PyMessager
PyMessager 是一款专为 Python 开发者设计的开源库,旨在简化 Facebook Messenger 聊天机器人的开发流程。它封装了 Facebook Messenger Platform 复杂的 API 接口,让开发者无需深入钻研底层协议细节,即可快速构建具备消息收发功能的智能机器人。
对于希望将业务延伸至 Facebook 生态的开发者而言,PyMessager 有效解决了手动处理 Webhook 验证、消息解析及多种富媒体格式(如图片、快捷回复、按钮模板等)发送的繁琐问题。通过简洁的 Python 类与方法,用户可以轻松实现文本交互、图像推送以及结构化消息模板的生成,大幅降低了开发门槛和时间成本。
该工具主要适合熟悉 Python 编程的软件工程师、全栈开发者或正在学习聊天机器人技术的学生使用。使用前需准备 Facebook 公共主页、开发者应用及支持 HTTPS 的服务器环境。PyMessager 的独特亮点在于其清晰的模块化设计:不仅提供了直观的发送端 API 来处理多样化的消息类型,还给出了完整的接收端示例代码,涵盖从 Webhook 配置到消息监听的全流程。配合详细的中文教程资源,它能帮助开发者从零开始,高效打造出功能完善的 Facebook 聊天机器人。
使用场景
一家初创电商团队希望利用 Facebook Messenger 构建自动客服机器人,以处理用户关于订单状态和商品推荐的咨询。
没有 PyMessager 时
- 开发人员需直接研读 Facebook 复杂的官方 API 文档,手动构造繁琐的 JSON 消息体,极易因字段错误导致发送失败。
- 处理 Webhook 验证和 HTTPS 安全配置耗时费力,团队需花费数天时间调试服务器环境而非核心业务逻辑。
- 想要实现“快速回复”或“按钮模板”等富媒体交互时,代码重复度高且难以维护,每次调整 UI 都要修改大量底层代码。
- 缺乏统一的消息发送接口,文本、图片等不同类型消息的处理逻辑分散,增加了后续功能扩展的难度。
使用 PyMessager 后
- 通过简单的
client.send_text或client.send_image方法即可发送消息,无需关心底层 JSON 结构,开发效率提升显著。 - 内置的 Webhook 接收示例和清晰的初始化流程,让团队在几小时内即可完成从环境搭建到消息收发的闭环。
- 利用
QuickReply等封装好的类,只需传入标题和参数即可生成复杂的交互按钮,轻松实现商品推荐卡片等功能。 - 统一的 API 设计屏蔽了不同消息类型的差异,代码结构清晰,后续添加新的自动化回复场景变得简单快捷。
PyMessager 将复杂的 Facebook 平台对接简化为直观的 Python 调用,让开发者能专注于聊天机器人的业务逻辑而非底层通信细节。
运行环境要求
- 未说明
不需要
未说明

快速开始
PyMessager
PyMessager 是一个用于 Facebook Messenger 的 Python API,同时也是一个演示如何在 Facebook Messenger 上开发聊天机器人的示例项目。

完整的教程可以在 使用 Python 开发 Facebook 机器人 和 聊天机器人:从 0 到 1 中找到,那里有更详细的设置和开发信息。
开始之前
- 准备一个 Facebook 页面。(如果没有,请先创建)
- 在 Facebook 开发者平台 上创建一个开发者应用。
- 启动一个 Python 项目,并安装所需的包和模块:Flask、Requests。
- 使用 Let's Encrypt 为你的域名申请 SSL 证书。
安装
要安装 PyMessager,只需运行:
$ pip install pymessager
或者从仓库安装:
$ git clone git@github.com:enginebai/PyMessager.git
$ cd PyMessager
$ pip install -r requirements.txt
开始使用
导入
from pymessager.message import Messager, ... # 其他你需要的
初始化
你可以通过开发者控制台中的 Facebook 访问令牌来初始化一个消息客户端:
from pymessager.message import Messager
client = Messager(config.facebook_access_token)
接收方 API
以下代码用于构建消息接收器,为你的机器人准备主要有三个步骤:
- 设置 Webhook
@app.route(API_ROOT + FB_WEBHOOK, methods=["GET"])
def fb_webhook():
verification_code = 'I_AM_VERIFICIATION_CODE'
verify_token = request.args.get('hub.verify_token')
if verification_code == verify_token:
return request.args.get('hub.challenge')
- 接收消息
@app.route(API_ROOT + FB_WEBHOOK, methods=['POST'])
def fb_receive_message():
message_entries = json.loads(request.data.decode('utf8'))['entry']
for entry in message_entries:
for message in entry['messaging']:
if message.get('message'):
print("{sender[id]} says {message[text]}".format(**message))
return "Hi"
- 使用 HTTPS 启动服务器
if __name__ == '__main__':
context = ('ssl/fullchain.pem', 'ssl/privkey.pem')
app.run(host='0.0.0.0', debug=True, ssl_context=context)
发送方 API

消息类型包括 text、image、quick replies、button template 或 generic template。API 提供了不同的类来生成这些消息模板。
发送文本和图片
向收件人发送简单的文本或图片,只需确保图片 URL 是有效的链接。
client.send_text(user_id, "Hello, I'm enginebai.")
client.send_image(user_id, "http://image-url.jpg")
快速回复
QuickReply(title, payload, image_url, content_type) 类定义了响应消息时显示给用户的按钮。
| 参数 | 描述 | 必填 |
|---|---|---|
title |
按钮标题 | 是 |
payload |
点击后的有效载荷字符串 | 是 |
image_url |
图标图片的 URL | 否 |
content_type |
TEXT 或 LOCATION |
是 |
client.send_quick_replies(user_id, "Help", [
QuickReply("Projects", Intent.PROJECT),
QuickReply("Blog", Intent.BLOG),
QuickReply("Contact Me", Intent.CONTACT_ME)
])
按钮模板
ActionButton(button_type, title, url, payload) 类定义了一个包含文本和按钮附件的按钮模板,用于请求用户输入。
| 参数 | 描述 | 必填 |
|---|---|---|
button_type |
WEB_URL 或 POSTBACK |
是 |
title |
按钮标题 | 是 |
url |
链接 | 仅当 button_type 为 url 时 |
payload |
点击后的有效载荷字符串 | 仅当 button_type 为 POSTBACK 时 |
client.send_buttons(user_id, "You can find me with below", [
ActionButton(ButtonType.WEB_URL, "Blog", "http://blog.enginebai.com"),
ActionButton(ButtonType.POSTBACK, "Email", Intent.EMAIL)
])
通用模板
GenericElement(title, subtitle, image_url, buttons) 类定义了一个水平可滚动的商品轮播,每个商品都包含一张图片附件、简短描述以及用于请求用户输入的按钮。
| 参数 | 描述 | 必填 |
|---|---|---|
title_text |
消息主标题 | 是 |
subtitle_text |
消息副标题,不需要的话可以留空 | 否 |
button_list |
ActionButton 的列表 |
是 |
project_list = []
for project_id, project in projects.items():
project_list.append(GenericElement(
project["title"],
project["description"],
config.api_root + project["image_url"], [
ActionButton(ButtonType.POSTBACK,
self._get_string("button_more"),
# Payload use Intent for the beginning
payload=Intent.PROJECTS.name + project_id)
]))
client.send_generic(user_id, project_list)
实用 API
订阅页面
在你的聊天机器人开始接收消息之前,你需要将应用程序订阅到你的聊天机器人页面。要订阅页面,只需调用:
client.subscribe_to_page()
设置欢迎消息和“开始使用”按钮

问候语仅会在用户首次在移动端打开此聊天机器人时显示。有效载荷是用户点击“开始使用”按钮时触发的内容。
client.set_greeting_text("Hi, this is Engine Bai. Nice to meet you!")
client.set_get_started_button_payload("HELP") # 指定一个有效载荷字符串。
问题
欢迎提交 bug 报告或功能请求,并在打开任何 issue 之前务必阅读贡献指南。
贡献
- 检查当前已打开或已关闭的 issue,或者为功能请求或 bug 报告打开一个新的 issue,并使用不同的标签(
feature/bug)。 - 在 GitHub 上 fork 此 仓库,以便在 master 分支或新分支上进行自定义。
- 编写一个测试,以证明该功能按预期工作,或 bug 已被修复。
- 发送 pull request,并等待代码审查。
许可证
MIT 许可证 (MIT)
版权所有 © 2017 Engine Bai。
特此授予任何人免费获取本软件及其相关文档文件(“软件”)副本的权利,允许其以任何方式处理该软件,包括但不限于使用、复制、修改、合并、发布、分发、再许可和/或销售该软件的副本,并允许向接收软件的人提供该软件,但须遵守以下条件:
上述版权声明和本许可声明应包含在该软件的所有副本或实质性部分中。
“软件”按“原样”提供,不提供任何形式的担保,无论是明示的还是默示的,包括但不限于适销性、特定用途适用性和非侵权性。在任何情况下,作者或版权所有者均不对任何索赔、损害或其他责任负责,无论这些责任是基于合同、侵权行为或其他原因产生的,也无论这些责任是否与该软件或其使用有关,或以其他方式与之相关。
常见问题
相似工具推荐
openclaw
OpenClaw 是一款专为个人打造的本地化 AI 助手,旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚,能够直接接入你日常使用的各类通讯渠道,包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息,OpenClaw 都能即时响应,甚至支持在 macOS、iOS 和 Android 设备上进行语音交互,并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地,用户无需依赖云端服务即可享受快速、私密的智能辅助,真正实现了“你的数据,你做主”。其独特的技术亮点在于强大的网关架构,将控制平面与核心助手分离,确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者,以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力(支持 macOS、Linux 及 Windows WSL2),即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你
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。
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
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。
gemini-cli
gemini-cli 是一款由谷歌推出的开源 AI 命令行工具,它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言,它提供了一条从输入提示词到获取模型响应的最短路径,无需切换窗口即可享受智能辅助。 这款工具主要解决了开发过程中频繁上下文切换的痛点,让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用,还是执行复杂的 Git 操作,gemini-cli 都能通过自然语言指令高效处理。 它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口,具备出色的逻辑推理能力;内置 Google 搜索、文件操作及 Shell 命令执行等实用工具;更独特的是,它支持 MCP(模型上下文协议),允许用户灵活扩展自定义集成,连接如图像生成等外部能力。此外,个人谷歌账号即可享受免费的额度支持,且项目基于 Apache 2.0 协议完全开源,是提升终端工作效率的理想助手。
markitdown
MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具,专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片(含 OCR)、音频(含语音转录)、HTML 乃至 YouTube 链接等多种格式的解析,能够精准提取文档中的标题、列表、表格和链接等关键结构信息。 在人工智能应用日益普及的今天,大语言模型(LLM)虽擅长处理文本,却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点,它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式,成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外,它还提供了 MCP(模型上下文协议)服务器,可无缝集成到 Claude Desktop 等 LLM 应用中。 这款工具特别适合开发者、数据科学家及 AI 研究人员使用,尤其是那些需要构建文档检索增强生成(RAG)系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性,但其核心优势在于为机器