ChatGLM-6B实战教程：对接企业微信/钉钉机器人实现IM端智能问答
1. 为什么需要把ChatGLM-6B接入企业IM？
你有没有遇到过这些场景：
- 客服团队每天重复回答“账号怎么找回”“订单多久发货”这类问题，人力成本高、响应慢；
- 新员工入职要花好几天熟悉内部知识库，而老员工又总被各种流程问题打断工作；
- 部门群里频繁刷屏问“会议室怎么预约”“报销单模板在哪”，信息沉没在聊天记录里，没人整理也没人归档。
这些问题背后，其实只需要一个能“听懂人话、答得准、接得上”的智能助手。而ChatGLM-6B——这个由清华大学KEG实验室与智谱AI联合推出的开源双语大模型，正适合做这件事的“大脑”。它参数量适中（62亿）、中文理解强、部署轻量、响应快，不追求炫技，但足够靠谱。
本教程不讲模型训练、不调参、不搭GPU集群，只聚焦一件事：如何把已部署好的ChatGLM-6B服务，快速、稳定、安全地接入你每天都在用的企业微信或钉钉机器人，让AI真正走进工作流。全程无需修改模型代码，不碰CUDA配置，所有操作基于标准HTTP接口和官方机器人协议，小白也能照着跑通。
2. 镜像基础能力与服务就绪确认
2.1 镜像核心特性再确认
本镜像是CSDN星图镜像广场提供的开箱即用型部署方案，已预装全部依赖与权重，关键能力如下：
- 开箱即用：模型权重文件（
model_weights/）已内置，启动即推理，无需联网下载，避免因网络波动导致初始化失败； - 生产级稳定：通过Supervisor守护
chatglm-service进程，异常崩溃后3秒内自动重启，保障7×24小时在线； - 交互友好：内置Gradio WebUI（默认端口7860），支持中英文双语输入、温度（temperature）与top-p实时调节、多轮上下文记忆，方便调试与效果验证。
动手前请先确认服务已正常运行：
执行supervisorctl status chatglm-service，输出应为RUNNING；
访问http://127.0.0.1:7860（需先建立SSH隧道）能打开对话界面，并成功完成一次中英文提问。
2.2 技术栈与接口就绪检查
| 组件 | 当前状态 | 说明 |
|---|---|---|
| 推理服务 | 已就绪 | app.py启动的FastAPI服务监听0.0.0.0:8000（非Gradio端口），提供标准/chat接口 |
| API文档 | 可访问 | http://127.0.0.1:8000/docs查看Swagger交互式文档 |
| 请求示例 | 支持JSON | POST /chat，Body含{"query": "你好", "history": []}，返回{"response": "...", "history": [...]} |
注意：Gradio（7860端口）用于人工调试，对接机器人必须调用8000端口的FastAPI接口。这是生产集成的关键分界点。
3. 对接企业微信机器人：三步上线
企业微信机器人采用「关键词触发 + 回复消息」模式，无需用户添加好友，适合内部知识问答场景。
3.1 创建并获取机器人Webhook地址
- 进入企业微信管理后台 → 「应用管理」→ 「自建应用」→ 创建新应用（如命名为“AI知识助手”）；
- 在应用详情页，找到「机器人」模块 → 点击「添加机器人」→ 填写名称（如“ChatGLM小助手”）、设置头像；
- 复制生成的Webhook地址（形如
https://qyapi.weixin.qq.com/cgi-bin/webhook/send?key=xxxxxx），此为唯一通信凭证，务必保密。
3.2 编写轻量级转发服务（Python Flask）
我们不直接让机器人调用ChatGLM，而是加一层转发服务，负责：
解析企业微信消息格式 → 提取用户提问 → 调用ChatGLM-6B API → 将结果按微信格式封装返回
新建文件wechat_forward.py：
from flask import Flask, request, jsonify import requests import json app = Flask(__name__) # 配置：替换为你实际的ChatGLM服务地址和企业微信Webhook CHATGLM_API = "http://127.0.0.1:8000/chat" WECHAT_WEBHOOK = "https://qyapi.weixin.qq.com/cgi-bin/webhook/send?key=你的key" @app.route('/wechat', methods=['POST']) def handle_wechat(): try: data = request.get_json() # 企业微信消息体结构：text.content 是用户发送的文本 if 'text' not in data or 'content' not in data['text']: return jsonify({'errcode': 400, 'errmsg': 'Invalid message format'}), 400 user_input = data['text']['content'].strip() if not user_input: return jsonify({'errcode': 400, 'errmsg': 'Empty input'}), 400 # 调用ChatGLM-6B服务（简化版：无历史上下文，适合单轮问答） glm_resp = requests.post( CHATGLM_API, json={"query": user_input, "history": []}, timeout=30 ) if glm_resp.status_code != 200: raise Exception(f"ChatGLM API error: {glm_resp.status_code}") glm_data = glm_resp.json() answer = glm_data.get("response", "抱歉，我暂时无法回答这个问题。") # 构造企业微信文本消息格式 wechat_msg = { "msgtype": "text", "text": { "content": answer[:2000] # 企业微信限制2000字符 } } # 发送回复给群聊 requests.post(WECHAT_WEBHOOK, json=wechat_msg, timeout=10) return jsonify({'errcode': 0, 'errmsg': 'ok'}) except Exception as e: print(f"[Error] {e}") return jsonify({'errcode': 500, 'errmsg': 'Internal server error'}), 500 if __name__ == '__main__': app.run(host='0.0.0.0', port=5000, debug=False)3.3 部署转发服务并配置企业微信
安装依赖：
pip install flask requests启动服务：
nohup python wechat_forward.py > wechat.log 2>&1 &配置企业微信机器人触发：
- 回到企业微信机器人设置页，找到「机器人接收消息」→ 开启「接收消息」；
- 在「机器人回复」中，填写你的转发服务地址：
https://你的服务器公网IP:5000/wechat（若无域名，需配置HTTPS或使用内网穿透工具如frp）； - 设置关键词（如“问AI”“查知识”），或选择「@机器人」触发，确保消息能准确送达。
测试：在群中发送
@ChatGLM小助手 今天天气怎么样？，几秒内应收到ChatGLM生成的回答。
4. 对接钉钉机器人：支持更灵活的交互方式
钉钉机器人支持关键词、@、富文本卡片等多种触发方式，且对中文生态更友好，适合需要结构化反馈的场景（如查询工单状态、展示FAQ列表）。
4.1 创建自定义机器人并获取Token
- 进入钉钉群 → 右上角「…」→ 「智能群助手」→ 「添加机器人」→ 「自定义」；
- 填写机器人名称（如“钉钉ChatGLM”），勾选「加签」（提升安全性）；
- 复制生成的Webhook地址和加签密钥（secret）—— 加签是必选项，否则消息会被拒绝。
4.2 支持加签的转发服务（升级版）
钉钉要求每次请求携带时间戳+签名，需在上一节代码基础上增加加签逻辑。更新dingtalk_forward.py：
import time import hmac import base64 import hashlib from flask import Flask, request, jsonify import requests import json app = Flask(__name__) # 替换为你的实际值 DINGTALK_WEBHOOK = "https://oapi.dingtalk.com/robot/send?access_token=xxx" DINGTALK_SECRET = "your_secret" def get_dingtalk_signature(): timestamp = str(round(time.time() * 1000)) secret_enc = DINGTALK_SECRET.encode('utf-8') string_to_sign = f'{timestamp}\n{DINGTALK_SECRET}' string_to_sign_enc = string_to_sign.encode('utf-8') hmac_code = hmac.new(secret_enc, string_to_sign_enc, digestmod=hashlib.sha256).digest() sign = base64.b64encode(hmac_code).decode('utf-8') return timestamp, sign @app.route('/dingtalk', methods=['POST']) def handle_dingtalk(): try: data = request.get_json() # 钉钉消息体：text.content 或 msgtype=text时的content字段 if 'text' not in data or 'content' not in data['text']: return jsonify({'errcode': 400}), 400 user_input = data['text']['content'].strip() if not user_input: return jsonify({'errcode': 400}), 400 # 调用ChatGLM glm_resp = requests.post( "http://127.0.0.1:8000/chat", json={"query": user_input, "history": []}, timeout=30 ) answer = glm_resp.json().get("response", "我还在学习中，请稍后再试。") # 构造钉钉文本消息（支持markdown） ding_msg = { "msgtype": "text", "text": { "content": f" AI助手：{answer}" }, "at": { "isAtAll": False } } # 生成加签参数 timestamp, sign = get_dingtalk_signature() full_url = f"{DINGTALK_WEBHOOK}×tamp={timestamp}&sign={sign}" # 发送 requests.post(full_url, json=ding_msg, timeout=10) return jsonify({'errcode': 0}) except Exception as e: print(f"[DingTalk Error] {e}") return jsonify({'errcode': 500}), 500 if __name__ == '__main__': app.run(host='0.0.0.0', port=5001, debug=False)4.3 部署与测试要点
- 启动命令：
nohup python dingtalk_forward.py > dingtalk.log 2>&1 & - 钉钉群设置：在机器人详情页，将「安全设置」中的加签方式设为「自定义关键词」或「@机器人」，关闭「IP地址段」限制（或填入服务器出口IP）；
- 首次测试建议用
@机器人 什么是Transformer？，观察是否返回结构化回答。
进阶提示：如需支持多轮对话，可在转发服务中为每个用户ID维护简化的
history缓存（如Redis），避免每次清空上下文。
5. 实战优化与避坑指南
5.1 常见问题速查表
| 现象 | 可能原因 | 解决方案 |
|---|---|---|
| 机器人无响应 | Webhook地址未配置或网络不通 | curl -X POST <webhook> -H "Content-Type: application/json" -d '{"msgtype":"text","text":{"content":"test"}}'测试连通性 |
| ChatGLM返回超时 | 模型首次加载慢或GPU显存不足 | 启动后等待30秒再测试；检查nvidia-smi显存占用，必要时降低--max_length参数 |
| 企业微信提示“消息格式错误” | 未按规范返回JSON或字段缺失 | 确保转发服务返回{"errcode":0}，且响应头为Content-Type: application/json |
| 钉钉提示“签名错误” | 时间戳偏差＞1小时或secret错误 | 用date命令校准服务器时间；重新复制secret，注意末尾空格 |
5.2 生产环境加固建议
- 限流保护：在Flask层添加简单限流（如每分钟5次/用户），防止恶意刷请求；
- 日志追踪：在转发服务中记录
user_id、input、answer、latency，便于问题回溯； - 降级策略：当ChatGLM服务不可用时，自动返回预设兜底话术（如“AI助手正在小憩，请稍后重试”）；
- 敏感词过滤：在转发服务中前置过滤违禁词，避免AI生成内容风险外溢。
5.3 效果提升小技巧
- 提示词工程（Prompt Engineering）：在调用ChatGLM时，固定注入系统指令，例如：
可显著提升回答一致性；{ "query": "请用简洁、专业的中文回答以下问题，不要使用Markdown格式：今天天气怎么样？", "history": [] } - 结果截断处理：ChatGLM偶有生成长段落，建议在转发服务中用句号/换行符截取前2-3句，保证消息可读性；
- 冷启动优化：在
app.py中增加预热逻辑，服务启动后主动执行一次空推理，避免首问延迟过高。
6. 总结：从技术Demo到业务价值闭环
你已经完成了三件关键事：
确认了ChatGLM-6B服务稳定就绪；
实现了企业微信机器人的关键词触发式问答；
构建了支持加签的钉钉机器人转发服务，并完成端到端测试。
但这不是终点，而是智能办公落地的起点。下一步，你可以：
- 将问答范围从通用知识扩展到公司专属知识库（接入RAG）；
- 在回复中嵌入链接、按钮（钉钉支持ActionCard），一键跳转审批系统；
- 结合用户身份（企业微信/钉钉的
userid），实现个性化应答（如“张经理，您部门的Q3预算已批复”）。
真正的AI价值，不在于模型多大，而在于它能否无声融入工作流，把人从重复劳动中解放出来。而今天这一步——让ChatGLM-6B开口说话，正是最实在的第一步。
--- > **获取更多AI镜像** > > 想探索更多AI镜像和应用场景？访问 [CSDN星图镜像广场](https://ai.csdn.net/?utm_source=mirror_blog_end)，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。
