OpenClaw学习助手：GLM-4.7-Flash实现的错题本自动整理
OpenClaw学习助手：GLM-4.7-Flash实现的错题本自动整理
1. 为什么需要智能错题本？
作为一名经常熬夜刷题的程序员兼业余数学爱好者，我过去三年积累了上千张错题截图。它们散落在手机相册、微信收藏和桌面文件夹里，每次考前复习都像在垃圾堆里找钥匙。直到上个月用OpenClaw+GLM-4.7-Flash搭建了智能错题系统，才真正体会到什么叫"数字化学习"。
传统错题整理有三大痛点：
- 归类低效：手动标注知识点耗时耗力，最后往往变成按日期堆砌
- 检索困难：想找同类题型时只能靠记忆模糊搜索
- 缺乏延伸：错题孤立存在，看不到知识图谱关联
而我的解决方案是：让AI自动完成截图OCR识别→知识点提取→错题归类→推荐相似题的完整链路。整个过程只需要三步：
- 对错题截图按快捷键（我绑定到了F8）
- 等待10-20秒处理
- 在Notion查看结构化笔记
2. 系统搭建实战
2.1 基础环境准备
我的设备是M1 MacBook Pro，系统环境如下：
# 验证ollama服务状态 ollama --version # ollama version 0.1.27 # 拉取GLM-4.7-Flash镜像 ollama pull glm-4.7-flashOpenClaw采用npm安装方案：
npm install -g @qingchencloud/openclaw-zh@latest openclaw onboard --mode Advanced在配置向导中选择：
- 模型提供商：Custom
- 模型地址：http://localhost:11434 (ollama默认端口)
- 模型ID：glm-4.7-flash
2.2 核心技能开发
在~/.openclaw/skills目录创建study_assistant文件夹，关键文件结构如下：
study_assistant/ ├── screenshot_parser.js # 截图处理模块 ├── knowledge_graph.py # 知识图谱构建 └── config.json # 学科配置其中screenshot_parser.js的核心逻辑是：
const { execSync } = require('child_process') const fs = require('fs') module.exports = async (imagePath) => { // 调用系统截图工具 const screenshot = execSync(`screencapture -i ${imagePath}`) // 通过ollama接口调用GLM-4.7-Flash const prompt = `你是一位经验丰富的教师，请分析这张数学题图片： 1. 识别题目内容 2. 标注考察知识点（最多3个） 3. 给出解题思路关键词` const response = await fetch('http://localhost:11434/api/generate', { method: 'POST', headers: { 'Content-Type': 'application/json' }, body: JSON.stringify({ model: "glm-4.7-flash", prompt: prompt, stream: false }) }) return await response.json() }2.3 自动化流程设计
配置自动触发规则（对应config.json）：
{ "trigger": { "hotkey": "F8", "action": { "type": "pipeline", "steps": [ "capture_screen", "analyze_problem", "update_notion" ] } }, "subject_mapping": { "数学": ["三角函数", "立体几何", "导数"], "物理": ["力学", "电磁学"] } }实际运行时会生成如下数据结构：
**错题ID**: MATH-20240520-003 **知识点**: 三角函数/二倍角公式 **原题**: 已知sinθ=1/3，求sin2θ的值 **错因**: 公式记忆混淆 **相似题推荐**: 1. [2023年新课标Ⅰ卷] 若cosα=1/4，则cos2α=___ 2. [模拟题] 证明: sin²θ = (1-cos2θ)/23. 踩坑与优化
3.1 初期准确率问题
首次测试时，模型常把"导数"识别为"微积分"，导致归类偏差。通过两种方式改进：
- 在prompt中明确限定知识点范围（参考config.json的subject_mapping）
- 添加后处理校验逻辑：
def validate_knowledge_point(text): allowed_keywords = config['subject_mapping']['数学'] for kw in allowed_keywords: if kw in text: return kw return "其他"3.2 截图质量影响
发现夜间拍摄的试卷照片识别率骤降40%，解决方案是：
// 添加图像预处理 const sharp = require('sharp') async function preprocess(imagePath) { await sharp(imagePath) .grayscale() .normalize() .toFile('processed_' + imagePath) }3.3 响应速度优化
原始方案每次请求需要3-5秒，通过两种方式提升：
- 启用ollama的批处理模式
ollama serve --num-batch 4- 在OpenClaw中配置本地缓存
{ "cache": { "enable": true, "ttl": 3600 } }4. 实际效果展示
经过两周调优，系统达到如下效果：
- 处理速度：从截图到Notion同步平均12秒
- 知识点标注准确率：数学/物理类达92%
- 相似题推荐相关度：学生评分4.3/5分
最惊喜的是一次函数题被自动关联到三个月前的同类错题，而这是我完全没注意到的关联性。GLM-4.7-Flash在理解题目语义层面表现出色，比如能识别"求极值"和"求最值"的本质相似性。
5. 个性化扩展建议
对于不同学科可以调整prompt策略：
- 文科类：增加"易混淆概念对比"字段
- 实验类：添加"仪器操作要点"识别
- 语言类：支持语法错误模式统计
我的英语老师同事在此基础上开发了作文批改模块，通过对比学生作文和范文，自动生成"提升建议"段落。这印证了OpenClaw+大模型在教育场景的灵活适应性——就像乐高积木，基础能力是标准化的，但每个使用者都能搭建出独特的学习工具。
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。