OpenClaw+GLM-4.7-Flash自动化周报：飞书日程解析与成果摘要生成
OpenClaw+GLM-4.7-Flash自动化周报：飞书日程解析与成果摘要生成
1. 为什么需要自动化周报
每周五下午，我的日历总会准时弹出"编写周报"的提醒——这个看似简单的任务却总让我陷入两难。要么对着空白的文档发呆半小时，拼命回忆这周到底做了什么；要么花大量时间翻找飞书聊天记录和日历事件，试图拼凑出完整的工作轨迹。最痛苦的是，当团队跨时区协作时，我还得手动换算不同地区的会议时间。
直到发现OpenClaw+GLM-4.7-Flash的组合，这个问题才有了转机。通过配置自动化流程，现在我的周报生成完全交给AI处理：自动读取飞书日程、智能提取关键成果、按模板生成内容，最后通过邮件发送给团队。整个过程从原来的1小时缩短到5分钟复核时间，准确率反而更高了。
2. 技术方案选型与配置
2.1 基础环境搭建
我选择在本地MacBook Pro上部署OpenClaw，主要考虑数据隐私和响应速度。安装过程出乎意料的简单：
curl -fsSL https://openclaw.ai/install.sh | bash openclaw onboard --install-daemon在配置向导中，我选择了Advanced模式以便自定义模型设置。关键配置项包括：
- 模型提供商：选择"Custom"并填写本地部署的GLM-4.7-Flash服务地址
- 默认模型：设置为
glm-4-flash - 通道配置：启用飞书通道并填写企业自建应用的
App ID和App Secret
2.2 飞书日历权限配置
要让OpenClaw读取日历数据，需要在飞书开放平台进行额外授权。这里有个容易踩的坑：不仅需要开通"读取日程"权限，还需要在"权限管理"中申请calendar:calendar:read_only权限范围。配置完成后，记得在openclaw.json中添加以下内容：
{ "feishu": { "scopes": ["calendar:calendar:read_only"], "eventWatch": { "enabled": true, "resourceTypes": ["calendar.event"] } } }3. 核心自动化流程实现
3.1 日程数据获取与清洗
OpenClaw通过飞书Webhook获取原始日历数据，但直接使用这些数据会遇到三个问题：
- 重复会议（如每日站会）会产生大量重复条目
- 跨时区会议的时间显示混乱
- 个人备注与正式会议混合在一起
我的解决方案是通过preprocess_events技能进行数据清洗：
def normalize_timezone(events): # 将UTC时间转换为本地时区 for event in events: if event.get('is_utc'): event['start'] = convert_utc_to_local(event['start']) event['end'] = convert_utc_to_local(event['end']) return events def merge_recurring_events(events): # 合并重复会议条目 unique_events = {} for event in events: key = (event['summary'], event['recurring_id']) if key not in unique_events: unique_events[key] = event return list(unique_events.values())3.2 关键成果提取
这是整个流程最核心的部分，我通过GLM-4.7-Flash的/v1/chat/completions接口实现智能摘要。经过多次调试，最终确定的prompt模板如下：
你是一个专业的工作成果提取助手。请根据以下会议记录和聊天记录片段，提取需要写入周报的关键成果。要求： 1. 按[项目进展][问题解决][协作支持]分类 2. 每个成果不超过2句话 3. 保留具体数据指标 4. 忽略日常会议和例行沟通 输入内容： {context} 请用Markdown格式输出，中文响应。实际调用时，OpenClaw会自动将飞书日程的description字段和关联的聊天记录作为上下文注入。这里有个实用技巧：在飞书日历创建会议时，养成在描述字段用##成果标记关键内容的习惯，能显著提升提取准确率。
3.3 周报模板填充与发送
我设计了一个灵活的Markdown模板系统，模板文件存储在~/templates/weekly_report.md：
# {week}周工作汇报 **部门**：{department} **姓名**：{name} ## 核心成果 {achievements} ## 重点项目进展 {project_updates} ## 下周计划 {next_week_plans}OpenClaw的file-processor技能会先渲染模板，然后调用本地邮件客户端发送。对于需要多人协作的场景，我还配置了自动上传飞书文档的功能：
clawhub install feishu-doc-uploader4. 实践中的挑战与解决方案
4.1 跨时区会议处理
我们的团队分布在北京、纽约和柏林三个时区，最初自动生成的周报经常出现时间混乱。解决方案是在OpenClaw配置中明确指定：
{ "timezone": { "home": "Asia/Shanghai", "displayAll": true, "aliases": { "NYC": "America/New_York", "BER": "Europe/Berlin" } } }同时在prompt中加入时区说明："所有时间请同时显示CST(北京时间)和对应时区时间"。
4.2 敏感信息过滤
有次周报差点泄露了未公开的产品路线图，促使我增加了信息过滤层。现在流程中会先调用本地运行的敏感词检测模型，再发送给GLM处理。检测到敏感内容时，会自动替换为[保密内容]并提醒我人工复核。
4.3 Token消耗优化
最初完整处理一周数据需要消耗约8000 Token，经过以下优化降至3000左右：
- 在发送给GLM前，先用规则引擎过滤掉明显无关的内容
- 对长文档采用"提取-摘要"的两阶段处理
- 配置OpenClaw缓存机制，避免重复处理相同内容
5. 最终效果与使用建议
现在我的周报流程完全自动化：每周五16:00，OpenClaw会自动触发任务，30分钟内完成：
- 读取飞书日历和关联聊天记录
- 调用GLM-4.7-Flash提取关键信息
- 填充模板并生成PDF
- 邮件发送给直属领导和项目组成员
- 上传飞书文档并@相关同事
对于想尝试类似自动化的朋友，我的建议是：
- 先从单一数据源开始（如仅日历或仅邮件）
- 初期一定要保留人工复核环节
- 为不同项目创建不同的模板
- 定期检查GLM的输出质量，持续优化prompt
这个方案特别适合需要同时处理多个项目、或团队分布在不同时区的情况。虽然初期配置需要投入时间，但长期来看，节省的认知负荷和避免的遗漏错误绝对值得。
获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。