OpenClaw 集成飞书：从零搭建企业级 AI Agent 自动化工作流

TechFind
10 阅读1分钟

OpenClaw 集成飞书：从零搭建企业级 AI Agent 自动化工作流

很多团队想用 AI Agent 提效，但卡在"怎么接入现有办公系统"。本文手把手教你用 OpenClaw 对接飞书，实现消息自动回复、文档智能处理、审批流自动化。

为什么选飞书 + OpenClaw？

国内企业办公，飞书的渗透率越来越高。但飞书自带的机器人能力有限——只能做简单的关键词回复和 webhook 推送。

OpenClaw 的定位不同：它是一个 AI Agent 运行时框架，能让你的 Agent 拥有记忆、工具调用、多轮对话能力。两者结合，等于给飞书装上了一个真正能"思考"的大脑。

我在自己团队里跑了两个月，几个核心场景已经稳定运行：

  • 客服自动回复：客户在飞书群里提问，Agent 自动检索知识库回答，准确率 85%+
  • 日报/周报自动生成：Agent 读取项目管理工具数据，自动生成结构化报告
  • 审批流智能处理：请假、报销等常规审批，Agent 预审后推送给审批人

前置准备

开始之前，你需要：

  1. 一台 Linux 服务器（2核4G 起步，推荐腾讯云轻量应用服务器，月费不到 100）
  2. 飞书开放平台企业自建应用（免费创建）
  3. Node.js 18+ 环境
  4. OpenClaw 已安装（npm install -g openclaw）

第一步：创建飞书应用并获取凭证

登录 飞书开放平台，创建企业自建应用：

应用名称：AI Assistant（随意）
应用描述：基于 OpenClaw 的智能助手

在「凭证与基础信息」页面记录：

  • App ID
  • App Secret

然后在「权限管理」中开启以下权限：

  • im:message:send_as_bot — 以机器人身份发消息
  • im:message:receive — 接收消息
  • im:chat:readonly — 读取群信息
  • wiki:wiki:readonly — 读取知识库（如果需要 RAG）

第二步：配置 OpenClaw 飞书通道

OpenClaw 原生支持飞书作为消息通道。在你的 openclaw.json 中添加：

{
  "channels": [
    {
      "type": "feishu",
      "appId": "cli_xxxxxxxxxx",
      "appSecret": "your-app-secret",
      "verificationToken": "your-verification-token",
      "encryptKey": "your-encrypt-key"
    }
  ]
}

启动 gateway：

openclaw gateway start

OpenClaw 会自动注册飞书事件回调。你需要在飞书开放平台的「事件订阅」中填入回调地址：

https://your-server.com/webhook/feishu

第三步：编写 Agent 配置

创建 AGENTS.md，定义你的 Agent 行为：

# 飞书智能助手

## 角色
你是公司内部的 AI 助手，负责回答员工问题、处理日常事务。

## 工具
- 飞书文档读取：可以搜索和读取飞书知识库
- 日程查询：可以查看团队日程安排
- 审批处理：可以创建和推进审批流程

## 规则
- 回答要简洁专业，不超过 200 字
- 不确定的问题标注"需人工确认"
- 涉及敏感信息（薪资、人事）拒绝回答并转人工

第四步：知识库对接（RAG）

这是最实用的场景。把飞书知识库接入 Agent，让它能基于公司文档回答问题。

OpenClaw 支持通过飞书 API 实时检索文档：

// 在 Agent 的工具定义中
{
  name: "search_wiki",
  description: "搜索飞书知识库",
  handler: async (query) => {
    const results = await feishuClient.wiki.search({
      query: query,
      space_id: "your-space-id"
    });
    return results.items.map(item => ({
      title: item.title,
      content: item.content.substring(0, 500)
    }));
  }
}

实际效果：员工在群里问"出差报销流程是什么"，Agent 自动从知识库找到对应文档，提取关键步骤回复。

第五步：消息处理进阶

群消息 vs 私聊

OpenClaw 自动区分群消息和私聊。群消息中，Agent 只在被 @mention 时响应；私聊则每条消息都处理。

多轮对话

OpenClaw 的记忆系统天然支持多轮对话。每个用户有独立的对话上下文：

用户：帮我查一下上周的销售数据
Agent：上周（2/24-2/28）总销售额 ¥128,000，环比增长 12%。需要看明细吗？
用户：按产品线拆分一下
Agent：按产品线拆分：A产品 ¥65,000（51%）、B产品 ¥38,000（30%）、C产品 ¥25,000（19%）

Agent 记住了"上周销售数据"这个上下文，第二轮不需要重复说明。

富文本消息

飞书支持卡片消息，比纯文本更美观：

{
  "msg_type": "interactive",
  "card": {
    "header": {
      "title": { "tag": "plain_text", "content": "📊 销售周报" }
    },
    "elements": [
      {
        "tag": "markdown",
        "content": "**本周总额**: ¥128,000\n**环比**: ↑12%"
      }
    ]
  }
}

实战踩坑记录

跑了两个月，几个坑分享一下：

  1. 飞书 token 过期：飞书的 tenant_access_token 有效期 2 小时，必须做自动刷新。OpenClaw 内置了刷新逻辑，但如果你自己封装要注意这点。

  2. 消息去重：飞书偶尔会重复推送事件，Agent 可能重复回复。建议用 message_id 做去重。

  3. 大群性能：超过 500 人的群，消息量大时 Agent 响应会变慢。建议对大群设置消息过滤规则，只处理 @mention。

  4. 权限审批慢：企业自建应用的某些权限需要管理员审批，提前申请好。

成本估算

项目月费用
服务器（2核4G）¥60-100
OpenClaw 运行时免费（开源）
LLM API 调用¥200-500（取决于消息量）
飞书开放平台免费
合计¥260-600/月

对比请一个人工客服（¥5000+/月），ROI 非常明显。

总结

飞书 + OpenClaw 的组合，核心优势在于：

  • 低成本：开源框架 + 云服务器，月费几百块
  • 高扩展：Agent 能力随时调整，加工具、改 prompt 即可
  • 真智能：不是关键词匹配，是真正理解语义的 AI 对话

如果你的团队在用飞书，强烈建议试一下这个方案。从最简单的 FAQ 自动回复开始，逐步扩展到更复杂的业务场景。

想了解更多 OpenClaw 部署方案和最佳实践，可以参考 OpenClaw 飞书集成完整指南 和 OpenClaw 企业部署成本优化手册。

avatar
文章
阅读
粉丝