基于AI大模型开发一个Slack Bot的总结

2025-03-28 约 1995 字预计阅读 4 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:
      - app_mentions:read
      - channels:history
      - channels:join
      - channels:read
      - chat:write
      - chat:write.public
      - commands
      - incoming-webhook
      - groups:history
      - im:history
      - mpim:history
      - users:read
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种特定的 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