基于飞书与Claude Code的AI Agent自动化工作流构建指南

1. 项目概述：打通飞书与本地AI的自动化工作流

如果你和我一样，日常工作中需要频繁在手机和电脑之间切换，处理飞书上的消息、文档，同时又要调用像Claude Code这样的AI工具来完成一些自动化任务，那么你肯定也想过：能不能让它们直接“对话”，让手机上的一个指令，就能驱动电脑完成一系列操作？这正是“Claude-in-Feishu”这个开源项目试图解决的问题。它本质上是一个AI Agent（智能体），扮演着“中间人”的角色，将飞书这个我们高频使用的协作平台，与本地运行的Claude Code以及你的Mac电脑连接起来，构建一个从指令下发到任务执行再到结果反馈的闭环。

简单来说，它让你能用飞书App（无论是手机端还是桌面端）给Claude Code发送任务指令，并控制你的本地Mac执行相应的操作，比如创建文档、更新日历、运行脚本、记录日志等。这听起来像是把科幻电影里的“贾维斯”搬进了现实工作流，只不过它更接地气，专注于解决我们日常办公中的具体痛点：减少设备间的切换成本，将碎片化的指令串联成自动化的工作流。这个项目特别适合那些已经深度使用飞书进行团队协作，同时又希望将AI能力无缝嵌入到现有工作流程中的开发者、项目经理或效率爱好者。

2. 核心设计思路与架构解析

2.1 为什么选择飞书作为控制入口？

在众多协作工具中，飞书（海外版为Lark）之所以成为这个项目的首选控制前端，背后有几个非常实际的考量。首先，飞书本身就是一个集成了即时通讯、日历、云文档、视频会议等功能的超级应用，它已经是我们很多人的工作主界面。以它作为入口，意味着用户无需额外安装或学习一个新的控制面板，上手成本极低。其次，飞书提供了强大且开放的开放平台能力，其机器人（Bot）和开放接口（Open API）的成熟度非常高，能够稳定地接收、解析用户消息，并触发后续流程。最后，飞书的多端同步能力极强，你在手机上发起的指令，可以无缝同步到桌面端，这为“手机发起，电脑执行”的场景提供了天然的基础。

注意：项目描述中提到了“控制本地Mac”，这暗示了其核心执行环境是macOS。这通常是因为macOS提供了相对统一和强大的自动化接口（如AppleScript、Shell），而Windows环境则更为复杂多样。因此，项目的初始设计可能更偏向于macOS生态。

2.2 AI Agent的核心工作流拆解

这个项目的核心是一个典型的“感知-决策-执行”AI Agent循环。我们可以将其工作流拆解为以下几个关键环节：

1. 指令感知与接收：飞书机器人7x24小时在线，监听指定的群聊或与用户的私聊消息。当用户发送符合特定格式（例如，以“/task”开头或包含特定关键词）的消息时，飞书服务器会通过Webhook回调，将这条消息的详细信息（发送者、内容、时间等）推送到我们部署的Agent服务端。

2. 意图理解与任务解析：服务端接收到消息后，并不会直接处理原始文本，而是将其转发给Claude Code。Claude Code在这里扮演“大脑”的角色，负责自然语言理解（NLU）。它会分析用户的指令，例如“帮我把明天下午3点的会议添加到日历，并创建一个会议纪要文档草稿”。Claude Code需要将这个口语化指令，分解成结构化、可执行的任务序列：a) 解析出时间“明天下午3点”和事件“会议”；b) 调用飞书日历API创建事件；c) 调用飞书云文档API创建一个新文档。

3. 技能调用与执行：Claude Code解析出任务后，会调用项目中预定义的“技能”（Skills）。这些技能本质上是对飞书API、本地系统命令（如通过SSH或本地脚本控制Mac）等能力的封装。项目关键词中的skills正是指这一部分。例如，一个“创建飞书文档”的技能，内部就是封装了向飞书开放平台发送HTTP POST请求的代码。

4. 结果反馈与日志记录：每个技能执行完毕后，都会返回成功或失败的结果以及相关数据（如新创建的文档链接）。这些结果会被汇总，一方面通过飞书机器人消息的形式回复给用户（“已为您创建会议日历和文档，链接是...”），另一方面会被记录到本地的日志文件中。这个日志系统至关重要，它不仅是审计追踪的依据，更是调试和优化Agent行为的宝贵数据源。

2.3 技术栈选型与开源生态关联

从项目关键词open-source、openclaw、openclaw-feishu可以窥见，这个项目很可能基于或借鉴了一个更通用的开源框架。“OpenClaw”听起来像是一个致力于为不同平台（如Feishu, Slack, Discord）构建AI Agent的开源项目集合。这种设计非常聪明，它将平台相关的适配层（如飞书消息接收、API调用封装）与核心的AI决策引擎（Claude Code的交互逻辑）解耦。

这意味着，核心的Agent逻辑、技能管理、会话记忆等模块可能是通用的，而针对飞书、钉钉（DingTalk）、Slack、抖音（Douyin）等不同平台，只需要实现相应的“适配器”（Adapter）。项目关键词中列举的dingtalk、discord、douyin、openclaw-slack等，很可能就是这个生态中针对其他平台的实现或计划。这种架构极大地提高了代码的复用性，也让社区开发者能够更容易地为其贡献新的平台支持或技能。

3. 环境准备与详细安装部署指南

3.1 前期必要条件核查

在动手部署之前，请确保你已满足以下所有条件，这能避免后续步骤中绝大多数问题：

• 硬件与操作系统：
  • 一台用于部署和运行Agent服务的主机。根据项目描述，这可以是你的本地Mac（作为被控端的同时也运行服务），也可以是一台独立的Windows PC或Linux服务器。如果希望24小时在线，建议使用云服务器或常开机的本地机器。
  • 一台待控制的Mac电脑。它需要与运行Agent服务的主机在同一个局域网内，或者能够通过SSH等方式进行远程访问。
• 软件与账户：
  • 飞书开发者账号：你需要一个飞书账号，并前往 飞书开放平台 创建企业自建应用。这将为你提供App ID和App Secret，这是机器人接入的凭证。
  • Claude Code访问权限：你需要拥有Claude Code的API访问权限（通常是API Key）。请注意，Claude Code可能指代特定版本的Claude API或一种本地部署的代码解释模型，你需要明确其具体的API端点（Endpoint）和调用方式。
  • Python环境：项目极大概率基于Python开发。请确保你的部署主机上安装了Python 3.8或更高版本，并安装了pip包管理工具。
  • Git：用于克隆项目代码。
• 网络与权限：
  • 部署主机需要具备公网IP，或者能通过内网穿透工具（如ngrok、frp）将本地服务暴露到公网，以便接收飞书开放平台的Webhook回调。这是最关键也最容易出错的一步。
  • 你需要有权限在待控制的Mac上启用“远程登录”（SSH），并可能需要在“安全性与隐私”中允许辅助功能控制等权限，以便Agent能够执行模拟点击、打开应用等自动化操作。

3.2 分步部署与配置实战

假设我们在一台Ubuntu Linux服务器上部署Agent服务，来控制同一局域网内的Mac Mini。以下是详细步骤：

步骤1：获取项目代码与依赖安装

# 克隆项目代码（假设仓库地址，实际需根据项目页面确认） git clone https://github.com/Harmonicmeansetting776/Claude-in-Feishu.git cd Claude-in-Feishu # 创建并激活Python虚拟环境（强烈推荐，避免污染系统环境） python3 -m venv venv source venv/bin/activate # Windows系统使用 `venv\Scripts\activate` # 安装项目依赖，通常通过requirements.txt文件 pip install -r requirements.txt

如果项目没有提供requirements.txt，你需要根据代码中的import语句手动安装，常见的依赖可能包括：requests(HTTP请求)、flask或fastapi(Web框架，用于接收Webhook)、openai(调用Claude API)、schedule(定时任务)等。

步骤2：飞书应用创建与配置

1. 登录飞书开放平台，点击“创建企业自建应用”。
2. 在应用详情页，记录下“凭证与基础信息”中的App ID和App Secret。
3. 进入“事件订阅”页面：
   • 请求地址：填写你的Agent服务的公网URL，并加上回调路径，例如https://your-server.com/feishu/webhook。在本地开发时，你需要使用ngrok等工具生成一个临时公网地址。
   • 订阅事件：至少需要订阅“接收消息”事件，通常选择im.message.receive_v1。
4. 进入“权限管理”页面，为应用添加以下权限：
   • contact:user:read(获取用户信息)
   • im:message(发送与接收消息)
   • im:message:send_as_bot(以机器人身份发消息)
   • calendar:calendar:read_only和calendar:calendar:write(日历读写，如果需要)
   • drive:drive:read_only和drive:drive:write(云文档读写，如果需要)
   • 根据你需要的技能，添加对应的权限。
5. 在“事件订阅”页面，点击“重新加载配置”，并验证URL有效性。飞书会向你的URL发送一个带challenge参数的GET请求，你的服务必须能正确解析并返回这个challenge值。

步骤3：配置文件与密钥管理在项目根目录下，通常需要创建一个配置文件（如config.yaml或.env文件），用于存放所有敏感信息和配置项。

# config.yaml 示例 feishu: app_id: “your_app_id” app_secret: “your_app_secret” verification_token: “your_verification_token” # 在事件订阅页面 encrypt_key: “your_encrypt_key” # 如果启用了加密 claude: api_key: “your_claude_api_key” base_url: “https://api.anthropic.com/v1” # 以实际Claude API地址为准 model: “claude-3-opus-20240229” # 指定模型 mac_control: host: “192.168.1.100” # 被控Mac的局域网IP ssh_username: “your_mac_username” # 建议使用SSH密钥认证，而非密码 ssh_private_key_path: “~/.ssh/id_rsa” server: host: “0.0.0.0” port: 8000 webhook_path: “/feishu/webhook”

重要安全提示：绝对不要将包含真实密钥的配置文件提交到Git仓库！务必将其添加到.gitignore文件中。在生产环境，应使用环境变量或专业的密钥管理服务。

步骤4：启动Agent服务根据项目的主程序入口文件（可能是main.py、app.py或agent.py），启动服务。

python main.py # 或者如果使用gunicorn等WSGI服务器 gunicorn -w 4 -b 0.0.0.0:8000 app:app

服务启动后，控制台应显示监听端口等信息。此时，你的Agent大脑已经就绪，正在等待飞书的“呼叫”。

4. 核心技能开发与集成详解

4.1 技能（Skills）框架剖析

“技能”是这个AI Agent可执行能力的原子单元。一个设计良好的技能框架通常包含以下几个部分：

• 技能描述（Description）：用自然语言描述这个技能的功能，用于帮助Claude Code理解何时调用该技能。例如：“这个技能可以用于在飞书中创建一个新的云文档。”
• 输入参数模式（Input Schema）：明确定义技能所需的参数名称、类型和描述。这通常是一个JSON Schema，用于在调用前验证和提取用户指令中的信息。例如，创建文档技能可能需要title(字符串) 和folder_token(字符串，可选) 参数。
• 执行函数（Function）：包含具体业务逻辑的代码块。它接收解析好的参数，调用相应的API或执行系统命令，并返回结果。

一个简化的技能注册与调用流程伪代码如下：

class SkillRegistry: def __init__(self): self.skills = {} def register(self, name, description, input_schema, func): self.skills[name] = { “description”: description, “schema”: input_schema, “function”: func } async def execute(self, skill_name, arguments): skill = self.skills.get(skill_name) if not skill: return {“error”: f“Skill {skill_name} not found”} # 验证参数是否符合schema # ... result = await skill[“function”](**arguments) return result # 注册一个“创建飞书文档”的技能 registry.register( name=“create_feishu_doc”, description=“在飞书云空间中创建一个新的文档”, input_schema={ “type”: “object”, “properties”: { “title”: {“type”: “string”, “description”: “文档标题”}, “content”: {“type”: “string”, “description”: “文档初始内容（Markdown格式）”, “default”: “”} }, “required”: [“title”] }, func=create_feishu_document # 具体的实现函数 )

4.2 实战：编写一个“控制Mac播放音乐”的技能

让我们以一个更具体、更生活化的技能为例，展示如何从零开始集成一个本地控制技能。

步骤1：定义技能元信息首先，我们需要在技能注册中心定义这个技能，让Claude知道它的存在和用途。

# skills/mac_music_skill.py import subprocess import json def register_music_skill(registry): registry.register( name=“control_mac_music”, description=“控制本地Mac电脑上的音乐播放，包括播放、暂停、下一首、上一首以及播放指定歌单。”, input_schema={ “type”: “object”, “properties”: { “action”: { “type”: “string”, “enum”: [“play”, “pause”, “next”, “previous”, “play_playlist”], “description”: “要执行的控制动作” }, “playlist_name”: { “type”: “string”, “description”: “当动作为‘play_playlist’时，需要指定的歌单名称” } }, “required”: [“action”] }, func=execute_music_control )

步骤2：实现技能执行函数这个函数是技能的核心，它通过SSH连接到Mac，并执行AppleScript命令来控制iTunes或Apple Music。

# skills/mac_music_skill.py (续) import paramiko # 需要安装 paramiko 库 from config import load_config config = load_config() def execute_music_control(action, playlist_name=None): """ 通过SSH在Mac上执行音乐控制命令。 """ mac_host = config[‘mac_control’][‘host’] username = config[‘mac_control’][‘ssh_username’] private_key_path = config[‘mac_control’][‘ssh_private_key_path’] # 构建AppleScript命令 applescript_cmds = { “play”: “tell application \“Music\“ to play”, “pause”: “tell application \“Music\“ to pause”, “next”: “tell application \“Music\“ to next track”, “previous”: “tell application \“Music\“ to previous track”, “play_playlist”: f“tell application \“Music\“ to play playlist \“{playlist_name}\“” if playlist_name else None } cmd = applescript_cmds.get(action) if not cmd: return {“success”: False, “error”: f“Unsupported action: {action}”} try: # 建立SSH连接 private_key = paramiko.RSAKey.from_private_key_file(private_key_path) ssh = paramiko.SSHClient() ssh.set_missing_host_key_policy(paramiko.AutoAddPolicy()) ssh.connect(mac_host, username=username, pkey=private_key) # 执行AppleScript full_cmd = f“osascript -e ‘{cmd}‘” stdin, stdout, stderr = ssh.exec_command(full_cmd) exit_status = stdout.channel.recv_exit_status() ssh.close() if exit_status == 0: return {“success”: True, “message”: f“Music action ‘{action}‘ executed successfully.”} else: error_msg = stderr.read().decode() return {“success”: False, “error”: f“Command failed: {error_msg}”} except Exception as e: return {“success”: False, “error”: f“SSH connection or command failed: {str(e)}”}

步骤3：集成与测试在主程序初始化时，导入并注册这个技能模块。

# main.py from skill_registry import SkillRegistry from skills.mac_music_skill import register_music_skill # ... 导入其他技能 def setup_skills(): registry = SkillRegistry() register_music_skill(registry) # ... 注册其他技能 return registry

现在，当你在飞书中对机器人说：“帮我暂停一下Mac上的音乐”，Claude Code会理解意图，调用control_mac_music技能，并传入{“action”: “pause”}参数，最终在你的Mac上执行暂停操作。

5. 飞书消息处理与Claude对话集成

5.1 飞书消息回调的可靠处理

飞书开放平台通过HTTP POST请求将消息事件推送到你配置的Webhook URL。你的服务需要处理两个核心端点：

1. URL验证端点：在首次配置时，飞书会发送一个GET请求进行验证。你的服务必须正确响应。

   # app.py (使用Flask示例) from flask import Flask, request, jsonify import hashlib import hmac import base64 app = Flask(__name__) @app.route(‘/feishu/webhook’, methods=[‘GET’]) def verify(): # 飞书验证请求 challenge = request.args.get(‘challenge’) if challenge: return jsonify({“challenge”: challenge}) return ‘Bad Request’, 400

2. 事件处理端点：接收真正的消息事件。这里必须处理飞书的消息加密（如果启用）和事件去重。

   @app.route(‘/feishu/webhook’, methods=[‘POST’]) def webhook(): data = request.get_json() # 1. 验证签名（如果配置了加密） if not verify_signature(request.headers, data): return ‘Forbidden’, 403 # 2. 处理事件类型 if data.get(“type”) == “url_verification”: # 处理验证事件（POST方式也可能有） return jsonify({“challenge”: data.get(“challenge”)}) if data.get(“type”) == “event_callback”: event = data.get(“event”) # 3. 只处理消息接收事件 if event.get(“type”) == “message_receive”: message = event.get(“message”) sender = event.get(“sender”) # 4. 异步处理消息，避免超时 process_message_async.delay(message, sender) return ‘OK’, 200 return ‘Event not handled’, 200

   实操心得：务必在Webhook处理逻辑中尽快返回HTTP 200响应（如上述代码所示），然后将耗时的消息处理（如调用Claude API、执行技能）放入后台任务队列（例如使用Celery、RQ或asyncio后台任务）。飞书开放平台要求你在3秒内响应，否则会认为推送失败并进行重试，可能导致重复处理。

5.2 与Claude Code的高效对话设计

将用户消息交给Claude Code处理，并不是简单的“一问一答”。我们需要设计一个包含上下文、技能工具描述的“系统提示词”（System Prompt），来引导Claude扮演好Agent的角色。

# claude_client.py import openai # 假设使用OpenAI兼容的API class ClaudeClient: def __init__(self, api_key, base_url): self.client = openai.OpenAI(api_key=api_key, base_url=base_url) self.system_prompt = “”” 你是一个高效的AI助手，集成在飞书中，可以调用各种工具帮助用户完成任务。 你的能力包括： {skills_description} 请遵循以下规则： 1. 仔细分析用户消息的真实意图。 2. 如果需要调用工具，请严格按照工具定义的参数格式，生成一个JSON对象。 3. 如果用户指令不清晰，请主动询问澄清。 4. 每次回复尽量简洁，聚焦于任务执行和结果反馈。 5. 如果工具执行失败，尝试分析原因并告知用户。 “”” def generate_skills_description(self, skill_registry): """动态生成技能描述部分""" desc_lines = [] for name, skill in skill_registry.skills.items(): desc_lines.append(f“- **{name}**: {skill[‘description’]} 参数要求: {json.dumps(skill[‘schema’], ensure_ascii=False)}”) return “\n”.join(desc_lines) async def process_message(self, user_message, conversation_history, skill_registry): messages = [ {“role”: “system”, “content”: self.system_prompt.format(skills_description=self.generate_skills_description(skill_registry))}, *conversation_history, # 包含之前的对话轮次，用于保持上下文 {“role”: “user”, “content”: user_message} ] # 调用Claude API，并启用“函数调用”（或工具调用）功能 response = self.client.chat.completions.create( model=“claude-3-opus-20240229”, messages=messages, tools=self._convert_skills_to_tools(skill_registry), # 将技能转换为Claude API认识的tools格式 tool_choice=“auto”, # 让模型自行决定是否调用工具 ) response_message = response.choices[0].message return response_message

在这个设计中，_convert_skills_to_tools方法负责将我们注册的技能，转换成Claude API所期望的tools参数格式。Claude的回复response_message可能包含：

• content: 直接回复用户的文本。
• tool_calls: 一个列表，包含它决定要调用的工具（即我们的技能）名称和参数。

我们的主流程就需要判断：如果response_message包含tool_calls，就依次执行对应的技能，并将技能执行结果作为新的上下文消息，再次发送给Claude，让它生成最终面向用户的回复。这就完成了一次完整的“思考-行动-观察”循环。

6. 日志系统、监控与问题排查实战

6.1 构建可追溯的日志系统

一个健壮的日志系统是运维和调试的生命线。不应该只是简单的print语句，而应该结构化地记录不同级别的信息。

# logger.py import logging import json from datetime import datetime from pathlib import Path def setup_logger(): logger = logging.getLogger(‘claude_agent’) logger.setLevel(logging.DEBUG) # 控制台输出 console_handler = logging.StreamHandler() console_format = logging.Formatter(‘%(asctime)s - %(name)s - %(levelname)s - %(message)s’) console_handler.setFormatter(console_format) logger.addHandler(console_handler) # 文件输出（JSON格式，便于后续分析） log_path = Path(‘./logs’) log_path.mkdir(exist_ok=True) file_handler = logging.FileHandler(log_path / f“agent_{datetime.now().strftime(‘%Y%m%d’)}.log”) class JsonFormatter(logging.Formatter): def format(self, record): log_object = { “timestamp”: datetime.fromtimestamp(record.created).isoformat(), “level”: record.levelname, “logger”: record.name, “message”: record.getMessage(), } if hasattr(record, ‘extra_data’): log_object.update(record.extra_data) return json.dumps(log_object, ensure_ascii=False) file_handler.setFormatter(JsonFormatter()) logger.addHandler(file_handler) return logger logger = setup_logger() # 使用示例：记录一次完整的任务流 def log_task_flow(session_id, user_id, message, claude_response, tool_calls, tool_results, final_reply): extra = { “session_id”: session_id, “user_id”: user_id, “raw_message”: message, “claude_response”: claude_response, “tool_calls”: tool_calls, “tool_results”: tool_results, “final_reply”: final_reply } logger.info(“Task flow completed”, extra={‘extra_data’: extra})

这样的日志，每一行都是一个JSON对象，可以轻松地被ELK（Elasticsearch, Logstash, Kibana）或Loki等日志系统收集、索引和查询，方便你追踪某次会话的所有操作。

6.2 常见问题排查清单

在实际运行中，你几乎一定会遇到下面这些问题。这里提供一个速查清单：

6.3 性能优化与稳定性建议

• 连接池与超时设置：对于HTTP客户端（如请求飞书API、Claude API）和SSH客户端，务必使用连接池并设置合理的超时时间（连接超时、读取超时），避免单个慢请求阻塞整个线程。
• 异步化改造：如果处理逻辑复杂，考虑将整个消息处理流程（Claude调用、技能执行）改为完全的异步模式（使用asyncio和aiohttp），可以大幅提高并发处理能力。
• 心跳与健康检查：为Agent服务添加一个/health端点，返回服务状态、技能加载情况、关键依赖（如Claude API、SSH连接）的健康状态。这便于使用Kubernetes或Docker的健康检查，或配置外部监控。
• 配置热重载：实现一个机制，在不重启服务的情况下，能重新加载技能模块或配置文件。这对于后期动态添加新技能非常有用。

7. 扩展思路与高级应用场景

当基础的工作流跑通后，你可以考虑以下方向进行深化和扩展，让这个AI Agent变得更加强大和智能。

7.1 技能市场的构想

参考项目关键词中的skills，可以构建一个技能市场或技能仓库。开发者可以按照统一的接口规范编写技能，并提交到中央仓库。Agent在启动时，可以从仓库动态加载技能。你甚至可以设计一个技能描述文件（如skill.yaml），包含技能名称、描述、输入输出模式、图标、作者等信息，让Claude能更准确地理解和调用社区贡献的成千上万个技能。

7.2 结合企业知识库的精准问答

除了执行操作，Agent还可以成为一个智能问答助手。通过将企业的内部文档、Wiki、项目数据向量化并存入向量数据库（如Chroma、Weaviate），当用户在飞书中提问时，Agent可以先调用“检索”技能，从知识库中找到最相关的文档片段，再将“问题+上下文”一并提交给Claude生成精准、可靠的答案，避免Claude的“幻觉”问题。

7.3 复杂工作流的编排

单一技能解决单一问题，但真实工作往往是多步骤的。你可以引入工作流引擎（如Prefect、Airflow的轻量级概念）的概念。让Claude Code或一个专门的“规划器”将用户的复杂指令（如“为新项目‘北极星’创建飞书群、项目文档、并邀请张三李四加入”）解析成一个有向无环图（DAG），其中每个节点是一个技能，节点间有依赖关系。然后由工作流引擎按顺序或并行执行这些技能，并处理失败重试、条件分支等逻辑。

7.4 多平台适配与统一入口

正如项目生态所暗示的（OpenClaw for Feishu/Slack/Discord），你可以将这个Agent的核心逻辑抽象出来，为不同的IM平台（钉钉、企业微信、Discord，甚至抖音）编写适配器。这样，无论团队使用哪个平台，都能通过同一个AI Agent获得服务，实现“一处开发，多处部署”。这需要设计良好的抽象层，将平台特定的消息格式、用户标识、API调用封装起来，向核心Agent提供统一的接口。

部署和调试这样一个深度集成的AI Agent项目，确实会碰到不少坑。我最深的体会是，“日志是你的第一道防线”。在项目初期，就在每一个关键决策点、每一次外部API调用前后打上足够详细的日志。当飞书消息石沉大海，或者Mac没有按预期动作时，这些结构化的日志能帮你快速定位问题是出在飞书回调、Claude理解、技能执行还是结果反馈的哪一个环节。另一个心得是，从小处着手，快速验证。不要一开始就想着做一个能处理所有事情的超级Agent。先实现一个最简单的技能，比如“查询服务器时间”，确保从飞书发消息到收到回复的整个链路是通的。然后再像搭积木一样，一个一个地添加“创建文档”、“控制音乐”、“查询数据”等技能。每添加一个，就完整测试一遍，这样能建立信心，也更容易隔离问题。最后，与Claude这类大模型协作时，系统提示词（System Prompt）的打磨是成败的关键。你需要用清晰、无歧义的语言告诉它扮演什么角色、有哪些工具、遵循什么规则。这往往需要多次迭代，观察它在边界案例下的表现，不断修正提示词，才能让它稳定、可靠地调用你提供的技能，而不是自己凭空编造。这个过程，本身就是一个与AI协作的绝佳学习案例。