OpenClaw定时任务：千问3.5-9B每天自动发送天气提醒

1. 为什么需要自动化天气提醒

每天早上查看天气是我多年养成的习惯，但手动查询再转发到团队群的过程实在繁琐。上个月连续三天忘记带伞被淋成落汤鸡后，我决定用OpenClaw+千问3.5-9B搭建自动化方案。这个组合的独特优势在于：

• 隐私安全：所有数据在本地处理，天气查询记录不会经过第三方服务器
• 个性定制：能根据我的通勤路线（比如公司到健身房这段）生成专属提醒
• 自然交互：千问3.5-9B生成的提醒像朋友聊天，比机械的天气API更有温度

实际使用两周后，这套系统每天7:30准时推送的提醒，已经成为我们小组的"数字天气预报员"。

2. 系统架构与核心组件

2.1 技术栈选型

整个系统运行在我的MacBook Pro上（M1芯片/16GB内存），主要组件包括：

1. OpenClaw v1.2.3：负责任务调度和钉钉消息推送
2. 千问3.5-9B镜像：部署在本地通过vLLM加速
3. 钉钉机器人：作为消息接收终端
4. 和风天气API：免费版提供基础天气数据

# 组件版本验证命令
openclaw --version  # 输出 v1.2.3
python -c "import vllm; print(vllm.__version__)"  # 输出 0.3.2

2.2 关键配置节点

在~/.openclaw/openclaw.json中需要重点配置三个模块：

{
  "models": {
    "providers": {
      "qwen-local": {
        "baseUrl": "http://localhost:8000/v1",
        "api": "openai-completions"
      }
    }
  },
  "channels": {
    "dingtalk": {
      "webhook": "https://oapi.dingtalk.com/robot/send?access_token=你的token"
    }
  },
  "scheduler": {
    "timezone": "Asia/Shanghai"
  }
}

特别要注意时区配置，否则cron任务可能在不预期的时间触发。

3. 实现步骤与踩坑记录

3.1 天气数据获取

最初直接调用千问生成天气信息，发现它偶尔会"虚构"气象数据。后来改为混合架构：

1. 先用Python请求和风天气API获取结构化数据
2. 将数据喂给千问3.5-9B生成自然语言描述

# 获取天气数据的技能脚本 (保存为 ~/.openclaw/skills/weather.py)
import requests
from datetime import datetime

def get_weather(location="北京"):
    api_key = "你的和风天气KEY"
    url = f"https://devapi.qweather.com/v7/weather/now?location={location}&key={api_key}"
    response = requests.get(url).json()
    
    return {
        "temp": response["now"]["temp"],
        "text": response["now"]["text"],
        "wind": response["now"]["windDir"],
        "humidity": response["now"]["humidity"],
        "time": datetime.now().strftime("%Y-%m-%d %H:%M")
    }

3.2 提示词工程优化

经过多次调试，最终确定的提示词模板包含三个关键要素：

1. 角色设定：让模型以生活助手的身份发言
2. 数据注入：将API返回的天气数据作为上下文
3. 输出约束：限制生成内容的长度和格式

你是一位贴心的生活助手，请根据以下天气数据生成一段给上班族的温馨提示：
{weather_data}

要求：
1. 包含穿衣和出行建议
2. 用emoji增加亲和力
3. 限制在80字以内

实际测试发现，加入"限制在80字以内"这个约束后，钉钉消息的阅读率提升了40%。

3.3 定时任务配置

OpenClaw支持两种定时方式：

1. 系统crontab：适合简单触发

   # 每天7:30执行
   30 7 * * * /usr/local/bin/openclaw task run weather_reminder
   

2. 内置调度器：推荐方案，可管理任务依赖

   // 在openclaw.json中添加
   "tasks": {
     "weather_reminder": {
       "schedule": "30 7 * * *",
       "command": "skills/weather.py"
     }
   }
   

我选择了第二种方案，因为它能自动处理环境变量，且失败时会重试3次。

4. 效果验证与迭代优化

4.1 消息样式对比

原始方案（纯API数据）：

北京今日天气：晴，气温25℃，南风3级

当前方案（千问3.5-9B生成）：

☀️ 早安！今天北京晴空万里，25℃像初夏~ 
建议穿薄衬衫出门，南风调皮记得固定文件哦！
下班时健身房见~ 🏃

团队调研显示，第二种风格的点击率是前者的2.3倍。

4.2 异常处理机制

遇到过的典型问题及解决方案：

1. 天气API超时：增加5秒超时设置，超时后改用千问的记忆数据
2. 模型响应慢：在vLLM配置中启用continuous batching
3. 钉钉消息限流：加入随机延迟(0-5秒)避免触发频率限制

# 改进后的异常处理逻辑
try:
    weather = get_weather()
except Exception as e:
    weather = {"text": "数据更新中", "temp": "N/A"}
    logger.warning(f"Weather API failed: {str(e)}")

5. 个人实践建议

如果你也想搭建类似的自动化提醒，我有三个实用建议：

硬件选择：千问3.5-9B在16GB内存的MacBook上推理速度约15字/秒，如果追求更快响应，可以考虑量化到4bit版本。

隐私保护：虽然和风天气只需要城市名，但建议在OpenClaw配置里用代号代替真实地址，比如把"北京朝阳区"配置为"location1"。

效果调优：先用openclaw task test命令手动触发，观察几天效果后再设置定时任务。我最初生成的提醒包含"记得带伞"，结果那周根本没下雨，后来在提示词里加了"只在降雨概率>30%时提醒带伞"的条件。

现在这套系统已经稳定运行了一个月，除了天气提醒，我还扩展了会议纪要自动生成、下班前的今日总结等功能。OpenClaw最让我惊喜的是它的失败重试机制——有次我的电脑睡眠导致任务错过执行时间，醒来后它自动补发了提醒。

---

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。