Signal-CLI-REST-API 中回执功能的使用指南
2025-07-09 01:11:45作者:凤尚柏Louis
Signal-CLI-REST-API 是一个基于 Signal 协议的命令行工具 REST 封装,为用户提供了通过 HTTP API 与 Signal 服务交互的能力。本文将重点介绍其回执(receipt)功能的使用方法和注意事项。
回执功能概述
Signal 消息应用中的回执功能允许用户向发送方确认消息状态,主要包括两种类型:
- 已读回执(read receipt):显示为两个灰色对勾
- 已查看回执(viewed receipt):显示为两个白色对勾
在 Signal-CLI-REST-API 中,可以通过 /v1/receipts/ 端点发送这些回执。
功能启用与版本要求
需要注意的是,回执功能在标准发布版本中可能尚未包含。如需使用该功能,用户需要拉取特定的开发版本镜像:
docker pull bbernhard/signal-cli-rest-api:0.160-dev
API 使用详解
发送回执的基本请求格式如下:
POST /v1/receipts/{sender_number}
请求体需包含以下JSON参数:
receipt_type: 回执类型("read"或"viewed")recipient: 接收方号码timestamp: 消息时间戳(必须精确匹配原始消息的时间戳)
示例请求:
curl -X POST -H 'accept: application/json' \
-H "Content-Type: application/json" \
'http://localhost:8080/v1/receipts/+49XXXXXXX' \
-d '{"receipt_type": "read", "recipient": "+49XXXXXXX", "timestamp": 1717716743897}'
时间戳获取建议
为了确保回执能正确关联到特定消息,时间戳参数必须精确匹配原始消息的时间戳。最佳实践是通过以下方式获取时间戳:
- 使用
/receive端点接收消息时,会返回包含时间戳的消息数据 - 从接收到的消息中提取时间戳字段
- 使用该时间戳发送回执
常见问题排查
如果回执发送后未在Signal客户端显示预期效果,建议检查以下方面:
- 版本兼容性:确认使用的是支持回执功能的版本
- 时间戳准确性:验证时间戳是否与原始消息完全匹配
- 日志分析:检查Docker容器日志确认请求是否被正确处理
- 权限配置:确保API有足够的权限执行回执操作
实现原理
在底层实现上,Signal-CLI-REST-API通过JSON-RPC协议与signal-cli交互。当收到回执请求时,会转换为如下格式的JSON-RPC命令:
{
"jsonrpc": "2.0",
"method": "sendReceipt",
"id": "随机UUID",
"params": {
"recipient": "接收方号码",
"receipt-type": "回执类型",
"target-timestamp": 目标时间戳,
"account": "发送方号码"
}
}
成功的响应将包含操作结果和状态信息,开发者可以通过分析这些响应来确认操作是否成功执行。
通过合理使用回执功能,开发者可以构建更完善的Signal消息处理流程,实现消息状态跟踪等高级功能。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
413
3.17 K
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
685
324
Ascend Extension for PyTorch
Python
227
255
暂无简介
Dart
678
160
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
660
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
492
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
343
146