slack-machine

GitHub
769 55 简单 1 次阅读 6天前MIT其他开发框架图像Agent语言模型插件
AI 解读 由 AI 自动生成,仅供参考

slack-machine 是一款用 Python 写的 Slack 机器人框架,几行代码就能让 Slack 变成“聊天运维”中心。它自带插件体系,你只需写正则表达式,就能监听消息、执行指令、发私信、弹模态框、存数据、定时任务等,完全不用管网络暴露或底层协议。

它解决了传统 Slack bot 开发门槛高、代码分散、难维护的问题:内置 Socket Mode,无需公网服务器;提供高阶 API 快速上手,也保留低阶 API 给需要深度定制的场景;支持 Redis、DynamoDB、SQLite 等多种存储,方便持久化数据。

适合会用 Python 的开发者、运维工程师或 DevOps 团队,想把日常部署、监控、查询等操作搬进 Slack 对话里,让同事“@机器人”就能完成工作。对研究人员来说,也能轻松做出交互式实验助手。

亮点:完全异步(AsyncIO)保证高并发性能;插件即 Python 类,逻辑清晰易扩展;支持 Slack 最新的 Block Kit、交互组件和模态窗口,界面体验丰富。

使用场景

一家 30 人的 SaaS 初创公司,运维和开发混用同一个 Slack 工作区,每天要在 5 套环境(dev / test / staging / prod / hotfix)里做 20+ 次微服务发布。

没有 slack-machine 时

  • 发布流程全靠人:工程师在 #deploy 频道手动贴命令,格式五花八门,经常漏掉镜像 tag 或环境名。
  • 权限难管控:谁都能贴命令,新人误把 prod 打成 prdo,一次回滚损失 30 分钟。
  • 状态不透明:发布进度分散在 5 个线程里,产品经理得不停 @ 人问“上线好了吗?”
  • 事后难追溯:回滚时找不到当时的镜像版本,只能去 Jenkins 翻 200 条构建记录。

使用 slack-machine 后

  • 一条消息完成发布:在任意频道输入 @bot deploy auth-service to staging,slack-machine 的插件自动校验参数、调用 Argo CD API,并实时回传 rollout 状态。
  • 权限即代码:插件读取 Slack 用户组,只有 @sre-team 成员能操作 prod,其余环境开放给开发,误操作直接拒绝并提示正确格式。
  • 进度聚合推送:bot 在父消息下持续更新线程,把每个 Pod 的 readiness 探针结果以 Block Kit 表格形式展示,产品经理订阅线程即可“静默围观”。
  • 一键溯源:发布完成后,bot 把镜像 tag、Git commit、Jenkins build URL 自动写进 #deploy-log 频道,并同步到 Redis,回滚时输入 @bot rollback auth-service 即可 10 秒内定位上一版本。

slack-machine 把零散的聊天指令变成了可审计、可扩展的 ChatOps 流水线,让发布像发消息一样简单可靠。

运行环境要求

操作系统
  • Linux
  • macOS
  • Windows
GPU

未说明

内存

未说明

依赖
notes强烈建议在虚拟环境中安装;需先在 Slack 创建 App 并获取 SLACK_APP_TOKEN 与 SLACK_BOT_TOKEN;支持 Redis、DynamoDB、SQLite 或内存作为持久化存储;使用 Socket Mode 无需公网暴露即可接收事件;基于 AsyncIO 实现并发处理
python3.9+(已放弃对 3.8 的支持)
slack-machine
slack-machine hero image

快速开始

Slack 机器

加入 Slack 聊天 图片 图片 图片 CI 状态 图片

Slack 机器是一个简单却强大、且可扩展的 Slack 机器人框架。它不仅仅是一款机器人,更是一个能助您将 Slack 工作区打造成为 ChatOps 强国的框架。Slack 机器采用直观的插件系统,让您能够快速构建机器人,同时还能轻松实现代码的高效组织。一个插件可能看起来如下所示:

from machine.plugins.base import MachineBasePlugin
from machine.plugins.message import Message
from machine.plugins.decorators import respond_to


class DeploymentPlugin(MachineBasePlugin):
    """部署"""

    @respond_to(r"deploy (?P<application>\w+) to (?P<environment>\w+)")
    async def deploy(self, msg: Message, application, environment):
        """部署 <application> <environment>: 将应用部署到目标环境"""
        await msg.say(f"正在将 {application} 部署到 {environment}")

重大变更

已弃用对 Python 3.8 的支持(v0.38.0)

v0.38.0 起,我们已不再支持 Python 3.8。Python 3.8 于 2024 年 10 月 7 日正式停止维护。

功能特性

  • 通过极简配置即可上手使用
  • 基于 Slack 事件 API 构建,可流畅地响应半实时事件。采用 Socket 模式,因此您的机器人无需暴露在互联网中!
  • 支持通过 Slack Web API 进行丰富的交互操作
  • 提供高阶 API,让插件开发更加便捷
  • 提供低阶 API,以实现更高的灵活性
  • 基于 AsyncIO 构建,确保通过并发处理与 Slack 的通信,从而获得卓越的性能

插件 API 特性:

  • 可监听并响应任意正则表达式
  • 可响应斜杠命令
  • 可捕获消息中的特定部分,并将其作为变量用于函数中
  • 可响应频道、群组以及私信对话中的消息
  • 可通过反应进行回复
  • 可在讨论串中作出回应
  • 可发送临时消息
  • 可向任意用户发送私信
  • 支持
  • 支持 消息附件 [旧版 🏚]
  • 支持 互动元素
  • 支持 模态框
  • 可监听并响应任何由事件 API 所支持的 Slack 事件
  • 可在持久化存储中存储和检索各类数据(目前支持 Redis、DynamoDB、SQLite 以及内存存储)
  • 可安排任务与消息执行
  • 可发出并监听事件
  • 提供插件帮助文本

即将推出

  • 支持快捷键
  • ... 以及更多功能

安装

您可以通过运行以下命令,将 Slack 机器添加到您的 uv 项目中:

uv add slack-machine

或者将其添加到您的 Poetry 项目中:

poetry add slack-machine

最后,您也可以使用 pip 进行安装(不推荐):

$ pip install slack-machine

强烈建议您在 虚拟环境 中安装 slack-machine!(请参阅 Python 文档 了解如何创建虚拟环境)

使用方法

  1. 在您的 Slack 机器机器人目录中创建一个文件夹:mkdir my-slack-bot && cd my-slack-bot

  2. 在机器人目录中添加一个 local_settings.py 文件:touch local_settings.py

  3. 在 Slack 中创建一个新的应用:https://api.slack.com/apps

  4. 选择从“应用清单”中创建应用

  5. 复制并粘贴以下应用清单:manifest.yaml

  6. 将 Slack 应用和机器人令牌添加到您的 local_settings.py 中,如下所示:

    SLACK_APP_TOKEN = "xapp-my-app-token"
    SLACK_BOT_TOKEN = "xoxb-my-bot-token"
    
  7. 使用 slack-machine 启动机器人

  8. ...

  9. 享受乐趣吧!

文档

您可以在此处查看 Slack 机器的官方文档:https://dondebonair.github.io/slack-machine/

快去阅读一下,学习如何正确配置 Slack 机器、编写插件,以及更多实用技巧!

此外,还有一个示例插件,充分展示了 Slack 机器的诸多功能: Slack 机器厨房插件

版本历史

v0.40.12025/08/20
v0.40.02024/11/24
v0.39.02024/11/22
v0.38.12024/11/17
v0.38.02024/11/16
v0.37.02024/05/26
v0.36.02024/05/04
v0.35.02023/09/03
v0.34.22023/08/13
v0.34.12023/08/13
v0.34.02023/08/13
v0.33.02023/05/15
v0.32.02022/11/27
v0.31.02022/10/21
v0.30.02022/10/19
v0.28.22022/10/19
v0.28.12022/10/19
v0.28.02022/10/19
v0.27.22022/10/19
v0.27.12022/10/19

常见问题

相似工具推荐

stable-diffusion-webui

stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。

162.1k|★★★☆☆|今天
开发框架图像Agent

everything-claude-code

everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上

139k|★★☆☆☆|今天
开发框架Agent语言模型

ComfyUI

ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。

107.7k|★★☆☆☆|2天前
开发框架图像Agent

NextChat

NextChat 是一款轻量且极速的 AI 助手,旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性,以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发,NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言,它也提供了便捷的自托管方案,支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性,原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型,让用户在一个界面即可自由切换不同 AI 能力。此外,它还率先支持 MCP(Model Context Protocol)协议,增强了上下文处理能力。针对企业用户,NextChat 提供专业版解决方案,具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能,满足公司对数据隐私和个性化管理的高标准要求。

87.6k|★★☆☆☆|今天
开发框架语言模型

ML-For-Beginners

ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程,旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周,包含 26 节精炼课程和 52 道配套测验,内容涵盖从基础概念到实际应用的完整流程,有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员,还是对人工智能充满好奇的普通爱好者,都能从中受益。课程不仅提供了清晰的理论讲解,还强调动手实践,让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持,通过自动化机制提供了包括简体中文在内的 50 多种语言版本,极大地降低了全球不同背景用户的学习门槛。此外,项目采用开源协作模式,社区活跃且内容持续更新,确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路,ML-For-Beginners 将是理想的起点。

85k|★★☆☆☆|今天
图像数据工具视频

ragflow

RAGFlow 是一款领先的开源检索增强生成(RAG)引擎,旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体(Agent)能力相结合,不仅支持从各类文档中高效提取知识,还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中,幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构(如表格、图表及混合排版),显著提升了信息检索的准确度,从而有效减少模型“胡编乱造”的现象,确保回答既有据可依又具备时效性。其内置的智能体机制更进一步,使系统不仅能回答问题,还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统,还是致力于探索大模型在垂直领域落地的创新者,都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口,既降低了非算法背景用户的上手门槛,也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目,它正成为连接通用大模型与行业专有知识之间的重要桥梁。

77.1k|★★★☆☆|昨天
Agent图像开发框架