1. Openclaw 接入个人飞书到底能做什么适合谁上手Openclaw 接入个人飞书说白了就是把你自己的飞书账号变成一个能对话、能触发 AI 能力的入口。你在飞书里给机器人发一句话消息通过飞书开放平台的事件订阅推送到你本机运行的 Openclaw 服务Openclaw 再把这句话交给背后配置好的大模型模型生成回复后原路返回最终显示在飞书聊天窗口里。整条链路跑通之后你不需要打开任何网页或客户端直接在飞书里就能用上自己接的模型。这套方案适合的人群其实很明确。第一类是个人开发者手里有飞书账号想低成本验证「IM AI」的产品形态又不想一上来就搞服务器和公网域名。第二类是已经在用 Openclaw 做本地 Agent 实验的人希望把入口从终端搬到手机上随时随地发指令。第三类是想给团队内部做个小工具但暂时不想走企业级审批流程的独立开发者。飞书个人版可以自建应用配合 Openclaw 的长连接模式整个接入过程不需要公网 IP也不需要备案域名这是它比很多同类方案更友好的地方。我实测下来整条链路最关键的三个环节分别是飞书自建应用的事件订阅方式选择、权限批量导入、以及 Openclaw 侧的通道配置。很多人卡在「未检测到应用链接信息」这个报错上本质是事件订阅没有走长连接模式飞书要求你提供一个可访问的回调地址而你本地根本没有公网入口。解决办法就是用飞书官方 SDK 起一个 WebSocket 长连接客户端让飞书主动把事件推给你而不是你去暴露一个 HTTP 端点。还有一个容易被忽略的点是配对机制。Openclaw 默认对私聊做了安全限制机器人第一次收到消息时不会直接回复内容而是返回一个配对码你需要在本地终端执行配对命令把这个码批准掉之后对话才会正常。这个设计是为了防止别人随便给你的机器人发消息就消耗你的模型额度属于合理的安全策略但第一次用的人很容易以为接入失败了。下面我会按真实操作顺序从环境准备、TaoToken 配置、飞书应用创建、权限导入、Openclaw 通道配置一直到消息往返验证和常见报错排查把每一步都写清楚。你照着做基本能一次跑通。2. 接入前的前置准备TaoToken 模型服务与本地环境在动飞书之前先把模型服务这块搞定。Openclaw 本身只是个调度框架它需要一个能调用的模型 API 才能真正回复消息。我这边用的是 TaoToken 提供的统一模型接入服务好处是一个 Key 可以切换多种模型配置格式也统一省得每个模型都去单独注册。TaoToken 的定位是模型 API 聚合与转发层你拿到一个 API Key 之后把 Base URL 指向它的接口地址就能在 Openclaw、Cherry Studio、Cline 这些客户端里调用背后的模型。对于个人开发者来说最实际的价值是不用维护多套鉴权逻辑换模型只改一个 Model ID 就行。先注册并拿到 Key。打开官网 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 完成账号注册后进入控制台。控制台地址是 https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewrite 在里面找到 API Keys 管理页面新建一个 Key 并复制保存。这个 Key 只显示一次丢了就得重建。拿到 Key 之后你需要确认两件事Base URL 和 Model ID。Base URL 统一用 https://taotoken.net/api 注意这个地址后面不加任何 UTM 参数直接填就行。Model ID 则取决于你想用哪个模型可以在模型对话页面 https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_contentmodelsutm_campaignrewrite 里查看当前可用的模型列表复制对应的模型标识。本地环境方面Openclaw 依赖 Node.js 运行。我装的是 node-v24.14.0-x64.msi安装过程中有一个关键选项必须勾选「Add to PATH」。如果不勾安装完成后在终端里执行 node -v 会提示找不到命令后面 Openclaw 的安装脚本也会失败。这个坑我踩过重装一遍就好但浪费时间。装完 Node 之后验证一下node -v npm -v两条命令都能输出版本号说明环境没问题。如果 npm 版本太旧可以顺手升级npm install -g npm接下来是 Openclaw 客户端本身。你可以通过它提供的安装入口进行安装安装完成后点击启动看到服务正常运行的页面就说明本地框架起来了。此时它还没有连接任何模型也没有连接飞书只是一个空壳。在正式接飞书之前建议先把模型通道配好并测试通过。因为如果模型本身调不通飞书那边消息进来了也只会报错排查起来会混淆问题来源。配置模型时把 Base URL 填 https://taotoken.net/api API Key 填你刚才复制的那串Model ID 填你选定的模型标识。保存后发一条测试消息能正常返回内容再进行下一步。这一步做完你手里应该有三样东西一个可用的 TaoToken API Key、一个确认能跑的 Model ID、一个本地正常启动的 Openclaw 服务。这三样是后面所有操作的基础。3. 飞书自建应用创建与权限配置的可复制步骤飞书这边的操作是整个流程里步骤最多的一段但只要按顺序来不会出大问题。核心目标是创建一个自建应用拿到 App ID 和 App Secret配好权限开启长连接事件订阅最后发布应用。先进入飞书开放平台用你的个人飞书账号登录进入开发者后台选择「创建企业自建应用」。应用名称随便起比如「OpenClaw助手」图标可以跳过。创建完成后进入应用详情页在「凭证与基础信息」里能看到 App ID 和 App Secret这两个值后面要填到 Openclaw 配置里先记下来。接着配置权限。飞书支持批量导入权限这比一个个勾选快得多。在权限管理页面找到「批量导入/导出权限」入口把下面这段 JSON 粘贴进去{ scopes: { tenant: [ aily:file:read, aily:file:write, application:application.app_message_stats.overview:readonly, application:application:self_manage, application:bot.menu:write, cardkit:card:write, contact:user.base:readonly, contact:user.employee_id:readonly, corehr:file:download, docs:document.content:read, event:ip_list, im:chat, im:chat.access_event.bot_p2p_chat:read, im:chat.members:bot_access, im:chat:read, im:message, im:message.group_at_msg:readonly, im:message.group_msg, im:message.p2p_msg:readonly, im:message:readonly, im:message:send_as_bot, im:resource, sheets:spreadsheet, wiki:wiki:readonly ], user: [ aily:file:read, aily:file:write, contact:contact.base:readonly, im:chat.access_event.bot_p2p_chat:read ] } }粘贴后点击下一步系统会列出所有待开通的权限确认无误后提交。这里要注意tenant 权限是应用以自身身份调用接口时用的user 权限是代表用户操作时用的两者都需要不要只导一半。权限配好之后进入「事件订阅」页面。这里是最容易出问题的地方。飞书默认要求你填写一个请求地址回调 URL它会把事件 POST 到这个地址。但你的 Openclaw 跑在本地没有公网 IP这个地址填不了。所以你要把订阅方式切换成「长连接」模式。切换之后飞书不再要求回调地址而是由你的本地客户端主动和飞书建立 WebSocket 连接事件通过这条连接推送过来。如果你在保存事件订阅配置时看到「未检测到应用链接信息」这个提示说明长连接客户端还没有启动飞书检测不到活跃的连接。解决办法是先在本机把长连接客户端跑起来再回来保存。长连接客户端可以用飞书官方 Python SDK 实现。先安装 SDKpip install lark-oapi -U然后写一个最小可运行的脚本import lark_oapi as lark def do_p2_im_message_receive_v1(data: lark.im.v1.P2ImMessageReceiveV1) - None: print(f[ do_p2_im_message_receive_v1 access ], data: {lark.JSON.marshal(data, indent4)}) def do_message_event(data: lark.CustomizedEvent) - None: print(f[ do_customized_event access ], type: message, data: {lark.JSON.marshal(data, indent4)}) event_handler lark.EventDispatcherHandler.builder(, ) \ .register_p2_im_message_receive_v1(do_p2_im_message_receive_v1) \ .register_p1_customized_event(out_approval, do_message_event) \ .build() def main(): cli lark.ws.Client( 你的App ID, 你的App Secret, event_handlerevent_handler, log_levellark.LogLevel.DEBUG ) cli.start() if __name__ __main__: main()把脚本里的 App ID 和 App Secret 换成你自己的然后运行。终端里看到连接建立的日志后再回到飞书开放平台保存事件订阅配置这次就不会报「未检测到应用链接信息」了。最后一步是发布应用。在「版本管理与发布」里创建一个版本填写版本号和说明提交发布。个人版飞书的自建应用一般不需要管理员审核提交后很快就能用。发布完成后在飞书工作台里就能看到你的应用了。4. Openclaw 侧飞书通道配置与消息往返验证飞书应用发布之后回到本地 Openclaw 这边配置通道。Openclaw 提供了命令行方式来管理通道比改配置文件更直观。先安装飞书插件。如果你的 Openclaw 版本没有内置飞书支持需要手动装openclaw plugins install openclaw/feishu装完之后配置通道参数。这里要填三个核心值App ID、App Secret、以及启用开关。openclaw config set channels.feishu.appId 你的App ID openclaw config set channels.feishu.appSecret 你的App Secret openclaw config set channels.feishu.enabled true然后配置连接模式和安全策略。长连接模式是必须的因为你没有公网回调地址openclaw config set channels.feishu.connectionMode websocket openclaw config set channels.feishu.dmPolicy pairing openclaw config set channels.feishu.requireMention true这三条的含义分别是用 WebSocket 长连接接收事件私聊需要配对码验证群聊里必须 机器人 才会响应。dmPolicy 设成 pairing 是安全考虑防止陌生人直接消耗你的模型额度。requireMention 设成 true 可以避免机器人在群里对每条消息都插嘴。配置写完后重启网关服务让改动生效openclaw gateway restart重启完成后打开飞书客户端登录和你开发者平台相同的账号进入工作台找到你刚发布的「OpenClaw助手」应用点进去开始对话。第一次发消息时机器人不会直接回复内容而是返回一段包含配对码的提示。这是正常的因为 dmPolicy 设成了 pairing。你会看到类似这样的回复请使用以下配对码完成配对ABRHX6W5拿到配对码后回到终端执行批准命令openclaw pairing approve feishu ABRHX6W5把 ABRHX6W5 换成你实际收到的码。执行成功后终端会提示配对已批准。这时候再在飞书里发一条消息机器人就会正常调用模型并返回回复了。到这一步整条链路就通了。你可以试着发一句「你好帮我写一个 Python 的快速排序」如果模型配置正确几秒内就能在飞书里看到代码回复。这个往返验证是判断接入是否真正成功的唯一标准不要只看配置有没有保存成功。5. 常见报错排查401、local proxy failed、reading choices 与 OAuth接入过程中最容易遇到的报错集中在几个地方我按实际出现频率排一下。401 Unauthorized。这个几乎都是 API Key 的问题。要么是 Key 复制时多了空格要么是 Key 已经失效或被删除。检查方法是把 Key 重新复制一遍确认前后没有空白字符。如果用的是 TaoToken 的 Key可以到控制台的 API Keys 页面确认这个 Key 的状态是否正常。另外要注意 Base URL 必须填 https://taotoken.net/api 如果填成了带路径的地址鉴权也会失败。local proxy failed。这个报错通常出现在 Openclaw 尝试连接模型服务时。原因可能是本地网络无法直连目标地址或者 Openclaw 的代理配置有冲突。先确认你的机器能正常访问 https://taotoken.net/api 可以用 curl 测一下curl -I https://taotoken.net/api如果能返回 HTTP 响应头说明网络通。如果超时检查本机 DNS 和防火墙设置。另外如果你之前配过系统级代理Openclaw 可能会继承这些设置导致连接异常可以在 Openclaw 配置里显式关闭代理继承。reading choices 相关报错。这个一般出现在模型返回格式不符合预期时。Openclaw 期望模型返回标准的 OpenAI 兼容格式如果返回体里没有 choices 字段就会报这个错。排查方向有两个一是确认 Model ID 填对了有些模型标识和实际能力不匹配二是确认 Base URL 指向的是兼容接口。TaoToken 的 https://taotoken.net/api 是兼容 OpenAI 格式的正常不会有这个问题。如果换了别的服务商要确认它是否支持标准格式。OAuth 相关报错。这个在飞书侧出现通常是 App ID 或 App Secret 填错了或者应用没有发布。飞书的长连接鉴权依赖这两个凭证任何一个不对都会导致 OAuth 失败。检查方法是回到飞书开放平台的「凭证与基础信息」页面重新复制 App ID 和 App Secret确保没有遗漏字符。另外如果应用还处于未发布状态某些权限不会生效也会间接导致鉴权异常。还有一个不算报错但很常见的问题消息发出去了机器人没反应。这种情况先看 Openclaw 终端有没有收到事件的日志。如果没有日志说明飞书的事件没有推过来检查事件订阅是否保存成功、长连接客户端是否在运行。如果有日志但没回复说明模型调用环节出了问题回到 401 和 local proxy failed 的排查思路。排查的时候有个小技巧把 Openclaw 的日志级别调到 DEBUG这样能看到完整的请求和响应过程定位问题会快很多。日志里会显示它调用了哪个 Base URL、用了哪个 Model ID、返回了什么状态码基本一眼就能看出卡在哪。6. 把飞书机器人用起来后续可扩展的方向与接入入口链路跑通之后你可以在这个基础上做不少扩展。最直接的是换模型。Openclaw 的模型配置和飞书通道是解耦的你改 Model ID 就能切换背后的大脑飞书那边完全无感。比如日常对话用一个响应快的模型遇到代码任务切到更强的模型只需要在配置里改一行。另一个方向是加自定义指令。Openclaw 支持在收到消息后做预处理你可以让它识别特定前缀比如以「/code」开头的消息走代码模型以「/write」开头的走写作模型。这需要在 Openclaw 的插件层做一点开发但基础框架已经帮你把消息收发都处理好了你只需要关注业务逻辑。群聊场景也值得试。把 requireMention 保持为 true然后把机器人拉进一个群它 就能触发。适合做团队内部的知识问答或者值班助手。注意群聊的权限和私聊是分开的如果发现群里 了没反应检查一下应用的群相关权限有没有开通。如果你还没拿到 API Key或者想先试试模型对话的效果可以直接进模型对话页面体验https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_contentmodelsutm_campaignrewrite 。确认模型可用之后再到控制台创建 Keyhttps://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewrite 。API Keys 管理页在 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi-keysutm_campaignrewrite 接入文档在 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 。如果你打算长期跑编码类或 Agent 类任务可以了解一下 Coding Planhttps://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite 。它针对高频调用场景做了额度优化比按量计费更适合持续使用的场景。最后提醒一个实操细节Openclaw 的配置改完之后一定要执行openclaw gateway restart否则改动不会生效。我见过有人改完配置直接发消息结果一直用旧配置排查半天才发现是没重启。这个命令花不了几秒但能省掉很多困惑。