[保姆级教程]从0开始本地大模型搭建私用知识库(第三部分：大模型接入钉钉)

在网上搜索了一圈，发现大部分文章都是使用COW将大模型接入微信的，很少看到如何接入钉钉，因此自己结合实际情况写出这篇文章。

想要将自己本地搭建的大模型接入钉钉，我们需要先明确接入要有哪些过程，这个过程可以分为三个环节：

首先，向钉钉发起对话的“问候”；

其次，将钉钉接收到的消息巧妙地“转交”给大模型；

最后，将大模型的智慧结晶“回馈”给钉钉。

下面，我们将逐一分析这三个步骤。首先，关于向钉钉平台发送消息，关键在于确定消息的接收对象。这就需要我们首先创建一个钉钉机器人，作为消息传递的媒介和接口。

没有本地大模型可以参考这篇文章创建，或者直接接入网上的大模型API。

[保姆级教程]从0开始本地大模型搭建私用知识库(第一部分：安装)_fastgpt ollama-CSDN博客

一、创建钉钉机器人

1、登陆钉钉开放平台

2、进入平台后，我们选择右上角的“我的后台”，进入后即可看到下面的内容。

3、点击上图中的“创建”按钮，即可进入机器人创建界面。

4、点击上图右上角的“创建应用”，在打开的页面中输入你的应用名称，和应用描述，还可以给它上传一个头像。

5、点击保存按钮后，会跳转到一个新界面，在这个界面，我们给创建的应用添加机器人功能。如下图，点击“机器人”下面的添加即可。

6、添加完机器人后，接下来我们需要配置机器人的想信息。这步一看就会，不细说，只说明一点。在最后会要求选择消息接收模式，要选择Stream模式。

因为：使用Stream模式，无需注册公网回调地址。这就省去了很多麻烦。Stream 模式接入，钉钉开放平台将通过 Websocket 连接与应用程序通讯

7、将发布后机器人添加到你的群里。

二、消息通信

这部分包括了3点，1）接收钉钉消息；2）将消息转发给大模型处理；3）将结果返回钉钉

我是通过python代码来实现这部分的（不懂python的可以发给AI让它给你解释），下面我通过代码来讲解各个部分的实现要求。代码可用，如果不想读的直接复制，修改其中几个参数即可。

# 导入Flask框架，用于创建Web应用
from flask import Flask, request, jsonify

# 导入threading模块，用于多线程处理
import threading

# 导入asyncio模块，用于异步编程
import asyncio

# 导入dingtalk_stream模块，用于处理钉钉消息流
import dingtalk_stream

# 从dingtalk_stream模块中导入AckMessage类，用于确认消息处理状态
from dingtalk_stream import AckMessage

# 导入requests模块，用于发送HTTP请求
import requests

# 导入json模块，用于处理JSON数据
import json

# 创建一个Flask应用实例
app = Flask(__name__)

# 钉钉应用的App Key和App Secret，用于身份验证
APP_KEY = '1234dfgthyh56d'
APP_SECRET = 'fgiushrw9ruhgregjfdlspd'

# 钉钉Webhook的URL，用于发送消息
webhook_url = "https://tyuiolbnm,67899ojnbnji0okjbvgyuik"

# 定义一个事件处理器类，继承dingtalk_stream.EventHandler
class MyEventHandler(dingtalk_stream.EventHandler):
    # 异步处理事件消息的方法
    async def process(self, event: dingtalk_stream.EventMessage):
        # 打印事件类型、ID、出生时间和数据
        print(event.headers.event_type, event.headers.event_id, event.headers.event_born_time, event.data)
        # 创建一个异步任务，将数据发送到fastgpt并返回给钉钉
        asyncio.create_task(send_data_to_fastgpt_and_back_to_dingtalk(event.data))
        # 返回消息处理状态和响应
        return AckMessage.STATUS_OK, 'OK'

# 定义一个回调处理器类，继承dingtalk_stream.CallbackHandler
class MyCallbackHandler(dingtalk_stream.CallbackHandler):
    # 异步处理回调消息的方法
    async def process(self, message: dingtalk_stream.CallbackMessage):
        # 打印消息主题和数据
        print(message.headers.topic, message.data)
        # 创建一个异步任务，将数据发送到fastgpt并返回给钉钉
        asyncio.create_task(send_data_to_fastgpt_and_back_to_dingtalk(message.data))
        # 返回消息处理状态和响应
        return AckMessage.STATUS_OK, 'OK'

# 定义一个函数，用于启动钉钉客户端
def start_dingtalk_client():
    # 创建钉钉凭证对象
    credential = dingtalk_stream.Credential(APP_KEY, APP_SECRET)
    # 创建钉钉流客户端
    client = dingtalk_stream.DingTalkStreamClient(credential)
    # 注册所有事件处理器
    client.register_all_event_handler(MyEventHandler())
    # 注册聊天机器人消息的回调处理器
    client.register_callback_handler(dingtalk_stream.ChatbotMessage.TOPIC, MyCallbackHandler())
    # 持续运行客户端
    client.start_forever()

# 定义一个异步函数，用于将数据发送到fastgpt并返回给钉钉
async def send_data_to_fastgpt_and_back_to_dingtalk(data):
    # fastgpt API的URL
    url = 'http://127.0.0.1:3000/api/v1/chat/completions'
    # 设置请求头
    headers = {
        'Authorization': 'Bearer fastgpt-e6gfreyuenjskgjorjgoi54ogmrfnvdvd',
        'Content-Type': 'application/json'
    }
    
    try:
        # 构建API请求数据
        api_data = {
            "model": "gemma2:2b",
            "chatId": data.get('senderStaffId', ''),
            "messages": [
                {
                    "role": "user",
                    "content": data.get('text', {}).get('content', '') if isinstance(data.get('text'), dict) else ''
                },
            ]
        }
        # 发送POST请求到fastgpt API
        response = requests.post(url, headers=headers, json=api_data)
        # 打印发送者的StaffId
        print(data.get('senderStaffId', ''))
        # 检查响应状态码
        if response.status_code != 200:
            print(f"发送数据到fastgpt失败: {response.status_code} - {response.text}")
        else:
            print("数据成功发送到fastgpt。")
            # 解析响应数据
            response_data = response.json()
            message_content = response_data.get('choices', [{}])[0].get('message', {}).get('content', '')
            # 如果有消息内容，则发送到钉钉
            if message_content:
                await send_dingding(message_content, webhook_url)
            else:
                print("无法从数据中提取消息内容，无法发送消息回钉钉。")
    # 如果在发送数据到fastgpt时发生网络相关的异常，捕获该异常并打印错误信息
    except requests.exceptions.RequestException as e:
        print(f"在发送数据到fastgpt时发生错误: {e}")

# 定义一个异步函数，用于将消息发送到钉钉
async def send_dingding(message, webhook_url):
    # 设置请求头，指明发送的内容类型为JSON
    headers = {'Content-Type': 'application/json'}
    # 构建要发送的数据，包括消息类型和文本内容
    data = {
        "msgtype": "text",
        "text": {
            "content": message
        }
    }
    try:
        # 使用requests模块发送POST请求到钉钉的Webhook URL
        response = requests.post(webhook_url, headers=headers, data=json.dumps(data))
        # 打印钉钉响应的内容
        print(response.text)
    # 如果发送过程中发生网络相关的异常，捕获该异常并打印错误信息
    except requests.exceptions.RequestException as e:
        print(f"发送消息到钉钉失败: {e}")

# 创建并启动一个线程，用于运行钉钉Stream客户端
thread = threading.Thread(target=start_dingtalk_client)
thread.start()

# 定义Flask路由，当访问根路径时执行index函数
@app.route('/')
def index():
    # 返回一个简单的字符串，表示钉钉Stream客户端正在运行
    return 'DingTalk Stream client is running.'

# 当该脚本被直接运行时（而不是作为模块导入），执行以下代码
if __name__ == '__main__':
    # 创建一个新的异步事件循环
    loop = asyncio.new_event_loop()
    # 将新创建的事件循环设置为当前线程的默认事件循环
    asyncio.set_event_loop(loop)
    # 运行事件循环，直到调用stop()方法
    loop.run_forever()

重点参数说明：

APP_KEY = '1234dfgthyh56d'
APP_SECRET = 'fgiushrw9ruhgregjfdlspd'
webhook_url = "https://tyuiolbnm,67899ojnbnji0okjbvgyuik"

上面这3个参数均来自于刚刚创建的钉钉机器人。位置如下图：

APP_KEY 和 APP_SECRET在这里。

webhook_url 在你将机器人添加进群后才可以用，打开群设置，在里面找到你添加的机器人。，点击后即可看到。

url = 'http://127.0.0.1:3000/api/v1/chat/completions'

'Authorization': 'Bearer fastgpt-e6gfreyuenjskgjorjgoi54ogmrfnvdvd'

这两个参数是连接大模型使用的。我是本地部署的fastgpt，如果你选择使用在线大模型，也会有这两个参数，在你申请的地方找找。

注意：如果使用的大模型不是本地部署的fastgpt平台，那么在后面的给大模型传参时格式可能需要调整。

修改完如上5个参数后，启动程序。在群里@你的机器人给它发送消息尝试下吧。