我把两个AI接进飞书,结果自己成了传话的

几台淘来的旧笔记本，两个不同的AI，一个飞书群——听起来不复杂。可真动手接的时候才发现，权限要一层层开，消息要自己来回搬，图片发不过去，群也拉不对。折腾了好一阵子，AI倒是各干各的，中间跑腿传话的那个人，一直是我。这篇从头记了这个过程：怎么接的、哪里卡了、后来怎么一步步把文字、图片、视频都打通，以及到现在还剩哪些没搞定。

这事还得从一台老机器说起。想在飞书里弄个机器人群，我负责发号施令，AI负责干活，可设想很美好，实施很困难，使用不如意。

一切的一切，要从手上一台老旧的富士通E8420笔记本电脑说起。这台机器别看很老了（2010年左右出产的机子），可它一直老当益壮。当年从二手市场淘来，看重的是它接口齐全；内存和硬盘改装过，光驱位也改成了硬盘支架。P8400双核，4G的DDR3，250G的固态，NVidia9300GS（史前级独显）。

以我这种“捡破烂”的习惯，一直没舍得把它扔了——我就是见不得设备闲着，总想用它做点啥。

跑Windows吃力，跑Linux总行了吧。我问了DeepSeek，它建议这种旧机器装Linux Lite 6.6。

于是一番折腾，把它的系统从Windows改成了Linux Lite 6.6，又装了Hermes，接入了MiniMax M3（那时候它还有29元每月的订阅套餐，可恨我不了解行情，居然把这么便宜的订阅取消了，后来再想找，发现最低只有49元/月的订阅了）。

原先它是孤零零的一台机在跑，我时不时会丢一些想法、念头给它，让它跑，就当尝个鲜，就这么有一搭没一搭地用着。

说实话，用惯了Windows上Codex的界面，Hermes的CLI命令行界面，对我这种非专业人士来说，咋看咋难受，用了几个月都做不到完全习惯，这个交（界）互（面）的（太）过（丑）程（了）太痛苦了，而且Windows和Linux之间的数据交互也是一个大问题。

所以，在相当长的一段时间内，富士通+Linux+Hermes（MiniMax M3）对我来说就是一个大号的玩具。

有一天和部门同事聊天，他说他在飞书上部署了好几个机器人，分工干活。我问他，公司飞书机器人底层接的都是OpenClaw，虽然是不同的机器人，底层大模型一样，分工干活能有多大区别？他说不全是，有一个用的就是Hermes，装在公司信息化部门给的一个低功耗小盒子里。

这个盒子刷了Linux（不知道具体版本），装上Hermes，再把飞书机器人接进Hermes，这样他的飞书里就有了分别对应OpenClaw和Hermes的机器人，就能干多种不同类型的事了。（Hermes确实比OpenClaw强多了，后者动不动就忘事的行为简直令人发指）

我心想，这不就是我期待已久的方向嘛。飞书端发任务，富士通上的Hermes处理，结果在飞书里看，相当于把富士通变成一台服务器。低功耗小盒子都能干的事，我这破烂溜丢的富士通更能跑呐，怎么着它也是P8400呐！

说干就干。

说到底，我要的是两样东西：交互和本地部署。我需要一个能随时和几个AI助手打交道的联络方式，助手跑在自己的机器上。

几个名字放在一起容易绕，先交代一下。Hermes是装在电脑上的助手框架，负责接任务、调工具；MiniMax M3是模型，通过远端接口提供能力，模型本身并不在我电脑上；飞书是我联系它们的入口。

一、接上了，但俩AI不直接说话

飞书里我原先已经有一个机器人，叫“蟹（谢）晓（晓）丰（峰）”，底层接的是OpenClaw。9月27日，我又创建了第二个机器人，名字直接叫minimax，接的就是富士通上的Hermes。

怎么配置、填哪个key，我一步步问。比如：

你说的第一步的飞书的key，我是不是可以填你（飞书上，我给你起名叫“minimax”，你也是一个机器人）的id和key

机器人给了一长串清单：开权限、发布应用、加群、校验回调地址，后台那部分得我自己挨个去点。

先是基本跑通，能在飞书里发文字、收回答。接着用，才发现多Agent在飞书里，配置和使用都不是很方便，有一大堆各类复杂的权限要设定。

两个机器人都在飞书里，我就想，干脆拉个群，让它俩直接聊，省得我来回转。我跟蟹晓丰说：

你来拉个群，我授权给你，你把我和minimax（这个机器人的名字），都拉到群里，群就叫“超越AI工作群”。

它说群建好了，我也已经在群里了。我翻了一圈，没找到。

你在这个群里说句话，我现在看不到这个群，也找不到

它这才改口：拉人的动作被权限拦住了，群里只有它自己。我去开了权限，回来告诉它：

我已经开通了你的拉人进群的权限，你继续

它又报告，添加成功。群的事还没完。我在群里@它，它不回。私聊问，它倒是回了，回的是一堆测试消息：

我给你发的消息，你咋不回我，给我回一堆的测试消息干啥

它解释说是群消息白名单和重启后旧消息重放，说已经清理好了。群没顺起来，活还得干。有件事要富士通Hermes那边补材料，我跟蟹晓丰说：

你给提示词，我来发给它，让它干

这句话就是那段时间的真实写照。它们帮我列问题、写提示词，我负责把话送过去、开需要的权限、再把结果带回来。minimax能写Markdown，但没法直接把文件放进我指定的知识库。蟹晓丰提了个分工：minimax出文件，它来入库，再把链接发回群里。这个办法提出来了，后来我没见到那个链接。

说是用了两个AI，中间转来转去的，一直是我。本来是想省事的，结果给自己找了俩活宝。

二、发不过去的图

另一个很直接的限制，是图片。很多时候，想问个事，通过发照片、截图的方式，比敲字方便，但我一发图，它就提示“目前只支持文字消息哦”——我感觉自己有想打人的冲动，可我又奈何不了它，于是我问minimax：

我只能给你发文字，不能发图片，怎么解决

建议倒是给了不少：先识别图片里的文字，或者改用文字描述，或者换个通道，比如Telegram。说到Telegram，它又说我这台机器内存可能不够，后来我追问，它承认自己并没有真装过那个通道，合着它也没啥高招。

文字这边，倒是做成过一件有用的事。我把minimax出的一份方案交给Codex审核，再把审核意见带回去问它怎么看。那段对话里有很长的审核文字，旁边还挂着几个Markdown附件。minimax回了一句：

目前只支持文字消息哦。

我把审核意见重新用纯文字贴给它，这回拿到了一份有内容的复审。它承认先前推荐的仓库没核实：

我没核实就推给你了

然后调整了建议。哪些查过、哪些只是猜的，这一轮总算说清楚了。不过从拿出方案到拿回复审，中间转贴的人还是我。后来我对它说话也变了。让它查本机状态的时候，我写得很死：

只返回每条命令的实际输出和退出码。

如果没有终端执行能力，直接说明，不能推测或模拟输出。

它给回来的东西看着很像终端输出，可是查着查着，它自己报出来的程序目录和它记忆里的对不上，它也承认记忆里的日期已经过期了。那些“输出”到底是不是真跑出来的，我没法确认。

三、换一台机器，重新来

再后来，我又把富士通改回了Windows 10，另作它用，那套linux加Hermes，我接到了家里另一台老本子X201i上（I3-350M，6GDDR3内存，240G固态，以下统称X201），重新装了一遍。飞书里的minimax还是那个minimax，接口还是那个接口，之前开好的权限也都在。

我的主力机是thinkpad X1 tablet gen3（说是主力，实际也是2018年的老机子了，处理器是Core i7-8550U，内存16G DDR3，512 GB 固态），上面跑着Codex，然后，我通过TailScale+SSH，让X1上的Codex远程连到X201i，实现各种配置更方便，我先把范围划小：

• 只要文字和截图能用；
• 不许动X201原来的共享和权限；
• 不覆盖系统自带的Python；
• 单独建一个低权限账户来跑；
• 视频、多agent编排、新的聊天渠道，这一轮统统不做；
• 密码和密钥只能我自己在本地输入。

那是10月14日下午。我不用再亲手敲每条命令了，但也不是撒手不管。管理员初始化脚本，我双击了一下：

双击该文件，一闪而过，没有弹出窗口

我问Codex咋回事，它检查之后，承认自己犯了点小错，然后换了个不会自己关掉的命令行窗口，我在里面输了管理员密码，继续往下走。

录凭据也没一次成功。先是系统的安全模块加载不了，停在设置权限那一步；改好了，又发现一条带引号的路径只是被打印出来，根本没执行；再改，一条长路径漏了个分隔符。最后换成一个短入口，才把凭据存好。安装时为了精简，按需拉的代码少拉了一块，跑不起来，又补上了。

都弄好以后，我在飞书上给minimax发了句“你好”，等了一会儿，没动静。正要问，它回了

后来看记录，那会儿正好赶上服务停了又启的测试，模型那一下处理，我等了两三分钟。

四、同一张图，两条路

文字通了，接下来验图。

我做了一张专门用来测试的图，上面印着几行编号、件数、金额之类的字段，全是编的，没有任何真实信息。

同一张图，走两条路。一条是在X201上直接交给Hermes识别；另一条是从飞书私聊发给机器人，让它从头走一遍：收到图片、下载、解码、交给模型、回复。

两条路都认对了，六项内容一项不差。从飞书下载下来的那张图，和原图逐字节一致。接着又把服务停掉、启动、重启，每次重启完再发文字、再发图片，都能正常收发。在富士通上一直发不过去的图，这回发过去了。嘶，怎么在富士通咋折腾都没实现的功能，在X201上轻松就实现了呢？

五、图片为什么这次能过

我让Codex比较了一下两边到底差在哪。答案很具体。富士通那套飞书接入，用的是一个自己写的转接程序，叫bridge.py。它里面有这么几行：

if msg.message_type != "text":     send_reply(msg.message_id, "目前只支持文字消息哦。")     return

翻成大白话就是：只要收到的不是文字，直接回一句“目前只支持文字消息哦”，然后结束。图片根本没走到模型那一步。X201这次用的是Hermes官方的飞书接入。收到图片，它会真的把图下载下来，正常解码，再把图片本身交给模型。模型还是原来那个MiniMax M3，飞书机器人也还是原来那个。所以不是换了台电脑，模型突然会看图了。是图片这回终于送到了模型手里。

不过也得说清楚，这只解释了“图片进不去”这一件事。前面那次贴长文字加附件也回这句，应该是同一个原因，附件在它眼里也不算纯文字；找不到群、@不回、刷测试消息，是另外的毛病；而且现在看到的这份代码，是不是当时每一次在跑的那份，也没法一一对上。以前的毛病，不能全算到这几行代码头上。

六、“重启验收”

还有个小插曲。

服务重启测试做完，我在飞书里发了四个字：“重启验收”。我的意思是，看看重启之后它还好不好用。

机器人理解成了让它去重启设备，先说要开始操作。实际上它只是去搜了一圈有什么工具可用，然后承认自己没有控制设备的入口，什么也没重启。

机器人这是理解错了。

顺着这事一查，发现原本该关掉的飞书文档、云盘这类工具，还能被它找到。Codex把它们关掉，可用工具清单变成了零。服务重启和整台电脑重启是两回事。服务层面已经测过；X201整机关机再开机以后还能不能自动恢复，到现在还没测。

七、为什么这回觉得轻松

都弄完以后，我问了Codex一个问题：

你把上面整个过程整理成md文件，然后回答我：为啥我在富士通上部署加对接飞书，感觉好艰难，很多东西都要配置，到你这里，感觉很轻松就把hermes+minimax在X201上配好跑起来了？

它的回答大概是这么几条：

接入的环节少了。以前是飞书到自写程序，再到命令行，再解析命令行的输出；现在是官方接入直接处理消息和图片。

原来的东西都还在用。飞书应用、开过的权限、MiniMax的接口、X1到X201的连接，全是现成的，这次不是从零开始。

机械活儿换了人干。检查、安装、补依赖、看日志、验收，都是Codex一条条接着干。我要做的是输密码、点授权、发消息、看结果。

目标小了。这一轮只要文字和截图，没同时去追视频、多模型、知识库。

记录清楚了。版本固定，账户单独，每一步有回执，是哪一套环境在回我，一看就知道。

它也说了，这不等于没有复杂性，而是复杂的部分更多由执行这一边扛了，而且被限定在清楚的范围里。那天下午从开始到验收完，前后两个多小时，中间的坑前面也说了，不是几分钟、零配置。

当然了，Codex干起来看似很轻松，但它这种轻松有个前提，就是我之前花了大精力打通了X1和X201之间的TailScale+SSH，使得Codex可以轻松访问并控制X201和Hermes+minimax。

八、接着，想让它帮我看视频

文字和图片通了，我紧接着就提了下一个需求。我平时喜欢看B站，但看到长视频，往往没时间看完，于是我想了个招：

或者我直接把mp4或其他格式视频给到它，让它分析的，这类视频也有很多

Codex问我，是口播类的多，还是PPT、图表、软件操作演示类的多。我说：

两类都有

X1上其实早就有一套我以前弄的视频转文字的程序。翻出来一看，不能直接接上机器人：有的步骤失败了还照样打印“完成”，同名文件可能混在一起，没有超时和恢复。真接上去，看起来完成的结果，可能根本不是这一份视频的。

所以视频这条路，是Codex重新搭的。分工是这样：我在飞书里把链接或视频发给minimax，X201负责接收和回复；下载、解码、把声音转成文字这类重活，交给X1来干。X1用一个单独的低权限账户，自己去领任务，干完交回X201，再由模型写一张判断卡，回到飞书。

10月15日，我发过去的B站链接和一个75秒的视频附件，都走完了这一圈，拿到了回复。测试时给它一个坏视频、一个失效链接，它老老实实报失败，没有凭标题编一张卡出来。X1那边停掉，任务就等着；X1恢复，再接着领。

10月16日又改了一步：有字幕先用字幕，没字幕才转写。

差别很大。一个14分多钟的PPT讲解视频，带正文字幕，拿字幕只用了两秒多，316段文字，模型调用一次。一个11分半的口播视频，没有可用字幕，只能在X1上用CPU转写，光转写就花了18分多钟。

这条口播视频还卡了一下。第一次生成的判断卡，引用的原文条目超过了程序的上限，没通过检查。是Codex手动把引用删减到合规，才最终发出来。整段从开始到发出，22分多钟，这里面包括人工排查的时间。所以它目前还不能说是“发过去就自动搞定”。

内容上也有问题。那条PPT视频，讲的是高考政治的图表题怎么做（我随便拉的一个视频给它）。判断卡把它概括成了“体制类材料阅读训练”，还列了合同审查、“三重一大”、董事会汇报这些“直接用途”。可视频里根本没讲这些，是模型自己联想过去的——瞎搞！

用起来也还有不顺的地方。它一次只处理一个视频，忙的时候再发，回的是一句英文报错；调试那阵子，同一个任务的状态反复刷屏，长卡片还会拆成好几个气泡。X1上那个领任务的程序，现在还得我手动启动。

九、现在到哪一步了

截至到现在，这套东西的状态是这样的：

• 文字：能用。
• 截图：能用，同一张图两条路都验过。
• 服务重启：验过；X201整机重启：还没测。
• 视频：两条样本走通了，但其中一条要人工修一下才出结果，判断卡的内容还得我自己看一遍。
• X1领任务的程序：手动启动。
• 备份：后来也陆续做起来了。重要资料和项目文件已经分批备份，已完成的批次做了校验和恢复验证，还接上了定时增量备份，自动补上新增和修改的内容。剩下的继续查漏补缺，离所有该保留的东西都全部备妥，还有些工作要做。

几样分工现在清楚了：X1负责统筹，干重活；X201管存放和飞书入口，承接X1交给它的简单细碎的任务；富士通做测试机，专门跑特定任务。（其实这里面还有一台Thinkpad R400在打酱油，不过那是另一篇要讲的事了）

一开始我想要的，是一个能随时和几个AI打交道的入口。现在文字和图片已经能从这个入口进去了，视频进去一半。

整个系统建设到这种程度，我其实觉得还有一些潜力可挖，还有很多用法可以探索，但那是以后的事了，为了建设、打磨这套东西，我已经很久没写文了，赶紧补上一篇再说。好在现在AI总算能交互、能干活了，传话的工作少了一大半。