1. 为什么你的 AI Agent 还停在“复制粘贴”阶段飞书 CLI 加 Skill 这套组合能做什么简单说它让 Claude Code、Codex、Cursor 这类本地 AI Agent 直接拥有你飞书账号的操作能力自动发消息、建文档、查日历、读写多维表全程不用你手动点一下。适合谁适合每天在飞书里重复搬运信息的人——开发者、项目负责人、运营、独立从业者只要你想把“AI 生成内容→手动复制→手动粘贴到飞书”这条链路砍掉这套方案就是为你准备的。我见过太多人把 AI 办公理解成“让模型写一段周报然后自己复制到飞书文档里”。这不叫自动化这叫换个地方打字。真正的闭环应该是AI 自己汇总信息、自己创建文档、自己把链接发到群里、自己更新多维表进度。飞书官方开源的 CLI 工具加上 AI Skill 规则包恰好把这条路铺平了。CLI 是执行器Skill 是说明书两者合在一起AI Agent 才知道“用什么命令、按什么规则”去操作飞书。但这里有个容易被忽略的环节AI Agent 在调用模型能力时需要一个稳定、统一的 API 通道。如果你同时用多个模型、多个 Key配置会散落在各处Agent 跑起来容易断。我实测下来用 TaoToken 做统一 Key 管理把模型调用收敛到一个入口再配合飞书 CLI 的授权体系整条自动化链路会清爽很多。下面从环境准备到四个模块的验证动作一步步拆开讲。2. TaoToken 前置统一 Key 与 API 通道在让 AI Agent 操控飞书之前先解决“AI 的大脑从哪来”的问题。飞书 CLI 负责执行动作但 Agent 理解你的自然语言指令、生成命令参数靠的是背后的大模型。如果你用 Claude Code 或 Cursor模型调用需要 API Key。多个工具各配一套 Key管理成本高还容易在切换时出错。TaoToken 在这里的角色是统一入口。你可以在官网注册后拿到一个 Key通过它的 API 通道调用模型能力Agent 侧只需要配置一个 base_url 和一个 api_key。这样做的好处是飞书 CLI 的授权是账号级的模型调用是 Key 级的两者解耦互不干扰。换模型、加工具都不用动飞书这边的配置。具体操作上先到官网 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 注册账号然后在控制台创建 API Key。控制台地址是 https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewrite 进去之后找到 API Keys 页面新建一个 Key 并保存好。这个 Key 后面会写进 Agent 的配置文件里。注意API Key 只显示一次创建后立刻复制到安全的地方。不要把它提交到 Git 仓库也不要在公开聊天里粘贴。拿到 Key 之后你需要确认 Agent 侧的接入方式。以 Claude Code 为例它支持通过环境变量或配置文件指定 API 端点。TaoToken 的 API 地址是 https://taotoken.net/api 不带任何 UTM 参数直接填这个。模型名称按你实际使用的填比如 claude-sonnet 系列或 gpt 系列具体以控制台文档为准。接入文档在 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 里面有各客户端的配置示例照着改就行。这一步做完你的 AI Agent 就有了稳定的模型通道。接下来才是飞书 CLI 的安装和授权。3. 可复制配置config.toml 与 settings.json 骨架飞书 CLI 本身通过lark-cli auth login完成账号授权授权信息存在本地。但 AI Agent 要自动调用它还需要两处配置一是 Agent 的模型接入配置二是 Skill 的加载配置。下面给出可直接复制的骨架。先看模型接入配置。如果你用的是支持 TOML 的客户端比如某些 CLI 形态的 Agent可以建一个config.toml# config.toml - AI Agent 模型接入配置 [model] provider taotoken base_url https://taotoken.net/api api_key sk-你的TaoToken密钥 model_name claude-sonnet-4-20250514 max_tokens 8192 temperature 0.3 [agent] name feishu-automation skill_dir ~/.skills auto_load_skills true如果你用的是 Cursor 或 Claude Code 这类基于 JSON 配置的工具对应的settings.json骨架如下{ aiProvider: { baseUrl: https://taotoken.net/api, apiKey: sk-你的TaoToken密钥, model: claude-sonnet-4-20250514 }, skills: { globalPath: ~/.skills, autoLoad: true, enabled: [lark-im, lark-doc, lark-base, lark-calendar] }, terminal: { allowCommands: [lark-cli], timeout: 30000 } }这两个骨架的核心逻辑一致模型走 TaoToken 的统一通道Skill 从全局目录自动加载终端放行lark-cli命令。你不需要改飞书 CLI 本身的配置它只认授权状态。飞书 CLI 的安装和 Skill 加载命令如下按顺序执行# 1. 全局安装飞书 CLI npm install -g larksuite/cli # 2. 安装官方 Skill 技能包 npx skills add larksuite/cli -y -g # 3. 飞书账号授权 lark-cli auth login --recommend # 4. 校验授权状态 lark-cli auth status第 3 步会生成一个授权链接在浏览器打开登录你的飞书账号确认授权并勾选常用权限。授权成功后飞书客户端会收到通知。第 4 步输出“已登录、授权有效”就说明环境就绪。提示Skill 安装到全局目录后需要重启你的 IDE 或 Agent 终端它才会扫描到新的 Skill 规则。不重启的话AI 可能仍然“不知道”自己能调用飞书。配置写完后建议先跑一条最简单的命令验证 CLI 本身是否可用lark-cli auth status如果返回当前登录账号和权限列表说明飞书侧没问题。接下来验证模型通道和 Skill 联动。4. 验证请求消息、文档、日历、多维表四个动作配置对不对跑一遍就知道。下面四个验证动作分别对应飞书的消息、文档、日历、多维表每个都给出自然语言指令和预期结果。你可以在 Agent 对话框里直接输入这些指令观察它是否自动调用lark-cli。4.1 消息发送验证在 Agent 里输入调用飞书 CLI向我的工作群发送通知项目迭代完成请查阅进度。预期行为Agent 解析出“发消息”意图调用lark-cli im send相关命令把文本发到你指定的群。你可以在飞书客户端看到消息出现。如果 Agent 只是回复“好的我帮你发”但没有实际动作说明 Skill 没加载或终端没放行lark-cli。4.2 文档创建验证输入通过飞书 CLI 新建飞书文档标题【本周开发周报】整理本周进度和待办。预期行为Agent 调用文档创建命令生成一篇飞书文档返回文档链接。你打开链接能看到标题和内容。这一步验证的是lark-docSkill 是否生效。4.3 日历查询验证输入查询我本周的飞书日历安排列出所有会议。预期行为Agent 调用日历查询命令返回本周日程列表。如果返回为空先确认你的飞书日历里确实有日程再检查授权时是否勾选了日历权限。4.4 多维表读写验证输入读取指定多维表格数据统计本周完成任务更新进度字段。预期行为Agent 先读取多维表记录做统计再写回更新。这一步涉及lark-baseSkill权限要求较高授权时要确保多维表相关权限已勾选。四个动作跑通说明“模型通道 飞书 CLI Skill”整条链路已经打通。你可以把常用指令固化成提示词模板后续直接复用。5. 本篇常见错排查即使按步骤走也可能遇到几个典型问题。下面是我踩过的坑和对应解法。报错一command not found: lark-cli原因通常是全局安装的包没有写入 PATH或者终端没重启。先确认npm root -g的路径在环境变量里然后完全关闭终端重新打开。如果还不行重新执行npm install -g larksuite/cli。报错二AI 不调用飞书能力只回复文字这是最常见的问题。原因有两个Skill 没加载或者 Agent 没重启。先重新执行npx skills add larksuite/cli -y -g然后重启 Cursor / Claude Code。如果用的是 Claude Code可以在对话里发一次激活提示词“你已经加载飞书 CLI 全套 Skill后续飞书操作直接调用 lark-cli 完成。”报错三操作提示权限不足授权阶段权限勾选不全或者登录会话过期。重新执行lark-cli auth login --recommend在授权页面把消息、文档、日历、多维表相关权限都勾上。授权完成后用lark-cli auth status确认。报错四命令返回成功但飞书里没变化可能是账号缓存或登录身份不匹配。执行lark-cli auth status看当前登录的是哪个账号确认和你预期操作的是同一个。如果不对重新授权。报错五模型调用超时或 401检查config.toml或settings.json里的base_url是否写成https://taotoken.net/apiapi_key是否复制完整。如果 Key 有误到控制台重新生成一个。接入文档里有各客户端的排查清单可以对照检查。6. 把自动化链路固定下来跑通验证之后你可以把整条链路固化成日常流程。我的做法是在 Agent 里预设几个提示词模板比如“生成日报并推送”“同步项目进度到多维表”“创建周会日程”每个模板对应一组飞书操作。Agent 加载 Skill 后这些模板可以直接触发不需要每次重新描述。如果你长期做编码和 Agent 自动化建议把模型调用统一收敛到 TaoToken 的 Coding Plan这样多个工具共享一个通道Key 管理更简单。Coding Plan 的入口在 https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite 适合需要稳定跑自动化任务的场景。日常验证模型效果可以用模型对话页面快速测试 https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_contentmodelsutm_campaignrewrite 。API Key 管理在控制台的 API Keys 页面 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi-keysutm_campaignrewrite 接入细节看文档 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 。最后说一个实用技巧飞书 CLI 的授权是有有效期的长时间不用可能会过期。你可以在 Agent 里加一条定时检查每周跑一次lark-cli auth status发现过期就重新授权。这样自动化流程不会因为授权失效而突然断掉。整套配置一次搭好后面就是让 Agent 自己跑你只需要在关键节点确认结果。