当前位置：首页 > news >正文

OpenClaw定时任务：千问3.5-9B每天自动发送天气提醒

news 2026/6/9 2:12:00

OpenClaw定时任务：千问3.5-9B每天自动发送天气提醒

1. 为什么需要自动化天气提醒

每天早上查看天气是我多年养成的习惯，但手动查询再转发到团队群的过程实在繁琐。上个月连续三天忘记带伞被淋成落汤鸡后，我决定用OpenClaw+千问3.5-9B搭建自动化方案。这个组合的独特优势在于：

隐私安全：所有数据在本地处理，天气查询记录不会经过第三方服务器
个性定制：能根据我的通勤路线（比如公司到健身房这段）生成专属提醒
自然交互：千问3.5-9B生成的提醒像朋友聊天，比机械的天气API更有温度

实际使用两周后，这套系统每天7:30准时推送的提醒，已经成为我们小组的"数字天气预报员"。

2. 系统架构与核心组件

2.1 技术栈选型

整个系统运行在我的MacBook Pro上（M1芯片/16GB内存），主要组件包括：

OpenClaw v1.2.3：负责任务调度和钉钉消息推送
千问3.5-9B镜像：部署在本地通过vLLM加速
钉钉机器人：作为消息接收终端
和风天气API：免费版提供基础天气数据

# 组件版本验证命令 openclaw --version # 输出 v1.2.3 python -c "import vllm; print(vllm.__version__)" # 输出 0.3.2

2.2 关键配置节点

在~/.openclaw/openclaw.json中需要重点配置三个模块：

{ "models": { "providers": { "qwen-local": { "baseUrl": "http://localhost:8000/v1", "api": "openai-completions" } } }, "channels": { "dingtalk": { "webhook": "https://oapi.dingtalk.com/robot/send?access_token=你的token" } }, "scheduler": { "timezone": "Asia/Shanghai" } }

特别要注意时区配置，否则cron任务可能在不预期的时间触发。

3. 实现步骤与踩坑记录

3.1 天气数据获取

最初直接调用千问生成天气信息，发现它偶尔会"虚构"气象数据。后来改为混合架构：

先用Python请求和风天气API获取结构化数据
将数据喂给千问3.5-9B生成自然语言描述

# 获取天气数据的技能脚本 (保存为 ~/.openclaw/skills/weather.py) import requests from datetime import datetime def get_weather(location="北京"): api_key = "你的和风天气KEY" url = f"https://devapi.qweather.com/v7/weather/now?location={location}&key={api_key}" response = requests.get(url).json() return { "temp": response["now"]["temp"], "text": response["now"]["text"], "wind": response["now"]["windDir"], "humidity": response["now"]["humidity"], "time": datetime.now().strftime("%Y-%m-%d %H:%M") }

3.2 提示词工程优化

经过多次调试，最终确定的提示词模板包含三个关键要素：

角色设定：让模型以生活助手的身份发言
数据注入：将API返回的天气数据作为上下文
输出约束：限制生成内容的长度和格式

你是一位贴心的生活助手，请根据以下天气数据生成一段给上班族的温馨提示： {weather_data} 要求： 1. 包含穿衣和出行建议 2. 用emoji增加亲和力 3. 限制在80字以内

实际测试发现，加入"限制在80字以内"这个约束后，钉钉消息的阅读率提升了40%。

3.3 定时任务配置

OpenClaw支持两种定时方式：

系统crontab：适合简单触发

# 每天7:30执行 30 7 * * * /usr/local/bin/openclaw task run weather_reminder

内置调度器：推荐方案，可管理任务依赖

// 在openclaw.json中添加 "tasks": { "weather_reminder": { "schedule": "30 7 * * *", "command": "skills/weather.py" } }

我选择了第二种方案，因为它能自动处理环境变量，且失败时会重试3次。

4. 效果验证与迭代优化

4.1 消息样式对比

原始方案（纯API数据）：

北京今日天气：晴，气温25℃，南风3级

当前方案（千问3.5-9B生成）：

☀️ 早安！今天北京晴空万里，25℃像初夏~ 建议穿薄衬衫出门，南风调皮记得固定文件哦！ 下班时健身房见~ 🏃

团队调研显示，第二种风格的点击率是前者的2.3倍。

4.2 异常处理机制

遇到过的典型问题及解决方案：

天气API超时：增加5秒超时设置，超时后改用千问的记忆数据
模型响应慢：在vLLM配置中启用continuous batching
钉钉消息限流：加入随机延迟(0-5秒)避免触发频率限制

# 改进后的异常处理逻辑 try: weather = get_weather() except Exception as e: weather = {"text": "数据更新中", "temp": "N/A"} logger.warning(f"Weather API failed: {str(e)}")