基于AI大模型开发一个Slack Bot的总结

2025-03-28 约 2137 字预计阅读 5 分钟

https://images.unsplash.com/photo-1671227498016-93aa927686f8?ixlib=rb-4.0.3&ixid=MnwxMjA3fDB8MHxwaG90by1wYWdlfHx8fGVufDB8fHx8&auto=format&fit=crop&w=1074&q=80

起因

最近一个半月都在Beach，虽然离开了项目，但每天的生活比项目期间还要忙碌，同时也学到了很多新知识。

在Beach期间，我参与了两个与AI相关的项目。虽然AI功能的开发占比不大，但通过代码学习了AI开发的相关模式，例如Google Cloud Platform、Terraform、Vertex AI、CrewAI以及Agent的编排。Agent编排在正式项目中尤为重要，因为AI无法一次性理解并完成复杂任务，需要将任务（Work）拆分为多个子任务（Task），通过编排的Agent组合完成。这种编排的控制逻辑和编码逻辑基本一致，主要包括顺序、循环和组合等基本形式。

第一个项目是关于遗留系统维护质量评估的，涉及了许多新技术，例如CrewAI、Vertex AI、Streamlit、Hugging Face和Agent编排。在这个项目中，我首次使用Python Flask独立构建了一个后端服务，并结合Streamlit开发了服务端渲染的前端，为用户提供了优秀的交互体验。简单来说，这个功能类似于一个聊天记录的展示。

第二个项目与SRE相关，目标是将可观测链路上的Alert转换为Incident，并通过ChatOps形式处理这些Incident。为此，我们需要一个集成AI功能的Bot来提升Incident处理效率。例如，当一个Manager加入Incident Channel时，需要一个简要的总结（当前Incident的情况总结）。这也是本文的来源。

需求

在ChatOps中，当Manager加入Incident处理的聊天组时，需要及时获取当前Incident的处理情况，包括实时状态、关键行为以及可能的建议。

基本流程

基于上述需求，我们需要为Chat设计一个Bot。这个Bot在接收到简单指令后，可以生成当前Incident的关键数据报告，类似于PIR（Post-Incident Report），但不需要那么详细。

开发流程

在开发过程中，我们需要完成以下任务：

在Slack上创建一个Bot，作为用户与Slack之间的沟通桥梁。
使用无服务器函数处理Bot发送的请求，获取AI所需数据，并将其传递给AI模型，最终将AI返回的内容发送回Slack。

创建Slack Bot

在Slack官网上创建Bot有两种方式： 1, Manifest， 2，Scratch 方式

提示

创建Slack Bot需要Slack Workspace的管理员权限。

Manifest方式

这种方式相对简单，支持JSON和YAML格式，所有配置都集中在Manifest文件中。以下是一个YAML格式的示例：

display_information:
  name: XBot
features:
  bot_user:
    display_name: XBot
    always_online: false
  slash_commands:
    - command: /summary
      url: <ServerLess HTTPS URL>
      description: summary
      usage_hint: it
      should_escape: false
oauth_config:
  scopes:
    bot:
      - channels:join
      - channels:read
      - chat:write
      - chat:write.public
      - commands
      - channels:history
      - app_mentions:read
      - incoming-webhook
settings:
  event_subscriptions:
    request_url: <ServerLess HTTPS URL>
    bot_events:
      - app_mention
  interactivity:
    is_enabled: true
    request_url: <ServerLess HTTPS URL>
  org_deploy_enabled: false
  socket_mode_enabled: false
  token_rotation_enabled: false

示例

ServerLess HTTPS URL: https://serverless.functions.url/x-bot

这种方式适合已经创建过一个Bot，需要重新创建的情况，例如测试完成后需要创建正式的Bot。

Scratch方式

按照提示逐步完成配置，涉及多个模块，例如Basic Information、Socket Mode、Incoming Webhooks、Slash Command、OAuth & Permissions和Event Subscriptions等。具体权限可参考Manifest的YAML配置。

通过上述两种方式之一创建Bot后，需要获取以下Token，这些Token将在无服务器函数中使用：

项目	位置	操作
SIGNING_SECRET	`Basic Information` -> `Signing Secret`	复制
SLACK_APP_TOKEN	`Basic Information` -> `App-Level Tokens`	点击`Generate Token and Scope`，命名并赋予`connections:write`权限
SLACK_BOT_TOKEN	`OAuth & Permissions` -> `OAuth Tokens`	复制

重要提示

在本地开发代码并与Slack测试时，启用Socket Mode可以避免每次都部署代码，从而节省时间和资源
启用Socket Mode时，如果多人开发同一个Bot，可能会收到彼此的请求返回结果。建议每人创建一个独立的Workspace以避免冲突
更改完配置之后，需要将 App 安装到你的 Workspace 中

创建无服务器函数处理用户请求

这里选择使用 Python 来作为Serferless 处理工具，并将其部署在云服务器上，比如 AWS Lambda, Azure Function，或者 Google Cloud Platform 的Cloud Run Functions中，这里不讲工程构建之类的，直接给出部分参考代码。

...
from slack_bolt import App
from slack_bolt.adapter.flask imp
import vertexai
from vertexai.preview.generative_models import GenerativeModel, GenerationConfig
...
app = App(
    token=getenv("SLACK_BOT_TOKEN"),
    signing_secret=getenv("SIGNING_SECRET"),
    raise_error_for_unhandled_request=True,
)
...
@app.command("/summary")
def handle_summary_command(ack, body, say):
    ack("Thinking...")
    channel_id = body["channel_id"]
    check_channel_membership(app, channel_id, say)

    slack_channel_histories = get_chat_history(app, channel_id)

    input = format_events(incident_id, slack_channel_histories)

    # Use AI to summarize

    system_prompt = '''\
    You are an operations analysis expert. You .....
    ......
    Output format:
    ......
    '''

    vertexai.init(
        project=os.getenv("GCP_PROJECT"),
        location="us-central1",
    )
    model = GenerativeModel(
        model_name="gemini-2.0-flash",
        system_instruction=[system_prompt],
    )
    gen_config = GenerationConfig(temperature=0)
    response = model.generate_content([prompt], generation_config=gen_config)
    return response.text
    say(
        blocks=[
            {
                "type": "header",
                "text": {
                    "type": "plain_text",
                    "text": "Here is the summary of the incident:",
                },
            },
            {
                "type": "section",
                "text": {
                    "type": "mrkdwn",
                    "text": summary,
                },
            },
        ]
    )

handler = SlackRequestHandler(app)


# Main
def slack_bot(request):
    return handler.handle(request)

比如使用如下命令将这个程序部署在 GCP 中：

gcloud functions deploy x-bot \
    --runtime python310 \
    --trigger-http \
    --allow-unauthenticated \
    --entry-point slack_bot \
    --timeout=120s \
    --set-env-vars GCP_PROJECT='' \
    --set-env-vars SLACK_BOT_TOKEN='' \
    --set-env-vars SIGNING_SECRET=''

注意事项

部署好Serverless Function 之后，需要将Serverless Function 的访问的 URL 添加到 Slack App 的配置中；

将 Socket Mode 关闭
将 URL 填到 Event Subscriptions, 需要通过其校验
将 URL 填到 Slash Commands 添加的那个Command（/summary）中

总结

Slack bot 的开发相对简单，大部分内容是简单的配置；重要的是将获取到的数据以某中特定的 Prompt ，并将其传递给 AI model 获取到准确的结果。

引用

免责声明

本文仅代表个人观点，与本人所供职的公司无任何关系。

SHA256 checksum: f2fe1394e4ab9297ed69ff73ac32e9ac1375f01c2102183b509bf9379a5995d6

赞助

SHA256 checksum: 964978ecd2059064abe542e51dc02e204d3ee2e6c320ca68e2b1399ce0c6953c

使用此文件进行校验： gpg --verify PayForGuzhongren.svg.sig

目录

基于AI大模型开发一个Slack Bot的总结

起因

需求

基本流程

开发流程

创建Slack Bot

Manifest方式

Scratch方式

创建无服务器函数处理用户请求

注意事项

总结

引用

免责声明

赞助