OpenClaw+千问3.5-35B-A3B-FP8：教育工作者自动化备课系统搭建

1. 为什么需要自动化备课系统

作为一名兼职讲师，我每周要花6-8小时准备课件。最痛苦的不是内容创作本身，而是重复性的资料收集和格式整理工作：从扫描教材提取知识点、关联网络资源、编写配套例题，到剪辑教学视频片段。直到发现OpenClaw+千问3.5的组合，才真正实现了"备课自由"。

这个系统的核心价值在于：

• 教材数字化：用手机拍摄教材页面，自动识别文本和图表
• 智能关联：基于知识点自动匹配网络优质资源和往期课件
• 例题生成：根据教学大纲要求自动生成难度适中的练习题
• 视频剪辑：从录播课程中智能截取关键片段
• 流程自动化：通过日历事件触发整套备课流程

2. 系统搭建基础准备

2.1 硬件与软件环境

我的工作环境是一台MacBook Pro（M1芯片/16GB内存），系统版本macOS Sonoma。关键组件包括：

• OpenClaw v2.3.1（通过Homebrew安装）
• 千问3.5-35B-A3B-FP8模型（部署在本地服务器）
• 飞书日历（用于任务触发）
• OBS Studio（录屏课程管理）

2.2 OpenClaw初始化配置

安装过程遇到第一个坑：模型服务地址配置。官方文档示例都是对接云端API，本地模型需要特殊处理：

# 安装后执行初始化向导
openclaw onboard --mode=Advanced

在模型配置环节选择"Custom Provider"，关键参数如下：

{
  "models": {
    "providers": {
      "local-qwen": {
        "baseUrl": "http://192.168.1.100:5000/v1",  // 本地模型服务地址
        "apiKey": "NULL",  // 本地部署可不填
        "api": "openai-completions",
        "models": [
          {
            "id": "qwen3.5-35b-local",
            "name": "本地千问3.5",
            "contextWindow": 32768
          }
        ]
      }
    }
  }
}

3. 备课流程自动化实现

3.1 教材扫描与知识点提取

开发了一个专用技能包处理教材扫描：

clawhub install textbook-analyzer

工作流程：

1. 用手机拍摄教材页面，同步到电脑指定目录
2. OpenClaw自动监控目录变化
3. 调用千问3.5的多模态能力识别图文内容
4. 输出结构化知识点JSON

# 示例输出结构
{
  "chapter": "三角函数",
  "key_points": [
    {
      "concept": "正弦定理",
      "formula": "a/sinA = b/sinB = c/sinC",
      "illustration": "解析图已保存为sin_theorem.png"
    }
  ]
}

3.2 智能资源关联

配置了自定义规则匹配网络资源：

# ~/.openclaw/skills/resource_matcher/config.yaml
rules:
  - concept: "正弦定理"
    sources:
      - type: "video"
        platform: "bilibili"
        search: "正弦定理 证明"
      - type: "slide"
        local_path: "/课件存档/2023/数学/三角/正弦定理.pptx"

实际使用中发现，直接搜索往往返回低质量内容。后来改进为优先匹配我收藏的优质UP主视频，通过千问3.5的摘要功能提取关键片段。

3.3 例题生成与难度控制

最惊喜的功能是自动生成例题。在技能配置中设置了难度参数：

{
  "difficulty": {
    "easy": "直接套用公式",
    "medium": "需要2步推导",
    "hard": "综合应用题"
  },
  "style": "高考真题风格"
}

示例生成效果：

题目（难度：中等）
在△ABC中，已知a=5, sinA=1/2, sinB=1/3，求边b的长度。
解析：
根据正弦定理a/sinA = b/sinB → 5/(1/2) = b/(1/3) → b=10/3

4. 日历触发全流程

4.1 飞书日历配置

在飞书开放平台创建自建应用后，配置事件订阅：

{
  "channels": {
    "feishu": {
      "event_subscriptions": {
        "calendar_event": {
          "reminder": true,
          "keywords": ["备课"]
        }
      }
    }
  }
}

当日历事件包含"备课"关键词时，OpenClaw会：

1. 解析事件描述获取课程信息
2. 检查关联的教材章节
3. 启动完整备课流水线

4.2 任务编排技巧

通过工作流引擎串联多个技能：

# 安装工作流插件
clawhub install workflow-engine

定义备课流程YAML：

steps:
  - name: 提取教材内容
    skill: textbook-analyzer
    params: 
      path: "~/教材扫描/数学/{date}.jpg"
  
  - name: 生成知识点
    skill: knowledge-extractor
    depends_on: [提取教材内容]
  
  - name: 收集教学资源
    skill: resource-matcher
    timeout: 600s  # 网络请求设置超时
  
  - name: 制作课件
    skill: ppt-generator
    output: "~/课件/{date}.pptx"

5. 实践中的经验教训

5.1 模型微调的必要性

初期直接使用原始千问3.5时，生成的例题经常超纲。后来用往期试题数据做了LORA微调，关键参数：

{
  "lora_rank": 64,
  "target_modules": ["q_proj", "v_proj"],
  "train_data": "~/题库/五年高考真题.jsonl"
}

微调后模型对"高考真题风格"的理解显著提升，能准确把握各年级知识点边界。

5.2 安全防护措施

有次误操作导致系统删除临时文件时连带删除了教学视频。现在采取以下防护：

1. 设置操作白名单目录
2. 危险操作前自动创建备份
3. 关键文件设置只读权限

# 安全策略配置示例
{
  "security": {
    "restricted_paths": ["/教学视频"],
    "backup": {
      "enable": true,
      "interval": "1h"
    }
  }
}

6. 最终效果与优化空间

系统运行三个月后，备课时间从每周8小时降至2小时。最实用的三个功能：

1. 自动从2小时录播课中提取5-8个关键片段（准确率约85%）
2. 例题自动生成节省60%出题时间
3. 历史课件智能检索避免重复劳动

待改进点：

• 复杂数学公式的识别准确率仍需提升
• 跨章节知识关联还不够智能
• 视频片段提取有时会遗漏重要过渡内容

---

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。