OpenClawollama-QwQ-32B自动化办公飞书机器人周报生成实战1. 为什么选择这个方案每周五下午我都会陷入同样的焦虑——堆积如山的会议记录、零散的待办事项、需要整理的项目进展全都等着被塞进那份永远写不完的周报里。直到上个月我在调试OpenClaw对接本地ollama模型时突然想到能不能让AI帮我完成这个痛苦的仪式经过三周的迭代现在我的飞书机器人已经能通过自然语言指令生成80%可用的周报初稿。整个过程完全在本地运行敏感数据不出内网特别适合我们这种对信息安全有要求的小团队。下面分享这个方案的完整落地过程。2. 基础环境搭建2.1 模型服务部署我选择ollama-QwQ-32B作为核心模型主要看中它在中文长文本生成上的稳定性。部署命令简单到令人发指ollama pull qwq-32b ollama run qwq-32b --port 11434这个模型服务会在本地11434端口提供兼容OpenAI的API接口后续OpenClaw直接对接这个地址即可。2.2 OpenClaw核心安装在Mac上采用官方推荐的一键安装curl -fsSL https://openclaw.ai/install.sh | bash安装完成后特别要注意权限配置。由于需要操作本地文件系统我专门为OpenClaw创建了受限用户sudo dscl . create /Users/openclaw sudo dscl . create /Users/openclaw UserShell /bin/bash3. 飞书通道深度配置3.1 插件安装与基础验证国内使用飞书作为主要沟通工具因此选择飞书作为控制通道openclaw plugins install m1heng-clawd/feishu这里遇到第一个坑插件版本与OpenClaw核心不兼容。解决方法是指定版本号openclaw plugins install m1heng-clawd/feishu1.2.33.2 凭证配置的隐藏技巧飞书开放平台申请应用时有两个关键配置容易被忽略必须开启机器人能力IP白名单要包含OpenClaw服务所在机器的公网IP配置文件~/.openclaw/openclaw.json的通道部分应该这样写{ channels: { feishu: { enabled: true, appId: cli_xxxxxx, appSecret: xxxxxxxx, encryptKey: , verificationToken: , connectionMode: websocket } } }特别提醒如果企业开启了飞书数据加密必须填写encryptKey字段否则消息无法正常接收。4. 周报生成技能开发4.1 数据源准备我的周报主要包含三类数据日历会议记录通过飞书API获取Git提交记录本地仓库扫描待办事项飞书任务列表为此编写了三个数据收集器// 示例会议记录提取器 async function fetchMeetings(userId, dateRange) { const res await feishu.calendar.event.list({ user_id: userId, time_min: dateRange.start, time_max: dateRange.end }); return res.data.items.map(item ({ title: item.summary, time: item.start.dateTime, attendees: item.attendees.map(a a.displayName) })); }4.2 提示词工程实践经过多次调整最终有效的提示词结构如下你是一位专业的项目经理助理请根据以下材料生成周报 1. 会议记录{{meetings}} 2. 代码提交{{commits}} 3. 待办事项{{todos}} 要求 - 按已完成/进行中/计划中三部分组织 - 每项工作注明相关会议和代码提交作为佐证 - 技术细节用通俗语言解释 - 输出Markdown格式关键发现在提示词中明确要求用会议和提交记录作为佐证能显著减少模型胡编乱造的情况。5. 完整工作流组装5.1 任务触发与执行现在只需要在飞书群里机器人并说生成本周周报就会触发以下流程OpenClaw接收指令并解析时间范围默认上周五到本周四并行调用三个数据收集器获取原始数据将数据填充到提示词模板中请求ollama-QwQ-32B生成周报草稿将Markdown结果发回飞书群整个流程耗时约45秒最耗时的部分是会议记录获取飞书API限速。5.2 人工复核与迭代生成周报后我会进行两轮调整事实核对确保所有引用会议和提交记录真实存在语气调整把AI过于正式的表达改成我们团队的口语风格有趣的是经过多次迭代后模型已经能模仿我们团队的写作风格现在需要的修改越来越少。6. 安全与性能考量6.1 数据安全设计整个方案有三大安全屏障所有数据在本地处理不经过第三方云服务OpenClaw运行在受限用户权限下敏感信息如飞书凭证采用环境变量注入6.2 性能优化点遇到的主要性能问题是长上下文消耗ollama-QwQ-32B的32k上下文窗口足够处理一周数据但超过20场会议时Token消耗剧增解决方案是对会议记录做预处理合并相同主题的连续会议移除与会者名单等非关键信息用关键词替代长段落描述7. 实际效果与团队反馈实施两个月后这套方案已经在我们8人团队中推广。最让我意外的不是时间节省平均每周省2小时而是周报质量的变化完整性AI不会漏掉任何会议记录可追溯性每项工作都能关联到具体会议和代码一致性格式统一便于快速浏览有个有趣的副作用因为知道所有工作都会被记录团队成员现在开会更专注待办事项更新也更及时——这算是自动化带来的意外管理收益。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。