OpenClaw+千问3.5-9B自动化办公：10分钟搞定日报生成

1. 为什么选择本地AI处理日报

每天下午5点，我的邮箱总会准时弹出十几封工作日志——这是团队成员的每日汇报。过去我需要花40分钟手动整理这些零散记录，提取关键进展和风险点，再拼凑成给老板的汇总日报。直到我发现用OpenClaw+千问3.5-9B的组合，能让这个痛苦过程缩短到10分钟以内。

最吸引我的是数据不出本地的特性。作为金融行业从业者，工作日志中经常涉及客户账户变动、交易金额等敏感信息。如果使用SaaS化的AI服务，意味着要把这些数据上传到第三方服务器。而OpenClaw在本机运行的特点，配合本地部署的千问3.5-9B模型，确保了从日志解析到日报生成的全流程都在我的笔记本上完成。

2. 环境搭建的关键步骤

2.1 基础组件安装

在MacBook Pro（M1芯片，16GB内存）上，我选择用Homebrew管理依赖：

brew install node@22
npm install -g openclaw@latest

安装完成后遇到第一个坑：系统提示command not found。这是因为zsh没有自动加载新安装的二进制路径。通过执行brew link --overwrite node@22强制刷新链接后问题解决。

2.2 模型接入配置

由于公司内网限制，我选择下载千问3.5-9B的离线镜像包手动部署。在~/.openclaw/openclaw.json中配置本地模型端点：

{
  "models": {
    "providers": {
      "qwen-local": {
        "baseUrl": "http://localhost:5000/v1",
        "apiKey": "null",
        "api": "openai-completions",
        "models": [
          {
            "id": "qwen3-9b",
            "name": "Qwen Local",
            "contextWindow": 32768
          }
        ]
      }
    }
  }
}

这里有个细节需要注意：当模型运行在本机其他容器时，baseUrl不能写127.0.0.1而要写localhost，否则会出现连接拒绝错误。

3. 日报自动化实现过程

3.1 邮件抓取模块

我编写了一个简单的Python脚本作为OpenClaw的Skill，用于登录Exchange服务器抓取日志邮件：

import exchangelib
from openclaw.skill import SkillBase

class EmailFetcher(SkillBase):
    def execute(self, params):
        creds = exchangelib.Credentials(
            username=params['username'],
            password=params['password']
        )
        account = exchangelib.Account(...)
        return [msg for msg in account.inbox.all() if '日报' in msg.subject]

这个模块需要先在OpenClaw中配置邮箱凭证。为了避免密码明文存储，我使用了系统的keychain服务：

openclaw config set email.username my_company_email
openclaw secrets set email.password

3.2 日报生成逻辑

核心提示词经过多次迭代后定型为：

你是一位专业的项目经理助理，需要将以下工作日志汇总为给高管的日报。
要求：
1. 按[业务进展][风险问题][需支持]三级结构组织内容
2. 技术术语要转换为商业语言
3. 突出与KPI直接相关的数据
4. 输出为Markdown格式

日志内容：
{{email_contents}}

在OpenClaw的Web控制台测试时，发现模型有时会遗漏关键数字。通过增加temperature参数到0.3（默认0.7）显著改善了稳定性：

{
  "tasks": {
    "daily_report": {
      "model_params": {
        "temperature": 0.3,
        "max_tokens": 2000
      }
    }
  }
}

4. 定时任务与异常处理

通过crontab设置每天17:10自动触发：

10 17 * * * /usr/local/bin/openclaw task run daily_report

遇到的两个典型问题及解决方案：

1. 邮件服务超时：公司Exchange偶尔响应慢，在EmailFetcher技能中增加了retry逻辑
2. 模型内存溢出：当某天日志量特别大时，9B模型会OOM。通过配置truncate_limit参数自动截断过长的输入

最终效果验证时，我对比了AI生成日报与自己手工整理的版本。在关键信息提取准确率上，模型能达到85%以上的可用性，特别是在数据汇总表格的生成上，反而比人工更规范。

5. 安全与成本考量

这套方案最让我满意的是零数据外泄风险。所有处理环节：

• 邮件抓取 → 本地解密
• 日志解析 → 本机内存
• 模型推理 → 本地GPU
• 日报发送 → 直接调用本地Mail.app

成本方面，千问3.5-9B在M1芯片上运行每小时约消耗0.2度电。相比购买商业AI服务（按Token计费），长期使用可节省90%以上的费用。不过要注意的是，首次加载模型需要约8GB内存，老款MacBook可能吃不消。

---

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。