OpenClaw技能扩展实战：用ollama-QwQ-32B搭建自动化周报生成器

OpenClaw技能扩展实战：用ollama-QwQ-32B搭建自动化周报生成器

1. 为什么需要自动化周报生成器

每周五下午，我的心情总是特别复杂。一方面期待着周末的到来，另一方面又要面对那个永恒的任务——写周报。作为一个技术从业者，我发现自己花了太多时间在整理日志、回忆工作内容和调整格式上，而不是真正有价值的工作复盘。

直到我发现了OpenClaw这个开源自动化框架。它让我意识到，这种重复性的文档工作完全可以交给AI来处理。通过将ollama-QwQ-32B大模型与OpenClaw的file-processor技能结合，我成功搭建了一个完全自动化的周报生成系统。现在，它不仅能读取我分散在各处的日志文件，还能生成结构清晰的周报，甚至自动发送给团队。

2. 系统架构与核心组件

2.1 整体工作流程

这个自动化周报生成器的核心思路很简单：让AI像人类助理一样，收集我的工作痕迹，理解它们，然后整理成规范的报告。具体流程分为三个阶段：

1. 数据收集阶段：系统扫描我指定的日志目录，读取Markdown格式的每日工作记录
2. 内容生成阶段：ollama-QwQ-32B模型分析日志内容，提取关键信息，按照公司模板生成周报
3. 交付阶段：系统将生成的周报保存到指定位置，并通过邮件自动发送给主管

2.2 关键技术选型

选择ollama-QwQ-32B作为核心模型有几个考虑。首先，它支持32K的上下文长度，足以处理一周的工作日志。其次，ollama的本地部署方式保证了数据的隐私性，我的工作内容不会离开本地环境。最重要的是，QwQ系列模型在中文理解和结构化输出方面表现优异，非常适合这种办公自动化场景。

OpenClaw的file-processor技能则提供了与文件系统交互的能力。它不仅能读取和写入文件，还能理解文件内容的结构，这为日志解析提供了基础能力。

3. 具体实现步骤

3.1 环境准备与安装

首先需要在本地部署ollama-QwQ-32B模型服务。我使用的是CSDN星图平台提供的一键部署镜像，省去了手动配置的麻烦：

# 拉取ollama-QwQ-32B镜像 docker pull csdn-mirror/ollama-qwq-32b # 启动模型服务 docker run -d -p 11434:11434 csdn-mirror/ollama-qwq-32b

接下来安装OpenClaw核心框架和必要的技能包：

# 安装OpenClaw curl -fsSL https://openclaw.ai/install.sh | bash # 安装file-processor技能 clawhub install file-processor email-sender

3.2 配置文件与模型接入

OpenClaw的配置文件位于~/.openclaw/openclaw.json。需要在这里添加ollama-QwQ-32B作为模型提供方：

{ "models": { "providers": { "ollama-qwq": { "baseUrl": "http://localhost:11434", "api": "openai-completions", "models": [ { "id": "qwq-32b", "name": "Ollama QwQ 32B", "contextWindow": 32768 } ] } } } }

配置完成后，重启OpenClaw网关使更改生效：

openclaw gateway restart

3.3 日志格式标准化

为了让模型更好地理解我的工作内容，我设计了一个简单的Markdown日志模板：

## 2023-11-20 周一 ### 重点工作 - [x] 完成OpenClaw接入测试 - [ ] 编写用户文档 ### 问题与思考 - 发现模型响应速度较慢，可能需要优化prompt ### 明日计划 - 继续文档编写工作 - 测试自动化周报生成

这种结构化的格式大大提高了模型解析的准确性。我习惯每天下班前花5分钟填写这个模板，存放在~/work/logs目录下。

4. 自动化流程实现

4.1 周报生成技能开发

OpenClaw允许通过简单的YAML文件定义自动化技能。我为周报生成创建了一个自定义技能weekly-report：

name: weekly-report description: 自动生成周报并发送邮件 steps: - name: collect-logs action: file-processor/read-dir params: path: ~/work/logs pattern: "*.md" - name: generate-report action: model/complete params: model: ollama-qwq/qwq-32b prompt: | 请根据以下工作日志生成一份周报，按照"本周工作"、"成果展示"、 "存在问题"和"下周计划"四个部分组织内容。保持专业简洁的风格。 {{ steps.collect-logs.output }} - name: save-report action: file-processor/write-file params: path: ~/work/reports/周报_{{ now | date('YYYY-MM-DD') }}.md content: "{{ steps.generate-report.output }}" - name: send-email action: email-sender/send params: to: "manager@company.com" subject: "周报 - {{ now | date('YYYY-MM-DD') }}" body: | 您好，附件是本周的工作报告，请查收。 {{ steps.generate-report.output }}

这个技能定义了一个完整的自动化流程：先收集日志，然后让模型生成周报，最后保存文件并发送邮件。

4.2 定时任务设置

为了让系统每周五下午自动运行，我使用了OpenClaw的定时任务功能：

# 设置每周五16:30运行周报生成 openclaw schedule create \ --name "weekly-report" \ --cron "30 16 * * 5" \ --skill "weekly-report"

现在每到周五下午，系统就会自动启动周报生成流程，我只需要在收到邮件后快速浏览确认即可。

5. 使用效果与优化经验

5.1 实际效果对比

使用自动化系统前后，我的周报工作发生了明显变化：

• 时间投入：从平均1.5小时/周减少到10分钟/周（主要是日志记录和最终确认）
• 内容质量：生成的周报比我自己写的更加结构化，重点更突出
• 工作体验：周五下午的压力感显著降低

5.2 遇到的挑战与解决方案

在实现过程中，我遇到了几个典型问题：

问题1：模型输出的周报过于笼统初期生成的周报经常出现"完成了多项工作"这样的模糊表述。通过调整prompt，明确要求列出具体任务和成果，显著改善了输出质量。

问题2：日志文件格式不一致有时匆忙记录的日志不符合模板要求，导致模型解析错误。我开发了一个简单的日志校验脚本，在每天保存时检查格式。

问题3：邮件发送失败公司邮件服务器有频率限制。解决方案是添加了发送失败的重试机制，并将发送时间随机延后0-5分钟。

5.3 进一步优化方向

经过一段时间的使用，我发现了几个可以继续优化的点：

1. 日志记录自动化：计划集成日历和Git提交记录，自动生成部分日志内容
2. 多维度分析：让模型不仅生成描述性报告，还能提供工作模式和效率的分析建议
3. 交互式修订：在最终发送前，支持通过自然语言指令修改报告内容

6. 安全与隐私考量

在实现这个自动化系统时，我特别注意了几个安全和隐私问题：

• 数据本地化：所有工作日志和生成的周报都保存在本地，不经过任何第三方云服务
• 权限控制：OpenClaw进程以普通用户权限运行，避免系统级风险
• 敏感信息过滤：在邮件发送前，系统会自动检查并提醒可能包含的敏感信息
• 访问日志：记录所有自动化操作的详细日志，便于审计和问题排查

这种全链路的本地化处理，让我可以放心地将日常工作数据交给系统处理，而不必担心信息泄露风险。

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。