OpenClaw+千问3.5-35B-A3B-FP8：30分钟搭建个人知识库助手

1. 为什么需要个人知识库助手

去年我发现自己陷入了一个典型的信息过载困境——收藏了数百篇技术文章，电脑里堆满PDF和Markdown笔记，但真正需要时却找不到关键内容。更糟糕的是，当我试图整理这些资料时，发现光是分类和打标签就耗费了整个周末。

这正是我决定用OpenClaw+千问3.5搭建个人知识库助手的初衷。这个组合最吸引我的是它能将三个核心能力融为一体：

• 自动化采集：像人类一样操作浏览器抓取网页内容
• 智能解析：理解PDF、Word等非结构化文档
• 自然语言交互：通过日常使用的飞书直接提问

现在我的工作流变成了：看到有价值的内容直接丢给助手处理，需要查询时用自然语言提问。整个过程就像拥有了一个24小时在线的数字图书管理员。

2. 环境准备与快速部署

2.1 基础环境搭建

我选择在MacBook Pro（M1芯片，16GB内存）上部署，实际测试发现这套方案对硬件要求并不苛刻：

# 一键安装OpenClaw（国内镜像加速版）
curl -fsSL https://openclaw.ai/install.sh | bash
openclaw --version

# 初始化配置（选择QuickStart模式）
openclaw onboard

配置向导中几个关键选择：

• 模型提供商：选择"Custom"手动配置千问3.5
• 通信渠道：跳过初始设置（后续单独配置飞书）
• 基础技能：全选（特别是file-processor和web-crawler）

2.2 千问3.5模型接入

在~/.openclaw/openclaw.json中添加自定义模型配置时，我遇到了第一个坑——官方文档中的字段名已经更新。以下是实际可用的配置片段：

{
  "models": {
    "providers": {
      "qwen-local": {
        "baseUrl": "http://localhost:8080/v1", // 千问3.5服务地址
        "apiKey": "sk-no-key-required", // 本地部署可不填
        "api": "openai-completions",
        "models": [
          {
            "id": "qwen3-35b-fp8",
            "name": "千问3.5本地版",
            "contextWindow": 32768,
            "maxTokens": 8192
          }
        ]
      }
    }
  }
}

配置完成后，用这个命令验证模型连接：

openclaw gateway restart
openclaw models test qwen3-35b-fp8

3. 构建知识库的核心技能链

3.1 网页内容抓取实战

安装网页抓取技能时，我发现默认的web-crawler对中文站点支持不佳。通过ClawHub找到了优化版：

clawhub install enhanced-web-crawler-zh

实际使用时，只需对助手说："抓取https://example.com的技术文章，保存到我的AI知识库"。助手会：

1. 自动打开无头浏览器访问页面
2. 识别主要内容区域（避开广告和导航栏）
3. 提取文本并生成结构化Markdown
4. 添加自动生成的标签（基于内容分析）

3.2 本地文档解析技巧

处理本地文档时，我整理出一套最佳实践：

• PDF/Word：直接拖到OpenClaw的Web面板上传区
• 代码仓库：在项目根目录执行openclaw docs gen ./ --format=md
• 微信/钉钉聊天记录：导出HTML后使用chat-archive-parser技能

特别实用的一个功能是自动生成问答对。对任何文档执行：

openclaw qa generate --file=论文.pdf --output=faq.md

这会产出类似这样的结构化内容：

## Q: 论文提出的核心创新点是什么？
A: 作者提出了...（自动提取的摘要）

## Q: 实验部分使用了哪些数据集？
A: 实验采用了...（自动定位的章节内容）

4. 飞书机器人深度集成

4.1 通道配置避坑指南

国内用户配置飞书机器人时，最容易卡在权限配置环节。关键步骤包括：

1. 在飞书开放平台创建"自建应用"
2. 获取App ID和App Secret
3. 必须申请以下权限：
   • 获取用户发给机器人的消息
   • 发送消息给用户
   • 上传文件到飞书

配置文件示例（注意新版字段名）：

{
  "channels": {
    "feishu": {
      "connectionMode": "websocket",
      "appId": "cli_xxxxxx",
      "appSecret": "xxxxxx",
      "eventEncryptKey": "",
      "verificationToken": ""
    }
  }
}

4.2 自然语言查询实践

配置完成后，在飞书群里@机器人提问就像与真人交流：

• "上周保存的关于RAG架构的文章讲了什么？"
• "找出所有提到'向量数据库'的笔记"
• "把机器学习会议纪要整理成待办事项"

最让我惊喜的是多模态理解能力。当我发送一张包含流程图的白板照片并问："这个架构有什么潜在问题？"，助手能够：

1. 识别图片中的文字和图形元素
2. 理解技术架构关系
3. 基于千问3.5的知识给出专业建议

5. 个人实践中的经验教训

经过一个月的实际使用，我总结了几个关键心得：

Token消耗优化：最初我的知识库处理脚本会消耗大量Token，后来发现通过以下方式可以降低80%成本：

• 预处理时先用规则提取关键段落
• 对长文档采用"分块→摘要→聚合"的工作流
• 设置每日Token限额（在配置文件中添加budget字段）

安全防护措施：由于OpenClaw具有文件系统访问权限，我做了这些安全加固：

• 创建工作专用用户账号
• 设置~/.openclaw目录的精细权限
• 定期检查操作日志（openclaw logs audit）

模型微调技巧：为了让千问3.5更适应技术文档处理，我用自己的笔记微调了模型：

openclaw finetune start \
  --model=qwen3-35b-fp8 \
  --train=./my_notes/**/*.md \
  --output=./custom_model

现在，这个助手已经成为我每天必用的生产力工具。它不仅能快速找到我需要的资料，还能在不同知识片段间建立我想不到的关联——就像真正扩展了我的大脑容量。

---

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。