wechat-bot指南：3步搭建支持AI自动回复的微信机器人-育师

wechat-bot指南：3步搭建支持AI自动回复的微信机器人

【免费下载链接】wechat-bot🤖 Multi-platform IM AI Agent for Telegram, WhatsApp, Lark, and WeChat. Connects ChatGPT / Claude / Kimi / DeepSeek / Ollama / Pi for auto-replies, community analysis, contact management, and inactive-friend detection.项目地址: https://gitcode.com/GitHub_Trending/we/wechat-bot

wechat-bot 是一个基于 WeChaty 框架的多 AI 自动回复微信机器人。微信扫码登录后，它把白名单内好友和群的消息交给 DeepSeek、Ollama、Claude、Pi 等服务处理并自动回发，同时提供聊天记录本地统计分析和本地微信数据访问。适合需要 7×24 小时群问答、客服响应或个人助手的开发者与运营人员。

📦 项目能力一览

微信扫码登录：基于 WeChaty 框架，扫码后接收微信消息，回复沿原通道发回，私聊群聊都支持
多服务 AI 自动回复：--serve提供 12 个选项（ChatGPT、Claude、Kimi、豆包、通义、讯飞、DeepSeek、Ollama、Pi、dify、302AI、deepseek-free），启动时随意切换
回复范围控制：好友备注与群名双白名单、@触发、前缀匹配三层规则，避免群内消息全部触发回复
本地数据存储与分析：消息落盘为本地 JSONL，可做群聊统计、好友互动分析和 AI 深度分析，技术社群可用来归档高频问题，客服可用来复盘咨询数据
本地微信数据访问：通过 OpenCLI 的 wx-cli 读取最近会话、群成员、朋友圈缓存（wb wx系列命令）
飞书 IM 通道：CLI 方式登录、读消息、搜消息、发消息（实时自动回复尚未接入）

🚀 第一次运行

1. 克隆安装

git clone https://gitcode.com/GitHub_Trending/we/wechat-bot cd wechat-bot npm i npm link

要求 Node.js ≥ 18，npm link把wb注册为全局命令；不想注册时，后文所有wb命令都可换成npm run start --。

2. 最小配置

cp .env.example .env

BOT_NAME='@你的微信昵称' ALIAS_WHITELIST='好友备注1,好友备注2' ROOM_WHITELIST='群名1,群名2' SERVICE_TYPE='deepseek' WECHAT_STORE_MESSAGES='true'

BOT_NAME用于群聊 @ 匹配，@要保留；两个白名单变量决定哪些私聊和群能触发 AI 自动回复；SERVICE_TYPE是默认回复服务，该服务的 API Key（如DEEPSEEK_API_KEY）也在同一文件填写。所有变量统一由 src/config/env.js 加载。

3. 启动并扫码

wb start --serve deepseek

终端出现二维码，用微信扫码即完成登录，机器人开始监听白名单内的好友与群，消息逐条追加到.data/wechat/messages.jsonl，可以用cat直接查看。若要改用 Pi agent 回复，执行wb agent --im wechat --agent pi，与npm run agent等价。

🔍 按场景走查核心功能

白名单与@触发配置

消息链路是：微信扫码登录 → WeChaty 收消息 → 本地 JSONL 存储 → AI 服务处理 → 微信发回。触发条件有明确规则：

私聊：发送者的备注或昵称必须在ALIAS_WHITELIST中
群聊：群名必须在ROOM_WHITELIST中，且消息里 @ 了BOT_NAME
AUTO_REPLY_PREFIX：文本匹配到指定前缀才触发回复，留空则规则不生效，适合用主账号但不想每次被 @ 都打扰的场景
非文本消息不进入回复链路

聊天内还有两个内置命令，默认仅对白名单联系人生效：

/统计 群 XX群1 /分析 好友 好友备注

/统计只读本地 JSONL、不调用 AI，/分析会把最近消息样本交给当前 serve 服务。触发与路由逻辑在 src/platforms/wechat/commandRouter.js 和 src/wechaty/sendMessage.js。

DeepSeek 与 Ollama 服务配置

--serve决定回复服务，不传时回落到.env里的SERVICE_TYPE。12 个可选服务及所需配置：

服务	定位	必填配置
deepseek	云端 API，成本低、上手快	DEEPSEEK_API_KEY
ollama	本地模型，无需联网，数据不出机器	OLLAMA_URL、OLLAMA_MODEL
ChatGPT / Claude / Kimi / 豆包 / 通义 / 讯飞 / dify / 302AI / deepseek-free	云端 API 类，各自独立 Key	如 OPENAI_API_KEY、CLAUDE_API_KEY
pi	本地 agent 模式，微信作为对外通信渠道	PI_BIN、PI_AGENT_ARGS

DeepSeek 是配置成本最低的一条路径：

SERVICE_TYPE='deepseek' DEEPSEEK_API_KEY='你的key'

之后wb start --serve deepseek即可启动。该模块用 openai 兼容客户端实现，需要中转地址时加DEEPSEEK_URL，代码在 src/deepseek/。

Ollama 本地部署适合隐私敏感场景：

SERVICE_TYPE='ollama' OLLAMA_URL='http://127.0.0.1:11434/api/chat' OLLAMA_MODEL='qwen2.5:7b'

要求本机已安装 Ollama 并拉取对应模型，其 API 与 OpenAI 接近、无需 Key，实现见 src/ollama/。

本地聊天数据分析命令

wb wx init wb wx sessions wb wx history wb wx stats

先wb wx init初始化本地微信数据访问，再用sessions/history查最近会话与记录，members/stats查群成员与聊天统计；朋友圈缓存用wb wx sns-feed和wb wx sns-search。这些命令透传到 OpenCLI 的 wx-cli。

深度分析：

wb analyze --room "群名" --stats-only wb analyze --friend "好友备注" --serve ollama

第一条只做本地统计、不调用 AI；加--serve则交给指定服务生成深度分析，隐私敏感时建议指向本地模型。统计逻辑在 src/analysis/wechatAnalyzer.js，可用npm run test:analysis单独验证。社群运营可定期跑群活跃度统计，客服可复盘好友互动中的高频问题。

飞书登录与消息发送命令

wb lark login --no-wait wb lark status wb lark send --chat-id oc_xxx --text "你好"

login生成 device-flow 授权链接完成授权，status查看授权状态，messages/search按会话读取和检索消息。当前定位需要说清：飞书是 CLI 控制通道，实时事件自动回复尚未接入，飞书消息不会自动推给 AI 回复，实现位于 src/adapters/lark.js。

扩展与二次开发

新增 AI 服务：项目用 provider 机制，每个服务一个目录（如 src/deepseek/、src/kimi/），对外导出一个getXXXReply(prompt)函数。新服务若是 OpenAI 兼容接口，直接复用 openai 客户端、改 baseURL 和 Key 即可；完成后在 src/index.js 的serveList注册并补上 Key 校验。
定制回复行为：src/wechaty/sendMessage.js 控制消息怎么发，src/platforms/wechat/commandRouter.js 控制触发路由，想改「只有 @ 才回复」这类规则就从这里入手。
Pi 常驻 agent：配置PI_BIN='pi'、PI_AGENT_ARGS='--print --no-session'，以wb agent --im wechat --agent pi启动；本机没有全局 pi 时，项目会通过npx --yes @earendil-works/pi-coding-agent自动调起，详见 docs/pi-im-agent.md。
外部工具透传：src/adapters/ 统一封装 opencli、pi、lark-cli 三个外部依赖，wb opencli -- ...可直传底层命令。

🐳 部署与运行建议

本地运行

推荐 LTS 版 Node.js；依赖损坏时删除node_modules和 lock 文件后重装；调用云端服务前确认终端代理可用，OpenAI、Claude 等需要能直连对应服务。

Docker 容器

docker build -t wechat-bot . docker run -d --name wechat-bot -v $(pwd)/.env:/app/.env wechat-bot

仓库同时提供Dockerfile和Dockerfile.alpine；.env通过挂载注入容器，Key 不需要打进镜像。

生产环境

默认微信 Web 协议存在风控与封号风险，长期运行建议专用账号，必要时切换更稳定的协议
配置进程监控与自动重启，做日志轮转，定期备份.env与.data消息数据
定期拉取最新代码并更新依赖

性能要点：隐私敏感内容改用 Ollama 本地模型，消息内容不出机器；云端模型按成本选型，聚合平台与免费渠道可作替代；监控 API 用量与余额，避免高峰时段超额。安全要点：白名单范围保持最小化，不放开全部群；Key 不硬编码进代码，统一走.env；定期更新依赖保持安全补丁。

快速排障

扫码无二维码或登录失败→ 检查 Node.js 是否 ≥ 18、依赖是否装全（puppeteer 下载失败可设PUPPETEER_SKIP_DOWNLOAD=true重试）、终端网络能否访问微信网页版。
群里 @ 后不自动回复→ 依次核对：BOT_NAME是否带@前缀且与账号昵称一致、群名是否在ROOM_WHITELIST、当前--serve服务的 API Key 是否已配置、消息是否为文本。
云端服务报错或不回复→ 检查 API Key、余额、模型名，以及终端代理能否访问对应服务。

项目的回复链路是「收消息 → 白名单校验 → provider 处理 → 发回」，逻辑直白，跑通一个服务后换服务或加新服务基本只是改 env 加一个小模块。建议顺序是：先用wb analyze --stats-only跑通本地统计，再接云端服务做自动回复，隐私要求高时切到 Ollama 本地模型；有封号风险的场景，优先专用账号加最小化白名单。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考