自建个人 AI 助手:飞书机器人 + 自有服务器的落地实践
为什么要自己搭一个 AI 助手
这段时间我把个人 AI 助手跑了起来:入口放在飞书里,后端跑在自己的服务器上。先说结论,个人助手的核心不在模型本身,而在链路是否可靠、是否好维护。
选择飞书做入口有三个原因。第一,日常工作流、提醒和沟通本来就在飞书里,助手放在飞书里,消息、@ 提醒和卡片都是现成的,不用再多装一个应用。第二,数据流向自己能控制:消息先到自己的服务器,再由服务器去调用模型接口,敏感内容不经过额外的第三方中转。第三,可定制,接自己的脚本、定时任务和服务器巡检都方便,不只是聊天。
整体链路
链路很简单,一共四段:
飞书(消息与事件)→ 飞书开放平台事件订阅 → 自己服务器上的回调服务 → 会话管理与模型调用 → 以文本或卡片形式回复。
落地时有几个点值得注意。
第一,飞书事件订阅需要一个可公开访问的回调地址。我用反向代理把内网服务暴露出来,只放行飞书回调这一条路径,其余路径一律不对外开放。
第二,回调收到事件后要先快速返回成功,再异步处理业务逻辑。如果处理完了才返回,超时后飞书会重试,同一条消息就可能被回复两次。配合消息 ID 做幂等去重,重复的事件直接丢弃。
第三,会话按用户和话题区分,上下文只保留最近的若干轮。轮数一多就截断,必要时做摘要,避免上下文无限增长。
服务器侧的运维实践
助手跑在自己的服务器上,运维上的做法和跑其他服务没有本质区别,但有几条是这次实践里确认有效的:
- 用 systemd 管理服务进程:崩溃自动重启、开机自启,日志统一走 journald,查问题时不用到处找日志文件。
- Nginx 做反向代理并启用 TLS,回调地址只暴露必要路径,管理接口只允许内网访问。
- 密钥放在环境变量或专门的密钥文件里,不进代码仓库;轮换密钥时只改配置,不改代码。
- 日志分级并定期轮转。回调成功率、模型调用失败这类关键情况单独记录,异常时往飞书群里发一条告警,半夜出问题也能第一时间知道。
- 部署用拉取加重启的简单脚本,先在测试环境验证再上生产;回滚就是切回上一个版本,不做复杂操作。
开发工具实践
开发流程上,我主要用了三点:
- 本地用编辑器加远程开发的方式,直接连服务器调试,改完就能验证,不用来回传文件。
- 代码放 Git 仓库,改动先自测再部署,部署脚本固定下来,少做手工操作。
- 临时验证用云端开发环境,比如 AI DevSpace 这类开箱即用的环境,验证完就释放,不污染本地环境。常用的部署、看日志、重启服务都写成脚本,一条命令搞定。
踩过的坑
- 飞书回调超时重试导致重复消息。解决办法是先回成功再异步处理,再加消息 ID 幂等去重。
- 上下文无限增长导致调用成本失控。解决办法是给上下文设上限,超了就截断并提示用户,而不是默默变贵。
- 服务半夜挂掉没人知道。解决办法是加存活检测和告警,服务异常时主动推送。
- 模型接口偶发失败。解决办法是有限次重试,重试失败后给一句明确的降级提示,而不是直接抛错。
小结
个人 AI 助手这件事,先跑通最小闭环再加能力,是最省事的路线:入口顺手、部署简单、出问题能快速发现和恢复。模型可以换,链路和运维习惯才是长期省心的地方。
- 点赞
- 收藏
- 关注作者
评论(0)