---

前言

        在当今数字化办公的时代，钉钉作为一款广泛使用的办公协作工具，其机器人功能为企业和团队带来了诸多便利。通过创建自定义钉钉机器人，我们可以实现自动化消息推送、智能问答等功能，极大地提高工作效率。而智谱 GLM-4-Flash 作为一款强大的语言模型，能够生成高质量的文本内容，为我们的机器人赋予更智能的回复能力。本文将详细介绍如何从零开始打造一个智能钉钉机器人，实现调用智谱 API 来生成智能回复的全过程。

---

一、准备工作

        在开始打造智能钉钉机器人之前，我们需要对一些基础知识有所了解，并准备好必要的工具和环境。

（一）钉钉机器人

        钉钉机器人是一种可以自动接收和处理钉钉群消息的工具，它通过 webhook 接口与钉钉进行通信。机器人可以被添加到钉钉群聊中，当群成员艾特机器人时，机器人会接收到消息并根据预设的逻辑进行处理和回复。钉钉机器人广泛应用于自动化办公、信息推送、智能问答等场景，能够帮助企业提高工作效率和协作体验。

（二）智谱 GLM-4-Flash

        GLM-4-Flash，智谱AI发布的矩阵模型。它能够生成高质量的文本内容，适用于多种自然语言处理任务，如文本生成、问答系统、文本摘要等。通过调用智谱 GLM-4-Flash 的 API 接口，我们可以将用户的输入传递给模型，并获取模型生成的回答内容，从而实现智能回复功能。

（三）内网穿透工具 cpolar

        内网穿透是一种技术，它允许外部网络访问内网中的服务。在本地开发环境中，我们通常处于内网，无法直接被钉钉服务器访问。因此，我们需要使用内网穿透工具 cpolar 来创建一个隧道，将本地端口映射到公网，使得钉钉服务器可以通过公网地址访问到本地运行的服务。

（四）需要准备的工具和环境

        在开始开发之前，我们需要准备以下工具和环境：

• 钉钉开发者账号：注册钉钉开发者账号，用于创建机器人和获取 webhook token。
• 智谱 GLM-4-Flash 账号：注册智谱平台账号，创建项目并获取 API 密钥。
• 内网穿透工具 cpolar：下载并安装 cpolar 客户端，用于本地开发环境的内网穿透。
• 天气 API 账号（可选）：如果需要实现天气查询功能，可以注册天气 API 服务，获取用户 ID 和密钥。
• Python 开发环境：安装 Python 环境（推荐 Python 3.8+），并安装必要的 Python 库。

---

二、钉钉机器人的创建与配置

注意：需要在有开发者权限的组织才可以进行下面步骤，若发现自己没有开发者权限请联系管理员或自行创建组织测试，本博客选择后者

---

步骤1：创建钉钉机器人

1. 登录钉钉开发者后台：https://developers.dingtalk.com/。
2. 在开发者后台的导航栏中找到“机器人”选项，点击进入机器人管理页面。
3. 点击“创建应用”按钮，选择“自定义机器人”。
4. 填写机器人名称（如“智能助手”）、描述（如“基于智谱 GLM-4-Flash 的智能回复机器人”）等基本信息。

---

步骤2：将机器人加入群聊

1. 打开钉钉应用，进入你希望添加机器人的群聊。
2. 点击群设置，找到“机器人”选项。
3. 点击“添加机器人”，选择刚才创建的机器人。
4. 确认添加后，机器人将自动加入群聊。
   

---

完成创建后，会生成一个 webhook access_token，这是后续开发中与钉钉进行通信的关键凭证，务必妥善保存。

---

步骤3：配置服务器相关信息

1. 访问 cpolar 官方网站（https://cpolar.com/），根据自己的操作系统下载并安装 cpolar 客户端。
2. 打开 cpolar 客户端，登录账号。创建一个隧道，将本地端口（如 8080）映射到公网。
3. 记录下 cpolar 提供的公网地址（如 http://your-public-address:8080）。
   

---

1. 配置钉钉服务器出口 IP：
2. 在钉钉开发者后台的机器人开发管理设置页面，找到“消息接收地址”配置项。
3. 将 cpolar 提供的公网 IP 地址填写到配置框中。
4. 提示：在这里有公网IP或者云服务器的也可以直接填入公网IP地址，这里做本地测试所以使用内网穿透展示
   

---

三、开发环境准备

在开始开发智能钉钉机器人之前，我们需要确保开发环境已经搭建好，并安装了必要的依赖库。以下是详细的环境创建和依赖安装步骤：

（一） 本地开发环境搭建

步骤1：创建 Python环境

本博客为隔离开发环境，使用Anaconda 来管理 Python 环境，也推荐大家这样做。
Anaconda安装教程：https://blog.csdn.net/pdsu_Zhe/article/details/129432873

1. 创建新的 Anaconda 环境

conda create -n dingtalk_bot python=3.10

2. 激活环境：

conda activate dingtalk_bot

---

步骤2：安装必要的依赖库

在激活的环境中，使用 pip 安装以下依赖库：

• requests：用于发送 HTTP 请求。
• hmac、hashlib、base64：用于签名验证。
• socket：用于创建服务器端口，接收钉钉发送的消息。
• zhipuai：智谱 GLM-4-Flash 的 Python SDK，用于调用大模型。

pip install requests hmac hashlib base64 socket zhipuai

---

（二） 获取 API 密钥

1、智谱 GLM-4-Flash API 密钥

• 访问智谱AI开放平台（https://bigmodel.cn/），注册账号并登录。
• 在平台中创建一个项目，获取 API 密钥。
• 将 API 密钥保存到本地，后续代码中会用到。

2、其他功能API密钥
由于博主在开发地震相关的，所以接入了中国地震台网的全球最新地震信息API，大家有需要的API可以自行搜索方法，这里不在讲述。

---

四、消息接收与处理

（一）接收钉钉消息

使用 Python 的 socket 模块创建一个服务器端口，监听钉钉发送的消息。

def handle_client(client_socket):request_data = client_socket.recv(20000)print(f"接收到的消息：{request_data}")client_socket.close()if __name__ == "__main__":server_socket = socket.socket(socket.AF_INET, socket.SOCK_STREAM)server_socket.bind(("", 8080))server_socket.listen(120)print("服务器启动，等待连接...")while True:client_socket, client_address = server_socket.accept()print(f"[{client_address}] 用户连接上了")handle_client(client_socket)

（二）解析消息内容

解析钉钉发送的消息，提取用户 ID、签名、时间戳和消息内容。

def getPost(request_data):request_data = str(request_data, encoding="utf8").split('\r\n')items = []for item in request_data[1:-2]:items.append(item.split(':'))post_useful = dict(items)post_mes = json.loads(request_data[-1])post_sign = post_useful.get('Sign').strip()post_timestamp = post_useful.get('Timestamp').strip()post_userid = post_mes.get('senderId').strip()post_mes = post_mes.get('text').get('content').strip()return post_userid, post_sign, post_timestamp, post_mes

（三）验证消息合法性

def initKey(post_userid, post_sign, post_timestamp, post_mes):app_secret = '你的app_secret'  # 替换为你的 app_secretstring_to_sign = f'{post_timestamp}\n{app_secret}'hmac_code = hmac.new(app_secret.encode('utf-8'), string_to_sign.encode('utf-8'), digestmod=hashlib.sha256).digest()sign = base64.b64encode(hmac_code).decode('utf-8')if post_sign == sign:print("消息验证通过")return Trueelse:print("消息验证失败")return False

五、调用大模型生成答案

（一）处理用户指令

根据用户发送的消息内容，调用相应的处理逻辑。

from zhipuai import ZhipuAIclient = ZhipuAI(api_key="你的GLM_API_KEY")  # 替换为你的智谱 API 密钥def selectMes(post_userid, post_mes):if post_mes == "地震播报":earthquake_data = "地震等级: 5.0, 地震时间: 2025-03-09 10:00, 位置: 四川省"  # 替换为实际的地震数据获取逻辑response = client.chat.completions.create(model="glm-4-flash",messages=[{"role": "system", "content": "生成地震播报文本"},{"role": "user", "content": earthquake_data}])answer = response.choices[0].message.contentelif "天气" in post_mes:province, place = "四川", "成都"  # 替换为实际的省份和地点提取逻辑weather_data = f"{province} {place} 的天气数据"  # 替换为实际的天气数据获取逻辑response = client.chat.completions.create(model="glm-4-flash",messages=[{"role": "system", "content": "生成天气预报文本"},{"role": "user", "content": weather_data}])answer = response.choices[0].message.contentelse:response = client.chat.completions.create(model="glm-4-flash",messages=[{"role": "system", "content": "你是一个智能助手，能够回答各种问题。"},{"role": "user", "content": post_mes}])answer = response.choices[0].message.contentreturn sendText(post_userid, answer)

（二）发送回复消息

import requests
import jsondef sendText(post_userid, send_mes):webhook = "https://oapi.dingtalk.com/robot/send?access_token=你的token"  # 替换为你的钉钉 webhook tokenheader = {"Content-Type": "application/json", "Charset": "UTF-8"}message_json = json.dumps({"msgtype": "text","text": {"content": send_mes},"at": {"atDingtalkIds": [post_userid],"isAtAll": False}})response = requests.post(url=webhook, data=message_json, headers=header)if response.status_code == 200:print("消息发送成功")else:print("消息发送失败")

六、运行与测试

（一）本地运行

启动本地服务器，确保机器人能够正常接收和处理消息。运行以下代码：

if __name__ == "__main__":server_socket = socket.socket(socket.AF_INET, socket.SOCK_STREAM)server_socket.bind(("", 8080))server_socket.listen(120)print("服务器启动，等待连接...")while True:client_socket, client_address = server_socket.accept()print(f"[{client_address}] 用户连接上了")handle_client(client_socket)

该代码启动一个监听 8080 端口的服务器，等待钉钉发送的消息。

测试机器人功能：
在钉钉群聊中艾特机器人，测试不同指令的响应情况。例如：

艾特机器人并发送“地震播报”

艾特机器人并发送“北京天气”

艾特机器人并询问问题

---

总结

通过本文的介绍，我们从零开始打造了一个智能钉钉机器人，实现了调用智谱 GLM-4-Flash API 来生成智能回复的全过程。这个机器人可以根据用户的指令，自动获取地震数据、天气信息，并生成相应的播报内容，极大地提高了办公效率和协作体验。

---

附录

这里只提供大模型智能回复代码，若需其他功能的相关逻辑代码，可以联系我交流学习。

#!/usr/bin/env python
# -*- coding:utf-8 -*-
"""
@author: Richard Zhang
@time: 2025/3/7 19:55 
@file: DingTalk.py
@describe: TODO
"""
# -*- coding: GBK -*-
import requests
import json
import time
import hmac
import hashlib
import base64
import socket
from multiprocessing import Process
from zhipuai import ZhipuAI# 配置
GLM_API_KEY = "your_api_key"  # 替换为你的智谱GLM-4-Flash API密钥# 初始化智谱GLM-4-Flash客户端
client = ZhipuAI(api_key=GLM_API_KEY)
model_name = "glm-4-flash"  # 模型名称def handle_client(client_socket):# 获取socketrequest_data = client_socket.recv(20000)post_userid, post_sign, post_timestamp, post_mes = getPost(request_data)# 回应socketinitKey(post_userid, post_sign, post_timestamp, post_mes)# 关闭socketclient_socket.close()def getPost(request_data):request_data = str(request_data, encoding="utf8").split('\r\n')items = []for item in request_data[1:-2]:items.append(item.split(':'))post_useful = dict(items)post_mes = json.loads(request_data[-1])post_sign = post_useful.get('Sign').strip()post_timestamp = post_useful.get('Timestamp').strip()post_userid = post_mes.get('senderId').strip()post_mes = post_mes.get('text').get('content').strip()return post_userid, post_sign, post_timestamp, post_mesdef initKey(post_userid, post_sign, post_timestamp, post_mes):whtoken = "your_webhook_token" # 替换为你的webhook_tokentimestamp = str(round(time.time() * 1000))app_secret = 'your_app_secret' # 替换为你的app_secretapp_secret_enc = app_secret.encode('utf-8')string_to_sign = '{}\n{}'.format(post_timestamp, app_secret)string_to_sign_enc = string_to_sign.encode('utf-8')hmac_code = hmac.new(app_secret_enc, string_to_sign_enc, digestmod=hashlib.sha256).digest()sign = base64.b64encode(hmac_code).decode('utf-8')if (abs(int(post_timestamp) - int(timestamp)) < 3600000 and post_sign == sign):webhook = "https://oapi.dingtalk.com/robot/send?access_token=" + whtoken + "&timestamp=" + timestamp + "&sign=" + signheader = {"Content-Type": "application/json", "Charset": "UTF-8"}message_json = json.dumps(selectMes(post_userid, post_mes))info = requests.post(url=webhook, data=message_json, headers=header)print(info)else:print("Warning:Not DingDing's post")def selectMes(post_userid, post_mes):# 将用户输入传递给大模型生成回答response = client.chat.completions.create(model=model_name,messages=[{"role": "system", "content": "你是一个智能助手，能够回答各种问题。"},{"role": "user", "content": post_mes}])answer = response.choices[0].message.content# 返回文本消息return sendText(post_userid, answer)def sendText(post_userid, send_mes):message = {"msgtype": "text","text": {"content": send_mes},"at": {"atDingtalkIds": [post_userid],"isAtAll": False}}return messageif __name__ == "__main__":server_socket = socket.socket(socket.AF_INET, socket.SOCK_STREAM)server_socket.bind(("", 8080))server_socket.listen(120)while True:client_socket, client_address = server_socket.accept()print("[%s, %s]用户连接上了" % client_address)handle_client_process = Process(target=handle_client, args=(client_socket,))handle_client_process.start()client_socket.close()