国产小龙虾方案实战：nanobot + 通义千问，钉钉上随时派活

前一篇文章我们深度拆解了 nanobot——港大开源的超轻量 AI Agent 框架，4000 行代码平替 OpenClaw，一个月冲到 32K+ Star。

这篇是实战篇，用nanobot + 通义千问 Qwen 3.5 Plus + 钉钉机器人，从零搭一套纯国产的小龙虾方案。

最终效果：在钉钉上直接跟 AI 对话，随时派活。通义千问原生支持联网搜索，再配合 9 个自定义技能（文档阅读、网页抓取、多语言翻译、数据分析、代码审查、文案写作等），覆盖日常工作的主要场景。

一、为什么是这个组合？

nanobot— 上篇介绍过的超轻量 AI Agent 框架，4000 行代码，通过 LiteLLM 支持主流大模型，原生支持钉钉、飞书等十多种聊天渠道。在这套系统里它负责消息接收、工具调用和技能管理。

通义千问 Qwen 3.5 Plus— 阿里云旗舰大模型，代码生成、推理、多轮对话都很稳。API 原生支持联网搜索（enable_search），AI 可以实时获取互联网信息。

钉钉机器人— nanobot 支持钉钉 Stream 模式，不需要公网 IP，不需要域名备案，配好 AppKey 就能连。手机上直接跟 AI 对话、派任务。

二、工作流程：从钉钉到 AI 再到结果

整个系统的工作流程很直观：

用户在钉钉发消息 ↓ nanobot gateway 接收消息（Stream 模式，WebSocket 长连接） ↓ 构建上下文：加载 Skills + 记忆 + 用户消息 ↓ 调用通义千问 Qwen 3.5 Plus（如开启联网搜索，自动检索互联网） ↓ 模型判断是否需要调用工具/技能 ↓ ┌─ 是 → 执行对应 Skill（读 PDF、抓网页、分析数据……）→ 拿到结果 → 再次调用模型生成回复 └─ 否 → 直接生成回复 ↓ 返回结果到钉钉

关键点：

• Skills 自动匹配：你不需要手动选技能，模型会根据你的问题自动判断该用哪个 Skill

• 多轮对话：nanobot 维护对话上下文，可以连续追问

• 记忆系统：nanobot 用MEMORY.md存储长期记忆，越用越了解你的偏好

目录结构

workspace/ ├── skills/ # 自定义技能（9 个） │ ├── pdf/SKILL.md # PDF 阅读 │ ├── markdown-reader/SKILL.md # Markdown 阅读 │ ├── docx-reader/SKILL.md # Word 文档阅读 │ ├── web-scraper/SKILL.md # 网页抓取与摘要 │ ├── translator/SKILL.md # 多语言翻译 │ ├── csv-analyzer/SKILL.md # 数据分析与图表 │ ├── code-reviewer/SKILL.md # 代码审查与 Git │ ├── content-writer/SKILL.md # 文案/周报/会议纪要 │ └── cron-reminder/SKILL.md # 待办事项与日程 └── MEMORY.md # 长期记忆

三、能力扩展：联网搜索 + 9 个自定义技能

接入钉钉后，在群里 @机器人 就能对话。但默认能力有限，可以通过两种方式增强。

联网搜索

通义千问原生支持enable_search参数，开启后 AI 可以实时搜索互联网信息。具体配置方法见第四章第三步。

开启后在钉钉上问"今天有什么新闻"，AI 就能返回实时信息，不再是"我的知识截止到 xxxx 年"。

9 个自定义技能

这套方案配置了 9 个自定义 Skills，覆盖日常工作的主要场景：

信息检索与文档处理类

效率工具类

数据与开发类

内容创作类

添加 Skill 非常简单，在workspace/skills/下建个目录，写一个SKILL.md描述文件就行。nanobot 启动后自动加载所有 Skills。

四、完整部署指南

环境要求

• macOS / Linux

• Python ≥ 3.11

• Git

第一步：安装 nanobot

# 克隆源码 git clone https://github.com/HKUDS/nanobot.git cd nanobot # 创建虚拟环境（需要 Python 3.11+） # 如果系统 Python 版本不够，用 conda： # conda create -n nanobot python=3.11 -y && conda activate nanobot python -m venv .venv source .venv/bin/activate pip install -e . # 初始化配置 nanobot onboard # 验证 nanobot --version # 🐈 nanobot v0.1.4.post4

第二步：配置通义千问

1. 访问阿里云 DashScope，注册并获取 API Key

2. 编辑~/.nanobot/config.json：

{ "agents": { "defaults": { "workspace": "/你的路径/workspace", "model": "qwen3.5-plus", "provider": "dashscope", "maxTokens": 8192, "temperature": 0.1, "maxToolIterations": 40 } }, "providers": { "dashscope": { "apiKey": "你的API-Key", "apiBase": "https://coding.dashscope.aliyuncs.com/v1" } } }

1. 验证连接：

nanobot agent -m "你好，测试连接"

第三步：开启联网搜索

编辑nanobot/providers/litellm_provider.py，在_apply_model_overrides之后添加：

if "dashscope" in model.lower() or "qwen" in model.lower(): kwargs["enable_search"] = True

第四步：接入钉钉

1. 打开钉钉开放平台

2. 创建应用 → 添加「机器人」能力 → 开启Stream 模式

3. 获取 AppKey 和 AppSecret → 发布应用

4. 编辑~/.nanobot/config.json：

"channels": { "dingtalk": { "enabled": true, "clientId": "你的AppKey", "clientSecret": "你的AppSecret", "allowFrom": ["*"] } }

1. 启动：nanobot gateway

2. 在钉钉群里添加机器人，@机器人 即可对话

五、使用场景：搭好之后能干什么？

系统跑起来之后，日常用法举几个例子：

纯对话类（开箱即用）

• "把这段话翻译成英文" → translator 技能自动翻译，保留格式

• "今天有什么 AI 领域的新动态" → 联网搜索返回实时信息

• "帮我写一份本周周报，内容如下：……" → content-writer 生成结构化周报

• "审查一下这段代码有没有问题" → code-reviewer 从 Bug、安全、性能三个维度检查

这些只依赖 LLM 能力，不需要额外配置。

文件处理类（需要额外安装依赖）

• "帮我总结一下这份 PDF 的要点" → pdf 技能读取文件，AI 输出摘要

• 发一个 CSV 文件，说"分析一下销售趋势" → csv-analyzer 统计数据，生成图表

• 发一份 Word 文档，说"提取里面的表格" → docx-reader 解析文档结构

• "抓取这个网页的正文内容" → web-scraper 提取网页并生成摘要

注意：文件处理类技能需要在 nanobot 运行环境中安装对应的 Python 库（如 pymupdf、pandas、matplotlib、python-docx 等），且通过钉钉发送文件需要 nanobot 支持媒体消息接收（v0.1.4.post3+ 支持钉钉媒体消息）。

写在最后

这套方案的核心思路：用最轻的架构，搭一个能实际用起来的 AI 助手。

nanobot 只有 4000 行代码，但扩展性不错：

• Skills 系统可以按需扩展能力——本文配置了 9 个技能，覆盖信息检索、文档处理、效率工具、数据分析、内容创作五大类

• 钉钉/飞书/Slack等渠道让你在手机上就能用

• LiteLLM 多模型支持让你随时切换底层大模型

全部国产方案，手机上就能用。

如果你也想试试，核心三步：装 nanobot、配通义千问、接钉钉。联网搜索按需开启。

本文基于实际部署过程撰写，所有步骤均已验证通过。部署环境：macOS Darwin 25.2.0 / Python 3.11.14 / nanobot v0.1.4.post4