OpenClaw+GLM-4.7-Flash：自动化周报生成系统实战

NightshadeStag56

229人浏览 · 2026-03-29 04:31:50

NightshadeStag56 · 2026-03-29 04:31:50 发布

OpenClaw+GLM-4.7-Flash：自动化周报生成系统实战

1. 为什么需要自动化周报系统

每周五下午三点，我的日历总会准时弹出提醒："该写周报了"。这个看似简单的任务却让我头疼不已——需要翻遍一周的会议记录、Git提交、工作日志，再把碎片信息整合成领导要求的"成果+思考+计划"三段式结构。整个过程通常要消耗1-2小时，直到我尝试用OpenClaw+GLM-4.7-Flash搭建自动化流水线。

这个系统的核心价值在于：将重复的信息整理工作交给AI。现在我的周报生成流程从手动整理的120分钟缩短到5分钟复核时间，准确率却提高了30%（通过对比历史周报关键词覆盖率得出）。更重要的是，系统会自动保留原始工作日志作为附件，避免了人工整理时的信息遗漏。

2. 系统架构与核心组件

2.1 技术选型思路

选择OpenClaw而非传统RPA工具主要考虑三个因素：

隐私性：周报涉及项目细节，需要本地处理不经过第三方服务器
扩展性：后期可能增加飞书日程同步、Git仓库分析等模块
自然语言交互：可以直接用"把周三的会议要点加入周报"这样的指令调整内容

GLM-4.7-Flash作为生成引擎的优势也很明显：

长文本处理：支持16K上下文，能同时分析一周的所有日志
结构化输出：能严格遵循Markdown模板生成内容
本地部署：通过ollama部署在开发机，避免API调用延迟

2.2 数据流设计

系统的工作流程分为四个阶段：

数据采集层：监控指定目录的日志文件（我使用~/Documents/worklog/存放每日记录）
预处理层：用Python脚本清洗数据（去除重复项、合并同类项）
生成层：GLM-4.7-Flash分析日志并生成周报草稿
后处理层：自动添加公司要求的固定格式头尾

关键目录结构如下：

~/.openclaw/
├── skills/
│   └── weekly-report/
│       ├── templates/  # 存放不同部门的周报模板
│       ├── history/    # 历史周报存档
│       └── config.json # 个性化配置

3. 关键实现步骤

3.1 环境准备与模型部署

首先在Ubuntu开发机上部署ollama服务：

curl -fsSL https://ollama.ai/install.sh | sh
ollama pull glm-4.7-flash
ollama serve &  # 后台运行服务

测试模型是否正常工作：

curl http://localhost:11434/api/generate -d '{
  "model": "glm-4.7-flash",
  "prompt": "用三句话介绍GLM模型"
}'

3.2 OpenClaw技能开发

创建自定义skill的目录结构：

mkdir -p ~/.openclaw/skills/weekly-report/{templates,history}
cd ~/.openclaw/skills/weekly-report

核心配置文件config.json示例：

{
  "log_path": "~/Documents/worklog/",
  "output_path": "~/Downloads/",
  "default_template": "engineering.md",
  "triggers": [
    {
      "type": "cron",
      "value": "0 15 * * 5"  // 每周五下午3点触发
    }
  ]
}

3.3 日志预处理脚本

在skill目录下创建preprocess.py：

import glob
import json
from datetime import datetime

def parse_logs(log_dir):
    entries = []
    for file in glob.glob(f"{log_dir}/*.md"):
        with open(file) as f:
            date = datetime.strptime(file.split("/")[-1][:10], "%Y-%m-%d")
            entries.append({
                "date": date.strftime("%m/%d"),
                "content": f.read()
            })
    return sorted(entries, key=lambda x: x["date"])

if __name__ == "__main__":
    logs = parse_logs("~/Documents/worklog/")
    with open("input.json", "w") as f:
        json.dump(logs, f)

3.4 提示词工程

模板文件templates/engineering.md包含动态占位符：

# {week}周工作汇报（{name}）

## 核心成果
{{#each achievements}}
- {{{this}}}{{/each}}

## 问题与思考
{{#each reflections}}
- {{{this}}}{{/each}}

## 下周计划
{{#each plans}}
- {{{this}}}{{/each}}

对应的提示词设计：

你是一位资深工程师，需要根据每日工作日志生成专业周报。请：

1. 从日志中提取3-5项最重要的技术成果
2. 总结2-3个有价值的反思点
3. 列出下周的3个明确目标

要求：
- 使用技术术语但避免晦涩
- 成果要量化（如"优化接口响应时间从320ms降至190ms"）
- 反思需包含改进方案
- 计划要具体可执行

原始日志：
{{logs}}

4. 系统集成与测试

4.1 OpenClaw任务配置

在~/.openclaw/openclaw.json中添加模型配置：

{
  "models": {
    "providers": {
      "local-ollama": {
        "baseUrl": "http://localhost:11434",
        "api": "ollama",
        "models": [
          {
            "id": "glm-4.7-flash",
            "name": "Local GLM"
          }
        ]
      }
    }
  }
}

创建自动化任务脚本weekly-report.sh：

#!/bin/bash
cd ~/.openclaw/skills/weekly-report
python preprocess.py
openclaw task run --model glm-4.7-flash --prompt-file prompt.txt --input input.json --output output.md
pandoc output.md -o weekly-report.docx

4.2 飞书机器人集成

配置飞书webhook通知生成结果：

{
  "channels": {
    "feishu": {
      "webhook": "https://open.feishu.cn/open-apis/bot/v2/hook/xxx",
      "events": {
        "task_complete": true
      }
    }
  }
}

5. 实际效果与优化经验

5.1 生成示例对比

原始日志片段：

7/15 与后端讨论API缓存方案
7/16 实现Redis缓存层 QPS从120提升到210
7/17 发现缓存穿透问题 添加空值缓存

AI生成内容：

## 核心成果
- 实现Redis二级缓存架构，使查询接口QPS从120提升至210（提升75%）
- 通过布隆过滤器+空值缓存解决缓存穿透问题

## 问题与思考
- 当前缓存过期策略可能导致雪崩，建议采用阶梯过期时间
- API文档未及时更新，已创建自动化文档生成任务

## 下周计划
- 实施缓存分区方案应对数据增长
- 完成Swagger文档自动化部署
- 调研Redis集群方案