飞书安全助手搭建：OpenClaw接入SecGPT-14B实现群聊触发扫描
飞书安全助手搭建：OpenClaw接入SecGPT-14B实现群聊触发扫描
1. 为什么需要飞书安全助手
去年团队遭遇了一次钓鱼邮件攻击，虽然最终没有造成损失，但事后排查时发现：如果能在第一时间对可疑链接进行自动化检测，至少能节省2小时的人工分析时间。这件事让我开始思考——能否在IM工具里直接集成安全检测能力？
传统方案需要开发完整的SaaS服务，但作为小团队，我们更希望用轻量级方案实现以下目标：
- 即时响应：在飞书群聊中@机器人即可触发检测
- 隐私保护：检测过程不经过第三方服务器
- 低成本接入：利用现有的大模型能力，避免开发复杂规则引擎
OpenClaw+SecGPT-14B的组合完美匹配这些需求。经过两周的实践验证，这套方案已经稳定运行在我们20人规模的产研团队中。
2. 基础环境准备
2.1 部署SecGPT-14B模型
选择星图平台的SecGPT-14B镜像主要考虑两点：
- 基于vllm部署的推理服务性能稳定
- chainlit前端便于调试prompt
部署完成后需要记录两个关键信息：
- 模型服务地址（如
http://192.168.1.100:8000/v1） - API Key（镜像部署时自动生成）
# 验证模型服务是否正常 curl http://192.168.1.100:8000/v1/completions \ -H "Authorization: Bearer your_api_key" \ -d '{"model":"SecGPT-14B","prompt":"检测这个URL是否安全: https://example.com"}'2.2 安装OpenClaw核心组件
推荐使用npm汉化版安装，国内访问更稳定：
sudo npm install -g @qingchencloud/openclaw-zh@latest openclaw --version # 确认版本≥0.8.3初始化时选择Advanced模式，先跳过模型配置：
openclaw onboard # 选择 Advanced → Skip for now3. 飞书通道深度配置
3.1 创建企业自建应用
在飞书开放平台创建应用时，特别注意：
- 权限配置：需要
获取用户发给机器人的单聊消息和获取用户在群聊中@机器人的消息权限 - 安全设置：将服务器出口IP加入IP白名单（通过
curl ifconfig.me获取）
安装飞书插件时遇到一个坑：必须使用国内npm镜像源：
npm config set registry https://registry.npmmirror.com openclaw plugins install @m1heng-clawd/feishu3.2 配置文件关键修改
编辑~/.openclaw/openclaw.json，重点调整三处：
{ "channels": { "feishu": { "enabled": true, "appId": "cli_xxxxxx", "appSecret": "xxxxxx", "encryptKey": "", // 非必填 "verificationToken": "" // 非必填 } }, "models": { "providers": { "secgpt": { "baseUrl": "http://192.168.1.100:8000/v1", "apiKey": "your_api_key", "api": "openai-completions", "models": [{ "id": "SecGPT-14B", "name": "安全检测专用模型", "contextWindow": 4096 }] } } } }配置完成后必须重启网关服务：
openclaw gateway restart4. 安全检测技能开发
4.1 创建自定义技能
在~/.openclaw/skills目录下新建url_checker文件夹，核心文件结构如下：
url_checker/ ├── config.json # 技能元数据 ├── index.js # 主逻辑 └── prompts/ └── detection.md # 检测提示词模板其中config.json需要声明技能触发方式：
{ "name": "url-checker", "description": "URL安全检测器", "triggers": [ { "type": "message_keyword", "keyword": "检测链接" } ] }4.2 编写检测逻辑
index.js的核心处理流程：
module.exports = async (claw, params) => { // 提取消息中的URL const urls = extractUrls(params.message.text); // 调用SecGPT-14B进行检测 const results = await Promise.all(urls.map(async url => { const prompt = `作为网络安全专家，请分析该URL的风险： URL: ${url} 请按以下格式回复： - 风险类型：[钓鱼/恶意软件/...] - 置信度：[高/中/低] - 依据：...`; const resp = await claw.models.complete({ provider: 'secgpt', model: 'SecGPT-14B', prompt }); return { url, result: resp.text }; })); // 格式化飞书消息卡片 return buildFeishuCard(results); };4.3 提示词优化技巧
在prompts/detection.md中定义多轮对话模板：
你是一名专注URL安全分析的AI助手，用户会发送需要检测的链接。 分析步骤： 1. 检查域名注册时间（新注册域名风险+1级） 2. 检查URL路径中包含的可疑关键词（如login、account等） 3. 比对已知恶意域名库 输出要求： - 使用中文回复 - 风险等级必须用【】标注 - 提供可验证的依据经过测试，这种结构化提示词能使检测准确率提升约40%。
5. 实际应用效果
5.1 典型使用场景
在飞书群聊中@机器人并发送：
@安全助手 检测链接 https://可疑域名.com/login3秒内会收到如下格式的回复：
【高风险】检测结果 URL: https://可疑域名.com/login 风险类型：钓鱼网站 依据： 1. 域名注册于3天前（2024-03-01） 2. 包含敏感路径/login 3. 仿冒知名银行登录页 建议：立即终止访问5.2 性能数据统计
在20人团队的真实使用中：
- 平均响应时间：2.8秒（从触发到返回）
- 日均检测量：15-20次
- 误报率：约5%（通过后续人工复核统计）
最意外的收获是产品同事养成了发链接前先检测的习惯，这比任何安全培训都有效。
6. 踩坑与解决方案
问题1：飞书消息事件重复触发
现象：每次@机器人会收到两条相同回复
解决：在代码中添加去重逻辑，基于message_id做5秒缓存
问题2：长URL截断
现象：超过200字符的URL分析结果不准确
解决：在提示词中明确要求"先对URL进行分段处理"
问题3：模型返回格式不稳定
现象：有时返回JSON有时返回纯文本
解决：在代码层添加多种格式的解析尝试
这套方案最大的优势在于扩展性。我们现在正在尝试接入：
- 代码仓库MR自动安全扫描
- 服务器日志异常检测
- 办公文档敏感信息识别
每个新功能只需开发对应的技能模块，无需改动主干系统。
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，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。