墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
8分发平台
200+累计阅读
31平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
如果你这边有企业资质，就可以自己做企业认证，直接申请 QQ 官方机器人。
要是没有企业认证的话，可以去闲鱼看看，找商家做代认证，也能直接买现成的 QQ 官方机器人账号，具体多少钱，直接问闲鱼上面的卖家就可以。
注意一点，我们的在线客服系统是不卖这个机器人账号的，也没办法帮你把全套事情代办完。拿到机器人账号之后，你得把相关参数填到咱们在线客服系统里面，这样才能在系统里面收发消息，实现聊天功能。
还有几个规则大家要记牢：所有 QQ 官方机器人都要求实名认证，企业用的就必须做企业实名认证。
一家企业最多可以建 10 个 QQ 官方机器人，这 10 个机器人全都支持别人搜索到，也允许别人添加。
它和咱们普通的个人 QQ 不一样，个人号会有被添加人数上限，而 QQ 官方机器人没有这个限制，多少人来申请加好友都可以接得住。要是你的 QQ 官方机器人做的是个人认证，在 QQ 开放平台这边，别人是搜不到你这个机器人，也加不了的。
只有做了企业认证的 QQ 官方机器人，才能打开两个功能，一个是允许其他人添加机器人，另一个就是支持被搜索到展示出来
Appstore 3.2(f)违规自救指南：从触发到申诉的完整应对策略
本文详细解析了Appstore 3.2(f)违规的应对策略，从触发原因到申诉流程，帮助开发者有效自救。文章涵盖隐瞒行为、账户关联和信息造假三大违规场景的判定逻辑，并提供申诉信写作的黄金法则和长期合规防御措施，确保开发者能够顺利通过苹果审核。
NoneBot2搭建官方QQ机器人-简单易上手
本文是使用最新版使用NoneBot2(2.4版本) + 官方QQ 频道/群聊 机器人(需要在QQ 开放平台申请创建机器人)。
全志Longan和Tina系统T113-S3-（Tina Linux 系统介绍）
Tina Linux是全志科技基于Linux内核开发的针对智能硬件类产品的嵌入式软件系统。Tina Linux基于openwrt-14.07 版本的软件开发包，包含了 Linux 系统开发用到的内核源码、驱动、工具、系统中间件与应用程序包。Tina系统软件架构如图所示。从下至上分别为Kernel && Driver、Libraries、System Services、Applications 四层。
手把手注册一个QQ官方机器人：从零到能用的完整流程
想做 QQ 机器人接客服、做自动回复，很多人第一反应是"能不能直接给我个现成账号"——这个真给不了，。不过别慌，注册流程其实不复杂，一步步来就行。
【板栗糖GIS】新装ArcGIS必调的12个隐藏设置——【效率翻倍指南】
本文详细介绍了新装ArcGIS后必调的12个隐藏设置，涵盖性能优化、路径管理、显示调校、工作流定制等方面，帮助用户显著提升GIS工作效率。从关闭后台地理处理到启用硬件加速，再到个性化快捷键配置，这些实用技巧能让ArcGIS运行更流畅，操作更便捷。
基于STM32F4XX 、HAL库的SHT40-CD1B-R3温湿度传感器驱动应用C语言程序设计
define SHT40_ADDR_READ 0x8B // CD1B 读地址 ((0x45 << 1) + 1)#define SHT40_ADDR_WRITE 0x8A // CD1B 写地址 (0x45 << 1)// 初始化 I2C1 (根据 CubeMX 生成的函数)// 湿度: -6%RH + 125%RH * (raw / 2^16)// 温度: -45°C + 175°C * (raw / 2^16)// 返回值: 0=成功, 1=失败(CRC错误或I2C通信错误)
手把手：创建一个属于你自己的 QQ 官方机器人
想做 QQ 机器人，第一步是把它建出来。今天把从注册到创建、再到开发对接的完整流程给你捋一遍，照着做就行。
ESP32开发进阶：1.接入文心一言
ESP32开发进阶：接入文心一言大模型，串口对话
OpenClaw与QQ机器人对接实战指南
机器人框架是现代自动化消息处理的核心技术，通过协议对接实现跨平台交互。OpenClaw作为开源框架，其模块化设计支持快速集成各类通讯协议。本文以QQ平台对接为例，详解从环境配置到功能实现的完整流程，重点介绍消息处理、群管理、性能优化等关键技术点。通过Python异步编程和Webhook机制，开发者可以构建高并发的自动化机器人系统。典型应用场景包括智能客服、社群运营和消息中转等，其中OpenClaw的跨平台特性尤为适合需要同时管理多个通讯渠道的场景。教程还包含安全防护、性能调优等实战经验，帮助开发者规避常见问
uniapp H5刷新页面后返回按钮失效问题完美解决方案
这个问题其实很隐蔽，尤其是uniapp H5 场景下刷新导致栈清理，很多开发者一开始都懵掉了。uniapp 内部对「页面栈只有一个」时的返回逻辑是reLaunch；所以只要在这个分支里替换为自己的逻辑（比如），就能顺利实现预期。目前我在项目里已经跑通了，暂时没发现问题。不得不说，知道源码里这个逻辑后，真的是醍醐灌顶，只能膜拜框架大佬了 🤯。
ssd训练自己的数据集
基于SSD实现目标检测（训练自己的数据集）
OpenClaw接入QQ机器人：三步实现智能自动化
对话系统框架作为现代自动化工具的核心组件，通过模块化设计实现功能扩展。OpenClaw采用技能包(Skill)架构，开发者可快速集成自然语言处理等AI能力。在即时通讯场景中，这类技术显著提升群管理、智能应答等场景的运营效率。本次技术突破在于实现QQ协议的无缝对接，配合Go-cqhttp中间件，用户可通过Docker容器快速部署。实测表明，在4核CPU/4GB内存的Ubuntu环境中，能稳定运行自动回复、定时任务等常见功能，为游戏社群、教育小组等场景提供低成本自动化方案。
【WRF数据准备】土地利用数据-MODIS MCD12Q1数据下载及制备
【WRF数据准备】MODIS静态地理数据下载及制备
Python构建QQ官方机器人：基于v3接口的自动化群管理方案
QQ群机器人是面向社群运营与企业协作的消息自动化交互系统，其核心原理基于QQ开放平台v3接口的Webhook事件驱动机制与OAuth2.0鉴权体系；技术价值在于将人工盯屏转化为可追踪、可沉淀、可联动业务的动作流，显著提升信息分发效率与响应一致性；典型应用场景包括新人入群自动引导、活动报名卡片化交互、违规消息实时处置等；本方案以Python为开发语言，强调快速搭建与生产就绪并重，深度融合FastAPI异步服务、Pydantic结构校验与Redis事件去重等工程实践，适用于中小社群、Python初学者及IT支持
visio安装包
Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表，创建专业级图表以简化复杂的信息。
Statistics and Machine Learning Toolbox
Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具
Mac Mouse Fix终极指南：让你的普通鼠标变身macOS生产力神器
还在为macOS对第三方鼠标支持不佳而烦恼吗？Mac Mouse Fix是一款开源免费的工具，它能彻底改变你在macOS上使用鼠标的体验。通过这款macOS鼠标增强工具，你可以解锁鼠标侧键的强大功能，获得媲美苹果触控板的流畅滚动体验，让任何普通鼠标都能发挥出超越预期的性能。 想象一下：用鼠标侧键一键切换标签页、快速启动应用、智能缩放网页……这些原本需要键盘组合键才能完成的操作，现在只需要轻轻一按
蓝牙模块HM-10手册
蓝牙模块HM-10手册，该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。
（保姆级教程）通过官方API搭建一个自己的QQ群聊机器人
用官方api做了一个qq群聊机器人的demo，有获取天气、简单编辑待办、从本地发送图片等功能。
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
手把手QQ机器人制作教程，根据官方接口进行开发，基于Python语言制作的详细教程（更新中）
为了方便使用我们也可以，直接使用PythonPycharmSSH连接我们的的小程序服务器端这边我们现在宝塔面板下载id_rsa密钥文件，当然你也可以直接host+password进行连接。上面的教程只实现一个简单的获取天气的功能，但是我们做的是天气机器人，希望实现一个报告天气的功能。我们希望能提供不同用户不同地方的天气，但是发太多的消息会影响其它的用户。兼容提示原机器人的老版本qq-bot仍然可以使用，但新接口的支持上会逐渐暂停，此次升级不会影响线上使用的机器人。.....................
如何基于 Python 快速搭建 QQ 开放平台 QQ 群官方机器人详细教程（更新中）
配置完成后，群主可从沙箱群“设置-群机器人”打开机器人列表页添加测试机器人进行开发调试。部分之前就注册的机器人可能不需要进行配置，但是新注册的机器人在进行腾讯开放平台的提审之前，需要进行 IP 白名单的配置。原机器人的老版本qq-bot仍然可以使用，但新接口的支持上会逐渐暂停，此次升级不会影响线上使用的机器人。QQ 机器人：一个机器人可以被添加到 群聊/频道 内对话，QQ 用户也可以直接跟机器人 单独对话。如需开发在QQ群使用的机器人功能请完成此项配置。注意：每个事件会下发具体的数据对象，如。
python3实现QQ官方机器人回调验证
考虑到第三方的机器人现在越来越难维持了，来捣鼓一下官方的机器人。虽然官方藏着掖着不肯开放很多功能，但起码能用。官方机器人的优点是稳定，只要申请成功，且你自己不乱搞，基本不存在被封的可能，缺点是藤子对其严格到令人发指的管控，包括已经完全关闭主动发送消息功能只能被动回复消息，无法获得用户的QQ号、群的QQ号等等。这里记录一下自己对接QQ官方机器人的过程。仅粗略记录准备工作和如何实现回调验证，不记录具体实现的业务逻辑。
2024 年最新使用 Node 搭建QQ开放平台官方 QQ 频道机器人详细教程（更新中）
QQ频道机器人是一种对QQ频道进行功能扩展的程序，通过开放的接口，让开发者能够实现开发出交互形式丰富的机器人，以辅助实现频道/社群内的管理、消息互动，满足频道主或群主运营者多样化、个性化的运营需求，从而提高运营效率，同时为用户带来丰富的服务和便捷的体验。资料提交成功后，即会生成 appid，点击对应的应用即可跳转管理端。
喂饭级教程：OpenClaw 对接 QQ 机器人，本地/腾讯云都能用
还记得以前玩 QQ 机器人吗？那时候得写一堆乱七八糟的代码，还得防着被系统检测，搞得跟做贼似的。现在好了，OpenClaw 这个开源神器直接把门槛砍到了脚底板——你只需要会复制粘贴，就能让 AI 住进你的 QQ，帮你回消息、抓数据、写周报，甚至帮你打游戏挂机。OpenClaw 这玩意儿前身叫 Clawdbot，后来又改名叫 Moltbot，现在终于定下来叫 OpenClaw 了。名字变来变去，但核心逻辑没变：它是一个本地优先的 AI 自动化平台，说人话就是"让 AI 帮你干杂活"的工具。
如何用Python开发QQ机器人
tanleiDDhttps://blog.youkuaiyun.com/TL18382950497/article/details/112321956前言虽然该文最终是达到以python开发mirai...
（保姆级代码详解）使用Nonebot2+官方API搭建QQ群聊机器人
之前和群u一起基于nonbot2的qq适配器搭了个群聊机器人。关于Nonebot2 QQ适配器的基本配置+QQ开放平台使用教程，QQ交流群：710101225欢迎一起来讨论~
【QQ机器人】简易部署，仅使用官方开源python代码，无需外部框架接入
本文介绍了基于Webhook方式接入QQ机器人官方接口的详细步骤。主要内容包括：1）在QQ开放平台注册机器人账号，配置沙箱环境、IP白名单和回调地址；2）服务器端部署Python环境、安装依赖库；3）配置Apache反向代理和SSL证书；4）编写Webhook服务核心代码，处理消息事件；5）创建系统服务实现后台运行。文章特别强调了回调地址验证、消息格式转换等关键环节的注意事项，并提供了完整的代码示例和调试方法。该方案采用纯Webhook方式实现机器人功能。
分享一款QQ机器人框架（可接入QQ频道、QQ群）
分享一款QQ机器人框架（可接入QQ频道、QQ群） 此机器人框架，是接入到QQ机器人官方渠道，需要在官方平台注册申请：https://q.qq.com 使用官方QQ机器人，可以杜绝使用个人QQ出现封号的情况 安装使用教程：点击进入。分享一款QQ机器人框架（可接入QQ频道、QQ群）-迪思分享。使用官方QQ机器人，可以杜绝使用个人QQ出现封号的情况。分享一款QQ机器人框架（可接入QQ频道、QQ群）
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
664
扫一扫
