unsetunset搭建微信AI助理unsetunset

wechatbot-webhook部署

wechatbot-webhook 是一个轻量、可部署的微信机器人webhook服务，使用http接口收发微信消息, 用它作为个人通知、AIGC 应用或者 coze、n8n、Dify等自动化工作流的消息节点。

基于 http 请求，与hooks微信不同，因为基于web api，所以优势在于可以部署到arm架构等设备上。

1、开源地址：https://github.com/danni-cool/wechatbot-webhook

2、部署

• Docker部署

# 拉取最新镜像
docker pull dannicool/docker-wechatbot-webhook
# # 启动容器并映射日志目录，日志按天维度生成，e.g: app.2024-08-029.log
docker run -d --name wxBotWebhook --restart unless-stopped -p 3001:3001 -v ~/wxBot_logs:/app/log -e ACCEPT_RECVD_MSG_MYSELF=true -e RECVD_MSG_API=http://119.91.148.69:3000/receive/ -e LOGIN_API_TOKEN=197653 dannicool/docker-wechatbot-webhook

• ACCEPT_RECVD_MSG_MYSELF=true：机器人能接收自己发的消息。

• RECVD_MSG_API=http://http://119.91.148.69:3000/receive：接收消息的 API 地址，实现处理接收消息的逻辑，如果你不想实现这个功能，可以不填，默认为空。

• LOGIN_API_TOKEN=197653：自定义登录 API token，可以不填，默认自动生成一个。

• 使用 compose 部署 (可选)

wget -O docker-compose.yml https://cdn.jsdelivr.net/gh/danni-cool/wechatbot-webhook@main/docker-compose.yml && docker-compose down && docker-compose -p wx_bot_webhook up

3、登录

# -f 表示 "follow"，即实时跟踪日志输出。
docker logs -f wxBotWebhook
# 启动容器时，使用 -d 选项将其置于后台运行。
docker run -d --name wxBotWebhook c7feffe5b169(image_name)
# 将日志输出重定向到文件
docker logs wxBotWebhook > /path/to/logfile.log 2>&1 &
# 查看日志
tail -f /path/to/logfile.log

• /path/to/logfile.log：替换为你希望保存日志的文件路径。
• 2>&1：将标准错误输出（stderr）也重定向到日志文件。
• &：将命令放到后台执行。

这样，容器在后台运行，同时日志被写入指定文件，而不会实时打印到终端。

服务器端命令行扫码登录也可以浏览器访问：http://119.91.148.69:3001/login?token=197653,扫码登录wx。

项目部署成功后，拿到发送消息的 API 地址：http://119.91.148.69:3001/webhook/msg/v2?token=197653。

推消息 API

1、发送私聊

def send_to_user(nick_name, data):
    """
    私聊
    :param nick_name: 昵称
    :param data: 消息内容
    :return:
    """
    # 请求头
    headers = {
        "Content-Type": "application/json",
    }
    data = create_request_data(nick_name, data)
    response = post_request_with_retries(url=BOT_URL, headers=headers, data=json.dumps(data))
    print(response.json())
    
# 单条消息
data = {
    "content": "爬虫与AI前沿"
}
# 同一个人发送多条消息
datas = [
    {
        "type": "text",
        "content": "你好?"
    },
    {
        "type": "fileUrl",
        "content": "https://static.cninfo.com.cn/finalpage/2024-08-29/1221034055.PDF"
    }
]
send_to_user(nick_name='摩诘', data=data)
send_to_user(nick_name='摩诘', data=datas)

2、发送群聊

def send_to_room(nick_name, data):
    """
    群聊
    :param nick_name: 群昵称
    :param data: 消息内容
    :return:
    """
    # 请求头
    headers = {
        "Content-Type": "application/json",
    }
    data = create_request_data(nick_name, data, is_room=True)
    response = post_request_with_retries(url=BOT_URL, headers=headers, data=data)
    print(response.json())
# 单条消息
data = {
    "content": "爬虫与AI前沿"
}
# 多条消息
datas = [
    {
        "type": "text",
        "content": "你好?"
    },
    {
        "type": "fileUrl",
        "content": "https://static.cninfo.com.cn/finalpage/2024-08-29/1221034055.PDF"
    }
]
send_to_room(nick_name='爬虫与AI前沿', data=data)
send_to_room(nick_name='爬虫与AI前沿', data=datas)

3、发送 Url 文件

def send_to_url(nick_name, content):
    # 给 url 拼接 query 参数 $alias 可用于指定发送给目标的文件名
    # 请求头
    headers = {
        "Content-Type": "application/json",
    }
    data = {
        "to": nick_name,
        "data": {
            "type": "fileUrl",
            "content": content
        }
    }
    response = post_request_with_retries(url=BOT_URL, headers=headers, data=json.dumps(data))
    print(response.json())
# 发文件 url 同时支持修改成目标文件名
content = "https://download.samplelib.com/jpeg/sample-clouds-400x300.jpg?$alias=1234.jpg"
send_to_url(nick_name='摩诘', content=content)

• $alias：自定义文件名

4、发送本地文件

def send_to_local_file(nick_name, file_name, is_room=False):
    """
    发送本地文件
    :param nick_name: 昵称
    :param file_name: 文件路径
    :param is_room: 是否是群聊
    :return:
    """

    data = create_request_data(to=nick_name, is_room=is_room)

    files = {'content': open(file_name, 'rb')}
    response = post_request_with_retries(url=BOT_URL_FILE, headers=None, data=data, files=files)
    print(response.json())
# 发送本地文件-私聊
file_path = '/Users/oscar/Downloads/dify.png'
send_to_local_file(nick_name='摩诘', file_name=file_path)

• request 库中默认 ContentType: multipart/form-data类型，故此处headers设置为None.

5、给多人群发

def send_to_rooms():
    """
    群发消息
    :return:
    """
    # 请求头
    headers = {
        "Content-Type": "application/json",
    }
    data = [
        {
            "to": "摩诘",
            "data": {
                "content": "你好?"
            }
        },
        {
            "to": "杨",
            "data": [
                {
                    "content": "你好?"
                },
                {
                    "content": "近况如何？测试群发机器人！"
                }
            ]
        }
    ]
    response = post_request_with_retries(url=BOT_URL, headers=headers, data=json.dumps(data))
    print(response.json())

返回值 response 结构:

{
    "success": true,
    "message": "Message sent successfully",
    "task": {
        "successCount": 3,
        "totalCount": 3,
        "failedCount": 0,
        "reject": [],
        "sentFailed": [],
        "notFound": []
    }
}

• success: 消息发送成功与否，群发消息即使部份发送成功也会返回 true
• message: 出错时提示的消息
• 消息发送成功: Message sent successfully
• 参数校验不通过: Some params is not valid, sending task is suspend.
• 消息都发送失败: All Messages [number] sent failed...
• 部份发送成功: Part of the message sent successfully...
• task: 发送任务详细信息
• task.successCount: 发送成功条数
• task.totalCount: 总消息条数
• task.failedCount: 发送失败条数
• task.reject: 因为参数校验不通过的参数和 error 提示
• task.sentFailed: 因为发送失败和 error 提示
• task.notFound: 因为未找到用户或者群和 error 提示

收消息 API

payload 结构

• Methods: POST
• ContentType: multipart/form-data
• Form格式如下：

在最开始部署项目，启动命令里有一个参数RECVD_MSG_API即：http://119.91.148.69:3000/receive/ ,这个参数就是用来接收消息的。

1. 使用 pip 安装 FastAPI

在终端或命令提示符中运行以下命令：

pip install fastapi

2. 安装 Uvicorn（推荐的 ASGI 服务器）

FastAPI 是一个基于 ASGI 的框架，Uvicorn 是一个高性能的 ASGI 服务器，用于运行 FastAPI 应用。安装 Uvicorn 可以通过以下命令完成：

pip install uvicorn

3、安装 python-multipart

python-multipart 是一个用于处理多部分表单数据（multipart/form-data）的库，通常在处理文件上传时使用。要安装 python-multipart，你可以使用以下 pip 命令：

pip install python-multipart

4. 创建一个简单的 FastAPI 应用

你可以使用以下代码创建一个简单的 FastAPI 应用，并将其保存为 main.py：

from fastapi import FastAPI

app = FastAPI()

@app.get("/")
def read_root():
    return {"Hello": "World"}

4. 运行 FastAPI 应用

使用 Uvicorn 运行 FastAPI 应用，可以在终端中运行以下命令：

uvicorn server:app --reload
or
nohup python3 server.py > log.txt 2>&1 &

• main 是你保存 FastAPI 应用的文件名（不包括 .py 后缀）。
• app 是 FastAPI 实例的名称。
• --reload 选项启用自动重载，以便在代码更改时自动重新启动服务器。

5. 访问应用

打开浏览器，访问 http://127.0.0.1:3000。你应该能看到返回的 {"Hello": "World"}。

还可以访问自动生成的 API 文档，分别为：

• Swagger UI：http://127.0.0.1:3000/docs
• ReDoc：http://127.0.0.1:3000/redoc

创建 wechatbot服务端

1、创建一个名为server.py的文件

from fastapi import FastAPI, Form
from fastapi.responses import JSONResponse
import uvicorn
from loguru import logger

app = FastAPI()

# 配置 Loguru 日志
logger.add("logs/app.log", rotation="1 week", retention="1 month", level="INFO", format="{time} {level} {message}")


@app.post("/receive")
async def receive_message(
        type: str = Form(...),
        content: str = Form(...),
        source: str = Form(...),
        isMentioned: str = Form(...),
        isMsgFromSelf: str = Form(...),
):
    # 处理请求数据
    response_data = {
        "type": type,
        "content": content,
        "source": source,
        "isMentioned": isMentioned,
        "isMsgFromSelf": isMsgFromSelf,
    }
    try:
        # 填写处理逻辑-开始
        logger.info("Received data: {}", response_data)
        # 填写处理逻辑-结束
        return JSONResponse(content={"status": "success", "data": response_data})
    except Exception as e:
        logger.error("Error processing request: {}", e)
        return JSONResponse(content={"status": "error", "data": "处理失败"})


if __name__ == "__main__":
    uvicorn.run(app, host="0.0.0.0", port=3000)

• 上述处理逻辑部分，完全可以定制化：比如接入 ChatGPT/文心一言 处理消息后进行回复。

2 、启动服务器

# 创建虚拟环境
conda create -n wechatbot python=3.10
# 激活虚拟环境
conda activate wechatbot
# 克隆代码
git clone https://github.com/huanglaoxie0503/wechatbot.git
# 安装所需的库
pip install -r requirements.txt
# 启动
nohup python server.py > log.txt 2>&1 &

wechatbot服务已经部署好，接下来咱们考虑接入Dify自动化工作流的消息节点，打造智能的 AI 助理。

测试工作流，并发布为工具。创建一个Agent，把刚才创建的工作流添加到Agent中。

测试Agent,此处使用文心一言大模型。

完整代码：https://github.com/huanglaoxie0503/wechatbo