wxagent

让公众号瞬间变身为智能助手，支持特性：

• 接近零成本部署，只需要一个域名即可绑定到公众号
• 支持对话记忆，超时自动回复，以及对话结果回溯
• 支持多种工具调用，包括：获取天气，关键字搜索，网页总结，Home Assistant 设备控制
• 支持构建本地 RAG 知识库进行读取和检索

一键部署到 Vercel：

1. 参考配置填写环境变量，完成部署
2. 拿到Vercel生成的默认域名进行访问，没问题的话会输出OK
3. 绑定域名到服务器地址，然后配置公众号服务器地址为：{domain}/wechat/receive/

示例

点击查看对话效果

基础对话：

获取天气：

文章总结：

信息搜索：

知识库检索：

配置

所有配置通过环境变量指定，支持通过.env文件自动加载：

• WECHAT_TOKEN：公众号服务器配置的令牌(Token)
• WECHAT_ALLOW_LIST：允许交互的微信账号（openid），用逗号分隔，默认无限制
• WECHAT_MEM_TTL：公众号单轮对话记忆保存时间，默认为5m
• WECHAT_MEM_MSG_SIZE：公众号单轮对话记忆消息记录上限（包括工具消息），默认为6
• WECHAT_TIMEOUT：公众号单轮对话超时时间（公众号限制回复时间不能超过5秒），默认为4s
• WECHAT_APP_ID：公众号 AppID，安全模式下需要指定
• WECHAT_ENCODING_AES_KEY：公众号消息加解密密钥 (EncodingAESKey)，安全模式下需要指定
• LLM_PROVIDER：LLM 提供者，支持：openai，默认为openai
• OPENAI_API_KEY：OpenAI（兼容接口）API KEY
• OPENAI_BASE_URL：OpenAI（兼容接口）Base URL
• SERVER_ADDR：服务器模式的启动地址，默认为0.0.0.0:8082
• USE_RAG：是否开启 RAG 从知识库检索查询
• EMBEDDING_PROVIDER：文本嵌入模型提供者，支持：openai，默认为 openai
• KNOWLEDGE_BASE_PATH：本地知识库目录路径，目前支持文件格式：txt，默认为 ./knowledge_base

Agent 配置

• AGENT_TOOLS：Agent 可以使用的 Tools，用逗号分隔，需要配置相关的环境变量，支持：
  • google_search：Google 搜索
  • get_weather：天气查询
  • webpage_summary：网页文本总结
  • get_devices：获取 Home Assistant 设备列表
  • execute_device：执行 Home Assistant 设备动作
• AGENT_TIMEOUT：Agent 对话超时时间，默认为30s
• MAX_TOOL_ITER：Agent 调用工具最大迭代次数，默认为3
• TOOL_TIMEOUT：工具调用超时时间，默认为10s
• LLM_MODEL：LLM 模型名称，默认为gpt-3.5-turbo
• LLM_MAX_TOKENS：最大输出 Token 数量，默认为500
• LLM_TEMPERATURE：Temperature 参数，默认为0.2
• LLM_TOP_P：Top P 参数，默认为0.9
• SYSTEM_PROMPT：设置 Agent 对话的 System Prompt
• EMBEDDING_MODEL：文本嵌入模型，支持：openai，默认为 openai

工具配置

Google 搜索（google_search）

• GOOGLE_SEARCH_ENGINE：Google 搜索引擎
• GOOGLE_SEARCH_API_KEY：Google 搜索 API Key

天气查询（get_weather）

• OPENWEATHERMAP_API_KEY：OpenWeatherMap API Key

Home Assistant（get_devices，execute_device）

• HA_BASE_URL：Home Assistant 服务器地址
• HA_BEARER_TOKEN：Home Assistant API 验证 Bearer Token

扩展使用

与Agent交互

package main

import (
	"context"
	"fmt"
	"log"
	"time"

	"github.com/tonnie17/wxagent/pkg/agent"
	"github.com/tonnie17/wxagent/pkg/config"
	"github.com/tonnie17/wxagent/pkg/llm"
	"github.com/tonnie17/wxagent/pkg/memory"
	"github.com/tonnie17/wxagent/pkg/tool"
)

func main() {
	tools := []tool.Tool{
		tool.NewWebPageSummary(),
	}

	agent := agent.NewAgent(&config.AgentConfig{
		AgentTools:   []string{"webpage_summary"},
		AgentTimeout: 30 * time.Second,
		MaxToolIter:  3,
		ToolTimeout:  10 * time.Second,
		Model:        "qwen-plus",
		MaxTokens:    500,
		Temperature:  0.2,
		TopP:         0.9,
	}, llm.NewOpenAI(), memory.NewBuffer(6), tools, nil)

	output, err := agent.Chat(context.Background(), "总结一下：https://golangnote.com/golang/golang-stringsbuilder-vs-bytesbuffer")
	if err != nil {
		log.Fatalf("chat failed: %v", err)
	}

	fmt.Println(output)
}

自定义工具

要定义一个工具，需要实现Tool定义的接口：

type Tool interface {
	Name() string
	Description() string
	Schema() map[string]interface{}
	Execute(context.Context, string) (string, error)
}

方法含义：

• Name()：工具名称
• Description()：工具描述，描述尽量清晰以便模型了解选择工具进行调用
• Schema() map[string]interface{}：提供工具的参数描述以及定义
• Execute(context.Context, string) (string, error)：工具的执行逻辑，接收模型输入，返回执行结果

接入新模型

要接入新的模型，需要实现LLM定义的接口：

type LLM interface {
    Chat(context.Context, model string, messages []*ChatMessage, options ...ChatOption) (*ChatMessage, error)
}

本地开发

创建配置文件.env，将项目配置写入到文件：

echo "{CONFIG_KEY}={CONFIG_VALUE}" > .env 

拉取依赖：

go mod tidy

启动服务器：

go run cmd/server/main.go

启动交互式命令行：

go run cmd/cli/main.go

Streamlit 调用：

with httpx.stream("POST", server_addr, headers=headers, data=json.dumps({
    "messages": st.session_state.messages
}), timeout=30) as r:
    for line in r.iter_lines():
        if not line.strip():
            continue
        data = json.loads(line)
        # ...

构建

本地构建

编译二进制文件：

go build -o server /cmd/server

运行：

./server

Docker 构建

创建镜像：

docker build -t wxagent .

运行容器：

docker run -it --rm -p 8082:8082 --env-file .env wxagent