OpenClaw+千问3.5-9B学习助手：自动生成错题集与复习计划
OpenClaw+千问3.5-9B学习助手：自动生成错题集与复习计划
1. 为什么需要AI学习助手？
去年备考PMP认证时，我发现自己陷入了"错题黑洞"——整理错题本占用了60%的复习时间。手动标注知识点、寻找同类题目、安排复习周期这些机械工作，严重挤占了真正的学习时间。直到偶然将课堂笔记扔给千问3.5-9B做解析测试，才发现AI+自动化可以重构整个学习流程。
传统学习软件的问题在于：要么功能固定无法定制（如某些背单词APP），要么需要编程能力（如Anki插件开发）。而OpenClaw+千问的组合，既能理解自然语言需求，又能像真人一样操作系统完成文件处理、格式转换等操作。最重要的是所有数据都在本地处理，不用担心敏感笔记内容泄露。
2. 环境搭建与模型接入
2.1 基础组件安装
我的设备是M1 MacBook Air，通过Homebrew完成基础环境配置：
brew install node@22 npm install -g openclaw@latest openclaw --version # 确认版本≥0.8.3初始化配置时选择Advanced模式，关键配置项：
- Provider选择"Custom"
- Model ID填写"qwen3-9b"
- Base URL填写本地模型服务地址（我使用
http://localhost:8080/v1） - Context Window设为8192（处理长笔记需要）
2.2 千问3.5-9B模型部署
由于需要频繁调用模型处理文本，建议在GPU服务器部署模型服务。我的配置：
- 使用vLLM启动服务：
python -m vllm.entrypoints.api_server \ --model Qwen/Qwen1.5-9B-Chat \ --port 8080 \ --gpu-memory-utilization 0.8- 测试接口响应：
curl http://localhost:8080/v1/completions \ -H "Content-Type: application/json" \ -d '{"model": "qwen3-9b", "prompt": "你好", "max_tokens": 50}'2.3 学习专用Skill安装
通过ClawHub安装教育场景专用技能包：
clawhub install study-helper exam-assistant这两个技能包提供了：
extract-knowledge-points：知识点提取generate-similar-questions：相似题目生成make-anki-cards：Anki卡片格式转换ebbinghaus-schedule：记忆曲线排期
3. 错题处理实战流程
3.1 原始笔记预处理
我的错题笔记采用固定Markdown格式存储：
```question 题目：项目经理发现关键路径延误，首先应该？ A. 加班赶工 B. 申请延期 C. 分析原因 D. 缩减范围 ``` ```answer 正确答案：C ``` ```analysis 考点：变更管理流程 知识点：4.6节 实施整体变更控制 错误原因：混淆了问题分析与解决方案 ```通过OpenClaw的watch功能监控笔记文件夹变化，自动触发处理流程：
{ "watchers": { "study_notes": { "path": "~/Documents/Study/PMP/errors", "handler": "study-helper process-note" } } }3.2 知识点图谱构建
模型会提取题目中的知识点并建立关联关系。例如上述错题会生成：
- 核心概念: 变更管理 - 子概念: 变更控制流程 - 相关章节: 4.6 - 易混淆点: - 问题分析 vs 解决方案 - 关键路径管理 - 关联题目: [Q123, Q457]这个结构化数据会存储为knowledge_graph.yml，作为后续推荐的依据。
3.3 相似题目推荐
基于知识点图谱，自动从题库中检索相似题目。我的题库是CSV格式：
ID,Question,Answer,KnowledgePoints Q789,"面对范围蔓延应该？","B","4.6 变更控制"推荐结果以Markdown表格呈现：
| 原错题ID | 相似题ID | 相似度 | 共同知识点 | |----------|----------|--------|----------------------| | ERR_042 | Q789 | 82% | 变更控制流程 |3.4 复习计划生成
最实用的功能是自动生成艾宾浩斯复习计划。执行命令：
openclaw run ebbinghaus-schedule --input knowledge_graph.yml --format anki生成的复习时间表会同步到Anki：
2024-03-20: 变更管理(4.6) 2024-03-21: 关键路径法(6.5)+变更管理(4.6) 2024-03-24: 变更管理(4.6)4. 踩坑与优化经验
4.1 模型参数调优
初期直接使用默认参数时，知识点提取经常出现偏差。通过反复测试确定的理想参数：
{ "temperature": 0.3, "top_p": 0.9, "frequency_penalty": 0.5, "presence_penalty": 0.4 }特别需要注意frequency_penalty的设置，可以有效避免模型重复输出相同术语。
4.2 处理长文本策略
当遇到复杂的案例分析题时，采用分块处理策略：
- 先用模型生成摘要
- 对摘要进行知识点标注
- 最后处理完整题目
对应的OpenClaw任务配置：
steps: - name: summarize action: qwen-chat params: prompt: "用100字摘要以下案例..." - name: extract action: study-helper extract depends_on: summarize4.3 结果验证机制
为避免模型幻觉导致的知识点错误，建立了三级校验：
- 模型初次提取
- 与教材目录自动比对
- 人工确认标记（通过简单的y/n确认）
对应的校验脚本：
openclaw verify knowledge_points.yml --reference textbook_index.csv5. 效果评估与使用建议
经过三个月实践，这套系统帮我将错题处理效率提升了3倍左右。最明显的改进是：
- 相似题目推荐准确率约75%（人工评估）
- 复习计划生成耗时从40分钟缩短到即时生成
- 知识盲点识别更系统化
推荐以下最佳实践：
- 建立规范的笔记模板（建议用Markdown代码块区分题目/答案/分析）
- 定期维护知识图谱（我每周日晚上做一次全面校验）
- 合理设置监控间隔（文件监控建议5秒检测一次）
- 重要考试前做人工复核
这套方案特别适合需要大量刷题认证考试（如PMP、软考、法律资格考试等）。对于开放式学习场景，建议适当降低自动化程度，保留更多人工思考空间。
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。