OpenClaw+千问3.5-9B学习助手：自动生成错题集与复习计划

1. 为什么需要AI学习助手？

去年备考PMP认证时，我发现自己陷入了"错题黑洞"——整理错题本占用了60%的复习时间。手动标注知识点、寻找同类题目、安排复习周期这些机械工作，严重挤占了真正的学习时间。直到偶然将课堂笔记扔给千问3.5-9B做解析测试，才发现AI+自动化可以重构整个学习流程。

传统学习软件的问题在于：要么功能固定无法定制（如某些背单词APP），要么需要编程能力（如Anki插件开发）。而OpenClaw+千问的组合，既能理解自然语言需求，又能像真人一样操作系统完成文件处理、格式转换等操作。最重要的是所有数据都在本地处理，不用担心敏感笔记内容泄露。

2. 环境搭建与模型接入

2.1 基础组件安装

我的设备是M1 MacBook Air，通过Homebrew完成基础环境配置：

brew install node@22
npm install -g openclaw@latest
openclaw --version  # 确认版本≥0.8.3

初始化配置时选择Advanced模式，关键配置项：

• Provider选择"Custom"
• Model ID填写"qwen3-9b"
• Base URL填写本地模型服务地址（我使用http://localhost:8080/v1）
• Context Window设为8192（处理长笔记需要）

2.2 千问3.5-9B模型部署

由于需要频繁调用模型处理文本，建议在GPU服务器部署模型服务。我的配置：

• 使用vLLM启动服务：

python -m vllm.entrypoints.api_server \
    --model Qwen/Qwen1.5-9B-Chat \
    --port 8080 \
    --gpu-memory-utilization 0.8

• 测试接口响应：

curl http://localhost:8080/v1/completions \
-H "Content-Type: application/json" \
-d '{"model": "qwen3-9b", "prompt": "你好", "max_tokens": 50}'

2.3 学习专用Skill安装

通过ClawHub安装教育场景专用技能包：

clawhub install study-helper exam-assistant

这两个技能包提供了：

• extract-knowledge-points：知识点提取
• generate-similar-questions：相似题目生成
• make-anki-cards：Anki卡片格式转换
• ebbinghaus-schedule：记忆曲线排期

3. 错题处理实战流程

3.1 原始笔记预处理

我的错题笔记采用固定Markdown格式存储：

```question
题目：项目经理发现关键路径延误，首先应该？
A. 加班赶工 B. 申请延期 C. 分析原因 D. 缩减范围
```
```answer
正确答案：C
```
```analysis
考点：变更管理流程
知识点：4.6节 实施整体变更控制
错误原因：混淆了问题分析与解决方案
```

通过OpenClaw的watch功能监控笔记文件夹变化，自动触发处理流程：

{
  "watchers": {
    "study_notes": {
      "path": "~/Documents/Study/PMP/errors",
      "handler": "study-helper process-note"
    }
  }
}

3.2 知识点图谱构建

模型会提取题目中的知识点并建立关联关系。例如上述错题会生成：

- 核心概念: 变更管理
  - 子概念: 变更控制流程
  - 相关章节: 4.6
  - 易混淆点: 
    - 问题分析 vs 解决方案
    - 关键路径管理
  - 关联题目: [Q123, Q457]

这个结构化数据会存储为knowledge_graph.yml，作为后续推荐的依据。

3.3 相似题目推荐

基于知识点图谱，自动从题库中检索相似题目。我的题库是CSV格式：

ID,Question,Answer,KnowledgePoints
Q789,"面对范围蔓延应该？","B","4.6 变更控制"

推荐结果以Markdown表格呈现：

| 原错题ID | 相似题ID | 相似度 | 共同知识点           |
|----------|----------|--------|----------------------|
| ERR_042  | Q789     | 82%    | 变更控制流程         |

3.4 复习计划生成

最实用的功能是自动生成艾宾浩斯复习计划。执行命令：

openclaw run ebbinghaus-schedule --input knowledge_graph.yml --format anki

生成的复习时间表会同步到Anki：

2024-03-20: 变更管理(4.6)
2024-03-21: 关键路径法(6.5)+变更管理(4.6)
2024-03-24: 变更管理(4.6)

4. 踩坑与优化经验

4.1 模型参数调优

初期直接使用默认参数时，知识点提取经常出现偏差。通过反复测试确定的理想参数：

{
  "temperature": 0.3,
  "top_p": 0.9,
  "frequency_penalty": 0.5,
  "presence_penalty": 0.4
}

特别需要注意frequency_penalty的设置，可以有效避免模型重复输出相同术语。

4.2 处理长文本策略

当遇到复杂的案例分析题时，采用分块处理策略：

1. 先用模型生成摘要
2. 对摘要进行知识点标注
3. 最后处理完整题目

对应的OpenClaw任务配置：

steps:
  - name: summarize
    action: qwen-chat
    params:
      prompt: "用100字摘要以下案例..."
  - name: extract
    action: study-helper extract
    depends_on: summarize

4.3 结果验证机制

为避免模型幻觉导致的知识点错误，建立了三级校验：

1. 模型初次提取
2. 与教材目录自动比对
3. 人工确认标记（通过简单的y/n确认）

对应的校验脚本：

openclaw verify knowledge_points.yml --reference textbook_index.csv

5. 效果评估与使用建议

经过三个月实践，这套系统帮我将错题处理效率提升了3倍左右。最明显的改进是：

• 相似题目推荐准确率约75%（人工评估）
• 复习计划生成耗时从40分钟缩短到即时生成
• 知识盲点识别更系统化

推荐以下最佳实践：

1. 建立规范的笔记模板（建议用Markdown代码块区分题目/答案/分析）
2. 定期维护知识图谱（我每周日晚上做一次全面校验）
3. 合理设置监控间隔（文件监控建议5秒检测一次）
4. 重要考试前做人工复核

这套方案特别适合需要大量刷题认证考试（如PMP、软考、法律资格考试等）。对于开放式学习场景，建议适当降低自动化程度，保留更多人工思考空间。

---

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。