https://github.com/soimy/openclaw-channel-dingtalk?tab=readme-ov-filehttps://github.com/soimy/openclaw-channel-dingtalk?tab=readme-ov-file

方法 A：通过 npm 包安装 (推荐)

手动通过 npm 包名安装：

openclaw plugins install @soimy/dingtalk

安装后执行配置命令：

# 方式 B：直接配置 channels 部分
openclaw configure --section channels

交互式配置流程：

  1. 选择插件 — 在插件列表中选择 dingtalk 或 DingTalk (钉钉)
  2. Client ID — 输入钉钉应用的 AppKey
  3. Client Secret — 输入钉钉应用的 AppSecret

4. 完整配置 — 可选配置 Robot Code、

Corp ID、

Agent ID（推荐）

5.卡片模式 — 可选启用 AI 互动卡片模式

如启用，需输入 Card Template ID

和 Card Template Key

6.私聊策略 — 选择 open（开放）或 allowlist（白名单）

7.群聊策略 — 选择 open（开放）或 allowlist（白名单）

安装后在聊天中配置机器人，找到机器人即可

Logo
AI Agent技术社区

Agent 垂直技术社区，欢迎活跃、内容共建。

更多推荐

cover

agent面试必备50-AI Agent 核心进阶：多智能体“状态管理与同步”

avatar AI Agent技术社区

为什么AI Agent需要可观测性

随着AI Agent在复杂任务处理、多步决策和自主执行中扮演越来越重要的角色，其内部推理过程却如同一个"黑盒"。本文将探讨如何通过可观测性技术，让AI Agent的思考过程变得透明、可追溯、可调试。工具调用的复杂性：外部API调用、代码执行、数据查询的监控与审计。性能瓶颈的定位：识别推理延迟、工具调用失败、上下文窗口溢出的根源。上下文关联：将用户会话、Agent实例、工具调用串联起来。数据采集层：

avatar AI Agent技术社区

7 月 AI + Web3 技术月报：从智能合约审计到去中心化推理的关键进展盘点

混合审计将成为标准配置。纯规则引擎或纯大模型审计都存在不可弥补的盲区，混合架构不是过渡方案而是最终形态。落地时的关键决策是置信度加权策略——规则引擎结果应享有更高权重，而非简单并列。去中心化推理的验证层是必要的但成本高昂。3.7% 的偏差检出率证明验证层的价值，但 62% 的成本占比说明当前架构的经济模型需要优化。改进方向是"抽查验证"而非"全量验证"——根据节点声誉历史动态调整验证频率。链上 A

avatar AI Agent技术社区