OpenClaw+ollama-QwQ-32B内容处理：自动生成周报与会议纪要

1. 为什么需要自动化内容处理工具

每周五下午三点，我的日历总会准时弹出"编写本周工作报告"的提醒。这个看似简单的任务，却常常让我陷入两难：要么花半小时手动整理零散的会议记录和项目进展，要么拖延到最后一刻草草应付。直到我发现OpenClaw与ollama-QwQ-32B的组合，才真正解决了这个痛点。

OpenClaw作为本地化AI智能体框架，配合ollama-QwQ-32B强大的文本生成能力，可以实现从原始文档到结构化报告的自动化转换。最吸引我的是，整个过程完全在本地运行，不用担心敏感会议内容泄露到第三方平台。现在，我只需要在飞书对话框输入"生成本周工作报告"，5分钟后就能收到一份格式规范、内容完整的周报初稿。

2. 环境准备与基础配置

2.1 部署ollama-QwQ-32B模型服务

我选择ollama作为模型部署工具，主要看中它的一键部署特性。在配备NVIDIA显卡的本地开发机上，安装过程异常简单：

ollama pull qwq-32b
ollama run qwq-32b

模型启动后会默认监听11434端口。为了验证服务是否正常，我用curl发送了一个测试请求：

curl http://localhost:11434/api/generate -d '{
  "model": "qwq-32b",
  "prompt": "请用一句话描述人工智能"
}'

2.2 OpenClaw的安装与模型对接

OpenClaw的macOS安装采用了官方推荐的一键脚本：

curl -fsSL https://openclaw.ai/install.sh | bash

安装完成后，关键步骤是配置模型连接。编辑~/.openclaw/openclaw.json文件，在models部分添加以下配置：

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

配置完成后，记得重启网关服务使变更生效：

openclaw gateway restart

3. 构建自动化内容处理流程

3.1 文档收集与预处理

我的工作文档主要分布在三个位置：

• 飞书会议记录（Markdown格式）
• 本地项目日志（TXT格式）
• 团队共享文档（HTML导出版本）

通过OpenClaw的file-processor技能，可以自动收集这些文档：

clawhub install file-processor

然后在工作区创建config/file-paths.json定义监控路径：

{
  "sources": [
    {
      "path": "~/Documents/MeetingNotes",
      "type": "markdown"
    },
    {
      "path": "~/Projects/logs",
      "type": "text"
    }
  ]
}

3.2 关键信息提取策略

直接让大模型处理原始文档效率低下且消耗token。我的解决方案是分两步走：

1. 先用规则引擎提取可能包含关键信息的段落
2. 只将这些精选内容发送给模型进行深度处理

例如，使用正则表达式匹配会议记录中的"结论"部分：

// 在自定义skill中的处理逻辑
const conclusionRegex = /## 结论([\s\S]*?)(?=##|$)/i;
const matches = content.match(conclusionRegex);
if (matches) {
  return matches[1].trim();
}

3.3 周报生成模板设计

通过反复试验，我总结出最有效的prompt结构：

你是一位专业的项目经理，请根据以下会议记录和项目进展生成周报。
要求：
1. 按[工作完成]、[进行中]、[问题与风险]三部分组织
2. 每个条目不超过2句话
3. 关键数据必须保留原始数值
4. 使用Markdown格式

原始内容：
{{content}}

这个模板保存在~/.openclaw/templates/weekly-report.md，可以在不同场景重复使用。

4. 飞书集成与交互优化

4.1 飞书机器人配置

在飞书开放平台创建应用后，配置OpenClaw的飞书通道：

{
  "channels": {
    "feishu": {
      "enabled": true,
      "appId": "cli_xxxxxx",
      "appSecret": "xxxxxxxx",
      "encryptKey": "xxxxxxxx",
      "verificationToken": "xxxxxxxx"
    }
  }
}

安装必要的飞书插件：

openclaw plugins install @m1heng-clawd/feishu

4.2 自然语言交互设计

为了让非技术同事也能使用，我设计了简单的触发指令：

• "生成周报"：处理上周五到这周四的内容
• "生成会议纪要 20240315"：处理特定日期的会议记录
• "更新项目状态"：重新扫描项目日志

这些指令通过飞书机器人的消息处理器进行解析：

app.message(async ({ message }) => {
  if (message.text.includes('生成周报')) {
    await handleWeeklyReport(message);
  }
});

5. 实际效果与调优经验

经过一个月的使用，系统平均每周为我节省3-4小时的手动整理时间。但初期也遇到几个典型问题：

1. 模型幻觉问题：早期版本有时会虚构项目进度数字。解决方案是在prompt中强调"仅使用提供的数据"。
2. 格式不一致：不同来源的文档导致输出格式混乱。通过统一预处理步骤解决了这个问题。
3. 长文档处理：超过32K token的文档会被截断。最终采用分块处理+摘要合并的策略。

性能方面，处理典型的周报任务（约10个会议记录+5个项目更新）：

• 本地ollama-QwQ-32B平均响应时间：12-15秒
• 完整流程耗时：3-5分钟
• Token消耗：约8000-12000 tokens/次

6. 安全注意事项与改进方向

由于系统需要访问公司内部文档，我特别注重安全措施：

• 所有数据处理都在本地完成
• 飞书API使用最小必要权限
• 敏感信息在日志中自动脱敏

未来计划改进的方向包括：

• 增加多语言支持，满足跨国团队需求
• 优化文档分块算法，提高长文本处理质量
• 开发可视化仪表盘，展示周报生成统计数据

这个自动化系统现在已经在我们5人小团队内部使用，每个人都可根据自己的需求定制报告风格。最大的收获不仅是时间节省，更是让团队成员从机械性文档工作中解放出来，专注于更有价值的创造性工作。

---

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。