先提取关键实体，再按重要性排序，最后用 bullet point 输出”。好的 Prompt 是稳定输出的关键。

5. 资讯源突然失效？公开的 RSS 或 API 可能变更。不要写死。最好在 Skill 里为每个资讯源配置备用地址，并在获取失败时记录日志并尝试下一个源。定期检查你的资讯源列表是否仍然有效。

把这个方案跑通后，你会发现它的价值远不止“早报”。任何需要“定期获取信息 -> 智能处理 -> 推送结果”的场景，比如服务器监控日报、竞品动态跟踪、社交媒体舆情摘要，都可以套用这个框架。核心在于把 OpenClaw 这个“大脑”的 Skill 设计好，以及把飞书这个“出口”对接稳。