当前位置：首页 > news >正文

OpenClaw+GLM-4.7-Flash：个人财务记录分析

news 2026/5/16 11:10:40

OpenClaw+GLM-4.7-Flash：个人财务记录分析

1. 为什么选择这个方案

去年我开始认真记账时，发现手动整理银行账单邮件实在太耗时。每次收到账单邮件，都需要下载附件、复制数据到Excel、手动分类支出类型，最后还要做可视化图表。这个过程至少占用我每周两小时，而且容易出错。

直到我尝试用OpenClaw+GLM-4.7-Flash搭建自动化流程，情况才彻底改变。这个组合的独特优势在于：

完全本地化处理：我的财务数据不需要上传到任何第三方服务，所有操作都在本机完成
自然语言理解能力强：GLM-4.7-Flash能准确识别各种商户名称背后的消费类别
灵活可定制：我可以随时调整分类规则，而不用等待SaaS产品的功能更新

2. 环境准备与模型部署

2.1 基础环境搭建

我使用的是MacBook Pro (M1芯片，16GB内存)，系统为macOS Sonoma。首先通过Homebrew安装必要依赖：

brew install node@22 ollama

然后安装OpenClaw核心组件：

npm install -g openclaw@latest openclaw --version # 验证安装成功

2.2 部署GLM-4.7-Flash模型

使用ollama拉取并运行模型镜像：

ollama pull glm-4.7-flash ollama run glm-4.7-flash

模型启动后会显示本地访问地址，通常是http://127.0.0.1:11434。记下这个地址，后续配置OpenClaw时会用到。

3. OpenClaw配置与技能开发

3.1 初始化配置

运行配置向导：

openclaw onboard

在向导中选择：

Mode: Advanced
Provider: Custom
Model URL: 填写上一步获取的GLM-4.7-Flash地址
Skills: 选择No（我们后面会手动安装财务专用技能）

3.2 开发财务处理技能

我创建了一个专门处理财务邮件的Skill，核心功能包括：

监控指定邮箱的新邮件
解析银行账单附件（支持PDF/CSV）
调用GLM模型分类交易记录
生成可视化报表

技能的主要配置文件finance.yaml如下：

name: finance-analyzer version: 0.1.0 description: 个人财务分析自动化工具 actions: - name: parse_statement description: 解析银行账单 parameters: file: 账单文件路径 steps: - run: extract_text {{file}} - call: glm-classify with: text: "{{steps.extract_text.output}}" - save: "{{steps.glm-classify.output}}" to: transactions.json - name: generate_report description: 生成月度报告 parameters: month: 月份 steps: - run: read_file transactions.json - call: glm-analyze with: data: "{{steps.read_file.output}}" period: "{{month}}" - save: "{{steps.global-analyze.output}}" to: report-{{month}}.html

4. 实战：自动化财务分析流程

4.1 邮箱监控设置

在OpenClaw配置文件中添加邮箱监控：

{ "monitors": { "email": { "enabled": true, "provider": "imap", "host": "imap.example.com", "username": "your_email@example.com", "password": "your_password", "folders": ["INBOX"], "rules": [ { "subject": "月度账单", "action": "finance.parse_statement" } ] } } }

4.2 交易分类逻辑

GLM-4.7-Flash的分类提示词设计是关键。我的提示词模板如下：

你是一位专业的财务分析师。请将以下交易记录分类，使用JSON格式返回。 分类规则： - 餐饮：包括餐厅、外卖、咖啡店等 - 交通：出租车、公交、加油等 - 购物：实体店或网购消费 - 娱乐：电影、游戏等休闲活动 - 住房：房租、水电费等 - 其他：无法归类的消费 交易记录示例： {{transactions}} 要求： 1. 为每笔交易添加category字段 2. 识别商户名称中的关键信息 3. 金额超过500元的消费标记为"large":true

4.3 报表生成与可视化

分类后的数据通过以下Python脚本生成可视化报表：

import json from matplotlib import pyplot as plt with open('transactions.json') as f: data = json.load(f) categories = {} for item in data: cat = item['category'] categories[cat] = categories.get(cat, 0) + item['amount'] plt.pie(categories.values(), labels=categories.keys(), autopct='%1.1f%%') plt.savefig('monthly_report.png')

这个脚本会被OpenClaw自动调用，结果保存为HTML报告。