OpenClaw+千问3.5-9B自动化办公：10分钟搞定日报生成
OpenClaw+千问3.5-9B自动化办公：10分钟搞定日报生成
1. 为什么需要自动化日报
每天下班前写日报这件事，相信是很多职场人的痛点。我过去常常陷入两种困境：要么忙到忘记写，临睡前才仓促补几句；要么对着空白文档发呆半小时，反复纠结"今天到底干了啥"。直到上个月用OpenClaw+千问3.5-9B搭建了自动化日报系统，这个问题才真正得到解决。
传统解决方案主要有三类：模板填空（依然需要手动整理）、日历事件导出（缺乏上下文分析）、第三方SaaS工具（存在数据隐私顾虑）。而OpenClaw的独特价值在于：所有操作都在本地完成，日报内容基于真实工作痕迹生成，且能自动适配不同汇报场景的需求格式。
2. 环境准备与模型接入
2.1 基础环境部署
我的设备是M1芯片的MacBook Pro，系统版本macOS Sonoma 14.5。安装过程选择了官方推荐的一键脚本：
curl -fsSL https://openclaw.ai/install.sh | bash openclaw onboard --install-daemon安装完成后，通过openclaw --version验证版本为v0.8.3。这里有个小插曲：第一次运行时因网络问题导致npm包下载失败，重试后添加--verbose参数才发现是公司代理设置的问题。建议初次安装时保持终端完整日志输出，方便排查问题。
2.2 千问3.5-9B模型配置
在~/.openclaw/openclaw.json中配置本地模型服务地址（我的千问服务部署在另一台Linux服务器）：
{ "models": { "providers": { "qwen-local": { "baseUrl": "http://192.168.1.105:8080/v1", "apiKey": "NULL", "api": "openai-completions", "models": [ { "id": "qwen3-9b", "name": "千问3.5-9B本地版", "contextWindow": 32768 } ] } } } }配置完成后需要执行openclaw gateway restart重启服务。这里有个关键细节：如果模型服务启用了API密钥验证，需要确保apiKey字段值与服务端一致。我最初忽略了这点，导致连续出现403错误。
3. 日报自动化实现路径
3.1 数据源准备
我的日报主要整合三类数据源：
- 日历事件：通过Mac自带的日历APP导出ICS文件
- 代码提交记录：从Git仓库提取当天commit message
- 会议纪要：飞书云端文档的修改记录
OpenClaw通过预装的文件处理插件，可以自动解析这些结构化数据。比如用以下命令安装Markdown处理器：
clawhub install file-processor markdown-tools3.2 任务流设计
在Web控制台(http://127.0.0.1:18789)创建自动化流程时，我设置了三个关键节点：
数据采集阶段
每天17:30自动执行：- 导出当日日历事件到
~/Documents/DailyReport/events.ics - 扫描
~/Projects目录下的Git仓库变更 - 下载飞书会议文档最新版本
- 导出当日日历事件到
内容生成阶段
调用千问3.5-9B模型执行以下prompt：根据以下材料生成专业的工作日报： - 会议记录：{{飞书文档内容}} - 代码提交：{{git commits}} - 日程安排：{{日历事件}} 要求： 1. 按"已完成/进行中/计划中"分类 2. 重点体现技术难点和解决方案 3. 输出Markdown格式 4. 中文输出，控制在500字以内结果交付阶段
生成的文件会自动：- 保存到
~/Documents/DailyReport/YYYY-MM-DD.md - 通过飞书机器人私信发送预览链接
- 在18:00触发Mac通知提醒
- 保存到
3.3 异常处理机制
在真实运行中遇到过几个典型问题：
- 数据缺失情况：当某天没有代码提交时，早期版本会生成"今日无变更"的冗余段落。后来在prompt中添加了条件判断逻辑："若某类数据为空，则省略对应章节"
- 模型超时问题：千问3.5-9B在长文本处理时偶有响应延迟，通过设置
timeout: 30000参数解决了大部分超时中断 - 格式错乱问题：最初生成的Markdown存在标题层级混乱，通过在后处理阶段添加
markdownlint校验得以改善
4. 效果对比与优化建议
4.1 时间效率提升
手动编写日报的平均耗时约25分钟（数据来自TimeTrack一周统计），而当前方案的实际执行情况：
| 阶段 | 耗时(s) | 备注 |
|---|---|---|
| 数据采集 | 38 | 依赖本地文件IO速度 |
| 模型推理 | 112 | 与输入token量正相关 |
| 结果格式化 | 6 | 包括Markdown校验 |
| 总计 | 156 | 约2分36秒 |
这还不包括手动操作时的"心理准备时间"——实际节省的时间可能比纯数字显示的更多。
4.2 内容质量改进
对比自动化前后的日报样本，发现几个显著差异：
- 完整性提升：模型能关联分散在不同系统的信息点（如将会议讨论的方案与后续代码实现对应）
- 结构化更好：自动生成的日报严格遵循"背景-行动-结果"的叙事逻辑
- 技术深度增强：模型会补充相关技术概念的简要说明（如提到的算法会自动附加时间复杂度分析）
4.3 可复用的经验
经过一个月的迭代优化，总结出几条实用建议：
- prompt工程：在指令中明确"不要生成虚构内容"，可减少模型幻觉
- 缓存机制：对中间结果进行本地缓存，避免重复请求模型
- 人工复核：保留最后发布前的人工确认环节（我设置为飞书消息确认）
- 版本回溯：用Git管理日报文档，方便内容追溯
5. 延伸应用场景
这套方案稍作修改就能适配其他办公场景：
- 周报生成：扩大数据源时间范围，增加统计分析维度
- 项目复盘：关联JIRA等项目管理系统的数据
- 客户报告：整合邮件往来和CRM系统的交互记录
一个意外收获是：由于日报自动归档为Markdown文件，配合Obsidian等工具，意外构建起了个人知识库的雏形。现在检索三个月前解决过的技术问题，比之前效率提升了至少三倍。
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。