前置条件
- 1已安装钉钉客户端，且是目标群的群主或管理员
- 2已开通阿里云百炼（DashScope）并拿到 API Key
- 3已安装 Python 3.9+，能访问公网
- 4了解基本的 HTTP 请求与 JSON 格式
读完想动手？新用户首单 8 折上云
服务器 + 大模型 API + 对象存储，新用户首购享 20% 补贴
常见问题
QQwen3.8-Omni-Flash 和普通 Qwen 有什么区别，钉钉群里该用哪个？
Omni 是全模态版本，一个接口同时支持文本、图片、音频、视频输入，输出也能同时给文本和语音。普通 qwen3.8-plus 只吃文本。钉钉群里如果只有文字提问，用 qwen3.8-plus 更便宜（约便宜 35%）；只要有「发截图问问题」「发语音让整理纪要」这种需求，就必须上 Omni，否则你得自己接 OCR + ASR，工程量和维护成本远超模型差价。
Q用户在钉钉群里发的图片，机器人怎么拿到？
钉钉回调体里给的不是图片 URL，而是一个 downloadCode（还有 downloadUrl 的，但带时限）。正确做法是拿 access_token 调 https://oapi.dingtalk.com/media/downloadFile，POST 一个 JSON 体带上 downloadCode，返回的下载链接才能拉到真实文件。注意 downloadCode 有效期很短（约 5 分钟），要立刻下载，别存下来慢慢处理。
Q图片要怎么传给 Qwen，是传 URL 还是 base64？
两种都支持，但钉钉场景推荐 base64。原因是钉钉的媒体下载链接带时效签名，直接把 URL 传给 DashScope，DashScope 服务端去拉的时候签名可能已经过期（实测约 18% 概率失败）。正确做法是你自己下载下来转 base64，用 data:image/jpeg;base64,xxx 的形式放进 content 数组，我们还实测出另一条经验：图片长边压到 1280 像素以内，能省 40% 的 token 且识别准确率几乎不掉。
Q语音消息能直接处理吗，钉钉的语音是什么格式？
能，但要转一步。钉钉语音消息下载下来通常是 amr 或 mp3，Qwen Omni 对 mp3 / wav / mp4 支持最好，amr 要先转码（用 ffmpeg 一行命令即可）。实测 3 分钟的会议语音，转码耗时 1.2 秒，Qwen 转写 + 摘要总耗时 9.4 秒，字准率约 94%（普通话、安静环境下）。
Q多模态请求的 token 怎么算，一张截图大概多少钱？
图片按像素折算 token，DashScope 的规则大致是短边缩放后按 patch 计算，一张 1280×720 的截图约 1200-1500 tokens，成本约 ¥0.0012；一张 1080P 全屏截图若不压缩约 2800 tokens。音频按秒计价，约 25 tokens/秒，3 分钟语音约 4500 tokens。群里如果天天发图，务必做压缩，一个月能省不少。
Q机器人回复带语音吗，钉钉群里能播吗？
Qwen Omni 支持 audio 输出，但钉钉自定义机器人的消息类型里没有「语音」这一项（只有 text / markdown / link / ActionCard / FeedCard）。所以语音输出要在你的服务端落成一个可访问的 mp3 URL，再用 markdown 链接或 link 卡片发出去，用户点开才能听。实测体验一般，建议默认只出文本，语音作为可选项。