Lark Agentx - Ihr Feishu KI-Assistent 🚀

Ein auf Feishu (Lark) basierender KI-Agent, der es großen Sprachmodellen ermöglicht, Funktionsaufrufe und Nachrichtenverarbeitung über Feishu durchzuführen.

Keine Konfiguration eines Feishu-Bots erforderlich, Ihr Feishu-Konto fungiert als KI-Assistent.

Sie müssen lediglich Funktionen und Kommentare definieren; Ihr Feishu-Bot ruft diese automatisch je nach Szenario auf.

Projektübersicht 🌟

Lark Agentx ist eine moderne Python-Anwendung, die Folgendes ermöglicht:

• 📊 Reverse Engineering von Websockets und APIs, die im Feishu-Protobuf-Format übertragen werden, um Nachrichten zu überwachen und zu protokollieren

• 🤖 Bereitstellung benutzerdefinierter Funktionen für den Aufruf durch große Sprachmodelle

• 🔄 Implementierung eines Frameworks für Funktionsaufrufe basierend auf dem MCP (Model Context Protocol)

• 💾 Speicherung von Nachrichten in einer MySQL-Datenbank mittels SQLAlchemy

Related MCP server: Feishu MCP Server

Screenshots🧸

✨ Funktionen

• Funktionsregistrierungsmechanismus: Einfacher und intuitiver Dekorator zur Funktionsregistrierung

• Automatische Nachrichtenverarbeitung: Protokollierung aller empfangenen Nachrichten (Privat- und Gruppenchats)

• Asynchrone Verarbeitung: Verwendung des async/await-Musters für asynchrone Kommunikation

• Datenpersistenz: Speicherung von Nachrichten in einer MySQL-Datenbank mittels SQLAlchemy

• Flexible Konfiguration: Konfiguration über Umgebungsvariablen

• Containerisierte Bereitstellung: Unterstützung für schnelle Docker-Bereitstellung

• Intelligente Funktionsaufrufe: Die KI analysiert Benutzereingaben automatisch und ruft die am besten passende Funktion auf; Entwickler müssen nur die Funktion und deren Kommentarbeschreibung hinzufügen

📦 Aktuell unterstützte Funktionen

Das Projekt enthält derzeit die folgenden integrierten Funktionen für den Aufruf durch große Sprachmodelle:

Sie können diese Funktionen aufrufen, indem Sie in Feishu einen Trigger-Befehl gefolgt von der gewünschten Aktion eingeben, z. B.: /run Erzähl einen Witz

📂 Projektstruktur

project/
├── app/                    # 应用程序模块
│   ├── api/                # API相关模块
│   │   ├── auth.py         # 认证模块
│   │   └── lark_client.py  # 飞书客户端
│   ├── config/             # 配置模块
│   │   └── settings.py     # 应用配置
│   ├── core/               # 核心业务逻辑
│   │   ├── mcp_server.py   # MCP服务器（函数注册和处理）
│   │   ├── llm_service.py  # LLM服务
│   │   └── message_service.py  # 消息处理服务
│   ├── db/                 # 数据库相关
│   │   ├── models.py       # 数据模型
│   │   └── session.py      # 数据库会话管理
│   └── utils/              # 工具函数
├── builder/                # 请求构建器
├── extension/              # 扩展功能
│   └── weather_api/        # 天气API集成
├── static/                 # 静态资源
│   ├── resource/           # 图片资源
│   ├── proto_pb2.py        # 协议定义
│   └── lark_decrypt.js     # 飞书解密工具
├── .env                    # 环境变量
├── main.py                 # 应用入口
├── requirements.txt        # 项目依赖
├── docker-compose.yml      # Docker Compose配置
└── Dockerfile              # Docker配置

🛠️ Entwicklung benutzerdefinierter Funktionen

In der Datei app/core/mcp_server.py können Sie Ihre eigenen benutzerdefinierten Funktionen mit dem @register_tool-Dekorator hinzufügen:

@register_tool(name="tell_joke", description="讲一个随机笑话")
def tell_joke() -> str:
    jokes = [
        "为什么程序员都喜欢黑色？因为他们不喜欢 bug 光。",
        "Python 和蛇有什么共同点？一旦缠上你就放不下了。",
        "为什么 Java 开发者很少被邀去派对？因为他们总是抛出异常。",
    ]
    return random.choice(jokes)

@register_tool(name="send_message", description="给指定用户发送消息 {user:用户名称 content:消息内容}")
def send_message(user: str, content: str) -> str:
    """给指定用户发送私信"""
    lark_client = LarkClient(get_auth())
    # ... 实现逻辑 ...
    return f"成功向 {user} 发送了私信: '{content}'"

Wichtig: Fügen Sie einfach die Funktion und die entsprechende Beschreibung hinzu. Die KI analysiert den Text des Benutzers automatisch und ruft die am besten passende Funktion auf; eine manuelle Implementierung der Funktionsabgleichslogik ist nicht erforderlich.

🔧 Systemanforderungen

• Python 3.10+

• Node.js 18+

• MySQL-Datenbank

📦 Installationsmethode

Verwendung der lokalen Umgebung

1. Abhängigkeiten installieren:

   pip install -r requirements.txt

2. Hinweis für Windows-Benutzer: Windows-Systeme erfordern die zusätzliche Installation der folgenden Abhängigkeiten:

   pip install win-inet-pton==1.1.0

Verwendung von Docker

Methode 1: Image separat erstellen

# 构建镜像 
docker build -t feishuapp .

# 运行容器 需要外部mysql 通过docker网关连接宿主机mysql 推荐--env-file
docker run -it feishuapp bash

Methode 2: Verwendung von Docker Compose (empfohlen)

# 启动所有服务（应用和数据库）
docker-compose up -d

# 查看日志
docker-compose logs -f

# 停止所有服务
docker-compose down

Mit Docker Compose können Sie die gesamte Anwendungsumgebung, einschließlich der MySQL-Datenbank und der Anwendungsdienste, mit einem Klick starten, was bequemer und effizienter ist.

🛠️ Konfigurationshinweise

Kopieren Sie die Datei .env.example und benennen Sie sie in .env um. Sie enthält die folgende Konfiguration:

# 数据库设置
DB_HOST=localhost
DB_PORT=3306
DB_USER=root
DB_PASSWORD=123456
DB_NAME=lark_messages

# 飞书的Cookie设置 - 只需配置LARK_COOKIE即可，告别飞书机器人
LARK_COOKIE=""

# 调用函数的触发前缀 （以FUNCTION_TRIGGER_FLAG开头的消息会被大模型解析，所有消息都会被记录到数据库，无论是否以该前缀开头）
FUNCTION_TRIGGER_FLAG="/run"

# 机器人发言前缀 （暂未使用）
AI_BOT_PREFIX="Lark AI Bot:"

# OpenAI API配置 默认是通义千问的，满足OpenAI的大模型厂商都可以
OPENAI_API_KEY=""
OPENAI_API_BASE_URL="https://dashscope.aliyuncs.com/compatible-mode/v1"
OPENAI_API_MODEL="qwen-plus"

🚀 Benutzerhandbuch

Anwendung ausführen

Methode 1: Direkt ausführen

python main.py

Methode 2: Verwendung von Docker Compose

docker-compose up -d

Die Anwendung wird:

1. Den MCP-Server initialisieren

2. Eine Verbindung zur Feishu-API herstellen und Ihr Feishu-Konto als KI-Assistent verwenden

3. Eingehende Nachrichten überwachen

4. Funktionsaufrufe, die von großen Sprachmodellen über Feishu initiiert wurden, verarbeiten und ausführen

5. Nachrichten in der MySQL-Datenbank speichern

🗄️ Datenbankstruktur

Die Anwendung speichert Nachrichten in der Tabelle messages, die die folgende Struktur aufweist:

🤝 Beitrag leisten

Beiträge sind willkommen! Bitte zögern Sie nicht, einen Pull Request einzureichen.

1. Forken Sie dieses Repository

2. Erstellen Sie Ihren Feature-Branch (git checkout -b feature/amazing-feature)

3. Committen Sie Ihre Änderungen (git commit -m 'Einige großartige Funktionen hinzugefügt')

4. Pushen Sie in den Branch (git push origin feature/amazing-feature)

5. Öffnen Sie einen Pull Request

🐛 Probleme und Support

Wenn Sie auf Probleme stoßen oder Fragen haben, erstellen Sie bitte ein Issue oder besuchen Sie unser Diskussionsforum.

📈 Star-Trend

🍔 Austauschgruppe

Wenn Sie sich für Crawler und KI-Agenten interessieren, fügen Sie bitte den Autor über die Homepage (WeChat) hinzu, um eine Einladung zur Gruppe zu erhalten.

PS: Bitte treten Sie Gruppe 7 bei. Wenn diese voll oder abgelaufen ist, erstellen Sie ein Issue | WeChat-Erinnerung