WeChatFerry
WeChatFerry 是一款基于微信 Hook 技术的开源自动化框架,致力于打通微信与外部程序的连接。它能将微信转化为可编程的智能终端,轻松接入 DeepSeek、ChatGPT 等大模型,实现自动回复、消息转发及多媒体处理。
针对微信官方未开放 API 导致自动化受限的问题,WeChatFerry 提供了一套完整的解决方案,涵盖登录状态查询、文本图片发送、群成员管理及数据库操作等功能。其技术亮点在于极高的兼容性,不仅提供 Python SDK,还衍生出 HTTP、NodeJS、Java、C# 等多种语言接口,方便不同技术栈的开发者集成。
WeChatFerry 适合具备编程基础的开发者和自动化研究者使用。由于涉及底层 Hook 机制,使用者需自行搭建运行环境并关注相关合规风险。对于希望利用微信生态进行二次开发或构建个人助理的用户来说,WeChatFerry 是一个灵活且强大的选择。
使用场景
某生鲜电商社群运营者每天需手动回复数百条客户咨询并同步群公告,工作强度极大且容易出错。
没有 WeChatFerry 时
- 人工复制粘贴消息效率低,高峰期容易漏回或错发,影响用户体验。
- 无法实时同步商品库存变动,常因超卖引发纠纷,售后成本高昂。
- 夜间无人值守导致客户流失,错失大量夜间下单的销售机会。
- 统计用户反馈数据需手动整理 Excel,耗时且易出错,难以优化策略。
使用 WeChatFerry 后
- WeChatFerry 自动识别关键词并接入大模型,实现秒级智能回复,准确率达 90% 以上。
- 系统监控后台数据库,自动将促销信息精准推送至群聊,减少人工干预。
- 7x24 小时在线响应,夜间也能自动处理订单咨询,显著提升转化率。
- 直接抓取聊天记录生成报表,无需人工统计即可分析用户需求,辅助决策。
WeChatFerry 通过自动化连接微信与大模型,彻底解放人力实现社群高效运营。
运行环境要求
- Windows
未说明
未说明

快速开始
WeChatFerry
一个玩微信的工具。更多介绍见:WeChatFerry: 一个玩微信的工具。
⚠️ 免责声明【必读】⚠️
请阅读完整的免责声明:点击查看
| 📖 Python 文档 | 📺 Python 视频教程 | 🙋 FAQ |
|---|
👉 WeChatRobot🤖,一个基于 WeChatFerry 的 Python 机器人示例。
点击查看功能清单
- 获取登录二维码
- 查询登录状态
- 获取登录账号信息
- 获取消息类型
- 获取联系人
- 获取可查询数据库
- 获取数据库所有表
- 获取语音消息
- 发送文本消息(可 @)
- 发送图片消息
- 发送文件消息
- 发送卡片消息
- 发送 XML 消息
- 发送 GIF 消息
- 拍一拍群友
- 转发消息
- 开启接收消息
- 关闭接收消息
- 查询数据库
- 获取朋友圈消息
- 下载图片、视频、文件
- 解密图片
- 通过好友申请
- 添加群成员
- 删除群成员
- 邀请群成员
点击查看支持的客户端
- Python
- HTTP
- NodeJS
感谢大佬们贡献代码
快速开始
Python
- 安装
pip install --upgrade wcferry
- 参考示例:🤖WeChatRobot
HTTP
- wcfrust(基于 Rust)
- go_wcf_http(基于 Go)
- wrest-chat(基于 Go)
- wcf-http(基于 Python)
Java
NodeJS
C#
- WeChatFerry.Net 使用 Nuget 安装
- WeChatFerry-CSharp
Rust
Docker
一起开发
🚫 非开发用户不需要往下看。
开发用户:可以根据文档和错误提示,自行解决编译错误的人员。
安装开发环境
点击查看
安装 vcpkg
- 安装,参考Vcpkg: 总览。
cd C:\Tools
git clone https://github.com/microsoft/vcpkg
.\vcpkg\bootstrap-vcpkg.bat
- 添加全局配置:
环境变量增加
vcpkg所在路径(本文为:C:\Tools\vcpkg):
setx VCPKG_ROOT "C:/Tools/vcpkg" /M
- 与 Visual Studio 集成
vcpkg integrate install # 失败则说明未正确安装或者未正确配置环境变量
安装相关组件
编译时会自动安装。但如果需要使用 protoc.exe,则需要配置一下 protoc.exe 环境变量:<vcpkg_package_installed_path>\x64-windows-static\x64-windows-static\tools\protobuf。
(本文为:C:\Projs\WeChatFerry\WeChatFerry\vcpkg_installed\x64-windows-static\x64-windows-static\tools\protobuf)
安装 VS2019
安装 Python3
通过微软商店或者 python.org 自行下载均可(注意 python 版本不能太高,否则需要自行编译依赖,建议使用 python 3.10),然后配置好环境变量,确保 python 在命令行下可用。
安装依赖:
pip install grpcio-tools==1.48.2
编译
使用 VS2019 打开工程,编译即可。编译成功后,在 WeChatFerry\WeChatFerry\Out 目录中会看到相应的 DLL 文件。
注:如果遇到执行 protoc 时的 9009 错误,检查是否是 python3 环境有问题,或者 protoc 命令的环境变量配置不正确。
运行
import ctypes
# 加载 sdk.dll (需要绝对路径)
sdk = ctypes.cdll.LoadLibrary("C:/Projs/WeChatFerry/WeChatFerry/Out/sdk.dll")
# 初始化
sdk.WxInitSDK(False, 10086)
# 退出 SDK
sdk.WxDestroySDK()
# 注意关闭 Python 进程
调试日志
util::dbg_msg("ListenMessage"); // 封装的 OutputDebugString
OutputDebugString(L"ListenMessage\n");
MessageBox(NULL, L"ListenMessage", L"ListenMessage", 0);
项目结构
WeChatFerry
├── LICENSE # LICENSE
├── README.MD # 说明
├── WeChatFerry
│ ├── WeChatFerry.sln # VS2019 工程文件
│ ├── com # 公共模块
│ ├── rpc # RPC 模块
│ ├── sdk # 注入及启动模块
│ ├── smc # Silk-Mp3 转换模块
│ └── spy # 核心功能实现模块
├── assets
│ ├── QR.jpeg # 二维码,测试用图
│ ├── TEQuant.jpg # 二维码,测试用图
│ └── demo.gif # 示例动图
├── clients
│ ├── go # Go 客户端
│ ├── gohttp # HTTP 客户端
│ ├── http # HTTP 客户端
│ ├── java # Java 客户端
│ ├── node # Node.js 客户端
│ ├── pyauto # 群友封装的客户端
│ ├── python # Python 客户端
│ └── rust # Rust 客户端
└── docs # 文档
版本更新
v39.5.2
- 没有新功能
点击查看更多
客户端越来越多了,版本号开始混乱,所以重新定义了版本号:w.x.y.z。
其中:
w是微信的大版本号,如37(3.7.a.a),38(3.8.a.a),39(3.9.a.a)x是适配的微信的小版本号,从 0 开始y是WeChatFerry的版本,从 0 开始z是各客户端的版本,从 0 开始
v39.5.1
- 修复邀请进群偶发失败
- 修复获取 wxid 失败
v39.5.0
- 适配
3.9.12.51。
v39.4.5
- 修复发送 XML 功能。
v39.4.4
- 实现发送 XML 功能。
v39.4.3
- 实现通过好友申请功能。
v39.4.2
- 修复附件下载类型错误。
v39.4.1
- 修复乱码问题。
v39.4.0
- 重构代码,适配
3.9.12.17。
v39.3.5
- 代码优化
v39.3.4
- 实现获取登录二维码
v39.3.3
- 修复发送文件 / 图片中文路径问题
v39.3.2
- 修复接收消息问题
v39.3.0
- 适配
3.9.11.25
v39.2.4
- 修复 wxid 问题
v39.2.3
- 实现发送 GIF
v39.2.2
- 修复开启、停止接收消息失败问题
v39.2.1
- 实现了好多功能(见功能清单)
v39.2.0
- 开始适配
3.9.10.27 - 实现检查登录状态
- 实现获取登录账号信息(wxid、昵称、手机号、数据目录)
- 实现获取消息类型
- 实现开启接收消息
- 实现停止接收消息
- 实现发送文本消息(可 @)
- 实现发送图片消息
v39.1.0 (2024.04.19)
- 适配 x64 环境
- 重构项目
- 开始适配
3.9.10.19
版本历史
v39.5.22026/03/28常见问题
相似工具推荐
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
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。
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。
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。
PaddleOCR
PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来,转换成计算机可读取的结构化数据,让机器真正“看懂”图文内容。 面对海量纸质或电子文档,PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域,它扮演着连接图像与大型语言模型(LLM)的桥梁角色,能将视觉信息直接转化为文本输入,助力智能问答、文档分析等应用场景落地。 PaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显:不仅支持全球 100 多种语言的识别,还能在 Windows、Linux、macOS 等多个系统上运行,并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目,PaddleOCR 既能满足快速集成的需求,也能支撑前沿的视觉语言研究,是处理文字识别任务的理想选择。
awesome-machine-learning
awesome-machine-learning 是一份精心整理的机器学习资源清单,汇集了全球优秀的机器学习框架、库和软件工具。面对机器学习领域技术迭代快、资源分散且难以甄选的痛点,这份清单按编程语言(如 Python、C++、Go 等)和应用场景(如计算机视觉、自然语言处理、深度学习等)进行了系统化分类,帮助使用者快速定位高质量项目。 它特别适合开发者、数据科学家及研究人员使用。无论是初学者寻找入门库,还是资深工程师对比不同语言的技术选型,都能从中获得极具价值的参考。此外,清单还延伸提供了免费书籍、在线课程、行业会议、技术博客及线下聚会等丰富资源,构建了从学习到实践的全链路支持体系。 其独特亮点在于严格的维护标准:明确标记已停止维护或长期未更新的项目,确保推荐内容的时效性与可靠性。作为机器学习领域的“导航图”,awesome-machine-learning 以开源协作的方式持续更新,旨在降低技术探索门槛,让每一位从业者都能高效地站在巨人的肩膀上创新。


