文档 on HappyRock

Hermes Web Chat MVP 实战：从0搭建自己的AI网页聊天系统（完整版）

Thu, 09 Jul 2026 00:23:18 +0800

第一章 为什么要做 Hermes Web Chat

第二章 整体架构设计

第三章 项目目录

第四章 前端页面开发

第五章 FastAPI Backend

第六章 DeepSeek调用

第七章 API设计

第八章 OpenResty代理配置

第九章 HTTPS部署

第十章 Systemd部署

第十一章 常见问题排查

第十二章 性能优化

第十三章 下一步升级方向

附录A 全部源码

附录B 完整nginx配置

附录C 完整systemd配置

第一章为什么要做 Hermes Web Chat

之前我们的Hermes Agent已经可以：

✅ 企业微信

✅ Redis Queue

✅ Worker

✅ DeepSeek

但是存在一个问题。

所有入口都是企业微信。

调试十分麻烦。

于是我们决定先做一个：

浏览器 → Hermes → DeepSeek

这是整个Hermes最轻量的一层。

整体结构如下：

Browser

     │

     ▼

index.html

     │

fetch()

     │

     ▼

FastAPI

     │

DeepSeek SDK

     │

     ▼

DeepSeek API

     │

返回答案

     │

     ▼

Browser

整个链路非常简单。

企业微信 AI 自动回复系统实战排障记录（Docker + FastAPI + Redis）

Thu, 02 Jul 2026 04:23:18 +0800

这次问题排查覆盖了一个典型的“企业级 AI 消息链路系统”，从 Webhook → Redis 队列 → Worker → AI → 企业微信发送，全链路几乎都踩了一遍坑。

整套问题最终可以总结为一句话：

不是系统没跑，而是“多层结构 + 配置 + 缩进 + import + 启动方式”叠加导致链路断裂。

一、系统架构设计（目标状态）

整体系统设计如下：

企业微信消息
        ↓
FastAPI Webhook（wecom-bot）
        ↓
Redis Queue（解耦）
        ↓
Worker 消费队列
        ↓
DeepSeek / AI分析
        ↓
企业微信发送接口

二、初始现象

系统启动后出现以下问题：

❌ 企业微信收不到自动回复
❌ worker 容器频繁重启
❌ Redis 队列有数据但无反馈
❌ FastAPI 接口日志正常但无结果

三、问题排查全过程（关键坑点）

1️⃣ Worker 直接崩溃：缺少 Python 包

错误日志：

ModuleNotFoundError: No module named 'app'

原因：

Docker 中 Python 没有设置模块路径

企业微信 AI 自动回复系统完整实施方案（可运行版本）

Thu, 02 Jul 2026 01:23:18 +0800

下面是一篇完整可落地的“企业微信 AI 机器人（DeepSeek + Redis + Worker 架构）实施方案”，把我自己实施已经踩过的坑（回调、队列、worker、IP白名单、发送失败等）全部整合成一套标准化步骤。

一、整体架构设计

这是一个典型的“事件驱动 + 队列解耦 + AI处理”的架构：

企业微信用户
      │
      ▼
企业微信服务器
      │
      ▼
Nginx / OpenResty（反向代理 + HTTPS）
      │
      ▼
FastAPI（回调接收 / 解密 / 入队）
      │
      ▼
Redis 队列（wecom_queue）
      │
      ▼
Worker（消费任务）
      │
      ├── 调用 DeepSeek（AI生成）
      ▼
企业微信消息发送 API
      │
      ▼
用户收到回复

二、环境准备

1. 安装基础依赖

apt update
apt install -y docker docker-compose

2. 创建项目目录

mkdir -p /opt/ai/wecom-bot
cd /opt/ai/wecom-bot

3. Docker Compose 基础服务

services:
  wecom-bot:
    build: .
    container_name: wecom-bot
    ports:
      - "8000:8000"
    depends_on:
      - redis

  worker:
    build: .
    container_name: wecom-worker
    command: python -m app.worker
    depends_on:
      - redis

  redis:
    image: redis:7-alpine
    container_name: ai-redis

三、FastAPI 回调服务（核心入口）

文件：`app/main.py`

核心职责：

企业微信 + DeepSeek：从0到1搭建一个可用的 AI Agent 实战记录

Wed, 01 Jul 2026 08:23:18 +0800

在企业内部做 AI 自动化时，很多人会卡在一个最基础的问题上：

“企业微信回调明明都通了，但就是不回复。”

这篇文章记录的是一次完整的实战过程：从企业微信回调接入，到 DeepSeek 驱动 AI 回复，最终跑通一个可用的 AI Agent。

这不是概念，而是一套真实跑起来的系统。

一、整体目标

我们要做的是一个最小可用 AI Agent：

企业微信消息 → AI处理（DeepSeek）→ 自动回复

核心链路：

企业微信
   ↓
OpenResty / Nginx
   ↓
FastAPI 服务
   ↓
DeepSeek API
   ↓
加密回复
   ↓
企业微信

二、技术选型

为了保证稳定性与可维护性，选择如下组合：

企业微信：消息入口
FastAPI：回调服务
wechatpy：加解密库
DeepSeek：大模型能力
Docker：运行环境
OpenResty/Nginx：反向代理

三、企业微信回调的本质（最容易踩坑的点）

企业微信的回调不是普通 HTTP API，而是一个加密通信协议：

1. 请求是加密的 XML

<xml>
  <Encrypt>...</Encrypt>
  <MsgSignature>...</MsgSignature>
  <TimeStamp>...</TimeStamp>
  <Nonce>...</Nonce>
</xml>

2. 必须解密后才能拿到消息内容

3. 回复必须再次加密

👉 重点：

❗“不是收到了 HTTP 请求就结束了，而是必须完整完成加解密闭环”

四、核心实现（最终稳定版本逻辑）

1. 解密整个 XML（关键修复点）

decrypted_xml = crypto.decrypt_message(
    body.decode("utf-8"),
    msg_signature,
    timestamp,
    nonce
)

✔ 正确方式是传入整个 XML body ❌ 不是只传 Encrypt 字段

使用 Let’s Encrypt 免费为网站申请 HTTPS 证书(完整教程)

Thu, 25 Jun 2026 22:42:54 +0800

📌 本文介绍如何在 Linux（Ubuntu / Debian / CentOS）服务器上，为域名配置免费的 HTTPS 证书，并自动续期。

适用于：

Nginx / OpenResty
PHP 网站（如论坛、Flarum）
静态站点（Hugo / Vue SPA）
API 服务

一、准备条件

1️⃣ 必须具备

已解析好的域名（A 记录指向服务器 IP）
服务器可访问 80 / 443 端口
root 或 sudo 权限

2️⃣ 检查域名解析

ping forum.happyrock.cloud

或：

nslookup forum.happyrock.cloud

确认指向你的服务器 IP。

二、安装 Certbot（证书申请工具）

Certbot 是 Let’s Encrypt 官方推荐工具：

Certbot

Ubuntu / Debian

sudo apt update
sudo apt install certbot python3-certbot-nginx -y

CentOS / RHEL

sudo yum install epel-release -y
sudo yum install certbot python3-certbot-nginx -y

三、申请 HTTPS 证书（自动模式）

方式一：Nginx 自动配置（推荐）

sudo certbot --nginx

执行后会：

Docker Desktop + n8n + Qdrant + Embedding 自动入库链完整教程

Fri, 19 Jun 2026 16:19:24 +0800

🚀 Docker Desktop + n8n + Qdrant + Embedding 自动入库链完整教程

一套可以直接跑的「本地AI知识库系统」： Webhook → Embedding → n8n处理 → Qdrant向量数据库 → 可检索知识库结合我自己前面踩的坑（Webhook解析、vector格式、HTTP JSON错误、payload结构等），全部做成“避坑版”。

🧱 一、整体架构

用户请求(Webhook)
        ↓
n8n Workflow
        ↓
Embedding模型（Ollama / OpenAI）
        ↓
Set Node（结构标准化）
        ↓
HTTP Request（写入Qdrant）
        ↓
Qdrant Vector DB
        ↓
后续检索 / RAG

🐳 二、Docker Desktop 启动 Qdrant + n8n

1️⃣ docker-compose.yml

version: "3.9"

services:
  qdrant:
    image: qdrant/qdrant
    ports:
      - "6333:6333"
    volumes:
      - ./qdrant_data:/qdrant/storage

  n8n:
    image: n8nio/n8n
    ports:
      - "5678:5678"
    environment:
      - N8N_HOST=localhost
      - N8N_PORT=5678
      - N8N_PROTOCOL=http
      - NODE_ENV=production
    volumes:
      - ./n8n_data:/home/node/.n8n

启动：

从零搭建 AI 新闻自动化系统：Ubuntu 部署 n8n + DeepSeek + Hugo 实战教程

Sun, 07 Jun 2026 00:23:18 +0800

作者：HappyRock

适合人群：开发者、独立开发者、技术管理者、AI爱好者

技术栈：Ubuntu + Docker + n8n + DeepSeek + Hugo

前言

过去几年，我们习惯了：

打开RSS
↓
浏览新闻
↓
筛选热点
↓
整理摘要
↓
写公众号
↓
发布博客

整个过程往往需要 1~2 小时。

而在 AI Agent 时代，这些工作已经可以交给 AI 自动完成。

本文将完整记录如何从零开始：

Ubuntu 部署 n8n
配置 Docker Compose
对接 DeepSeek API
自动抓取 AI 新闻
自动筛选和排序热点
自动生成公众号内容
自动输出 Hugo Markdown

最终形成一个属于自己的 AI 内容生产系统。

一、为什么选择 n8n？

很多人第一次接触自动化时会遇到：

Python + Crontab Shell Script Airflow Jenkins

这些方案虽然强大，但门槛较高。

n8n 的优势在于：

低代码
可视化
支持AI
支持Webhook
支持API
支持数据库
支持工作流编排

本质上：