飞书机器人自动化实战：OpenClaw调用千问3.5-9B处理日报

1. 为什么选择OpenClaw+飞书机器人？

上周团队晨会上，产品经理小张突然提出："现在每天写日报要花半小时整理会议记录和任务进度，能不能让AI自动生成初稿？"这个需求立刻引发共鸣——我们6人小团队每天要消耗3小时在日报撰写上。经过技术调研，最终选择OpenClaw+千问3.5-9B的组合方案，主要基于三个实际考量：

首先，隐私安全是红线。日报涉及客户需求、项目进度等敏感信息，使用公有云API存在数据泄露风险。OpenClaw的本地化部署特性，配合私有化部署的千问3.5-9B模型，确保所有数据处理都在内网完成。

其次，飞书是团队现成的协作平台。相比开发独立Web应用，直接复用飞书机器人接口，既降低学习成本，又避免多平台切换。实测从安装到上线仅需2小时，这对没有专职运维的小团队至关重要。

最后，模型能力与任务匹配。千问3.5-9B在中文理解、表格生成方面表现突出，能准确提取会议记录中的任务项，并按"已完成/进行中/受阻"分类排版。相比更大参数量的模型，其推理速度在T4显卡上能达到18token/s，满足实时响应需求。

2. 环境准备与飞书插件安装

2.1 基础环境搭建

在MacBook Pro（M1芯片，16GB内存）上执行以下步骤。Windows用户需将brew替换为choco等对应包管理器：

# 安装Node.js环境（建议v18+）
brew install node@18

# 通过npm安装OpenClaw汉化版
sudo npm install -g @qingchencloud/openclaw-zh@latest

# 验证安装
openclaw --version

遇到command not found错误时，通常需要手动添加npm全局路径到$PATH。我的解决方案是在~/.zshrc增加：

export PATH="/usr/local/bin:$PATH"

2.2 飞书插件安装与配置

飞书通道需要单独安装插件模块。这里有个小坑：官方文档的插件名称已更新，需使用新版本：

# 安装飞书插件（注意插件名称变更）
openclaw plugins install @m1heng-clawd/feishu@2.1.3

# 重启网关服务使插件生效
openclaw gateway restart

插件安装后，需要在飞书开放平台创建企业自建应用。这里分享几个关键配置项：

• 权限设置：务必勾选"获取群组消息"和"发送消息"权限
• IP白名单：如果OpenClaw部署在公有云，需通过curl ifconfig.me获取公网IP加入白名单
• 事件订阅：启用"接收消息"事件，回调URL格式为http://[你的服务器IP]:18789/feishu/events

3. 模型对接与日报技能开发

3.1 千问3.5-9B本地部署

我们使用星图平台预置的千问3.5-9B镜像，在本地T4显卡服务器上通过Docker快速部署：

docker run -d --gpus all -p 5000:5000 \
  -e MODEL_NAME=qwen3.5-9b \
  registry.cn-hangzhou.aliyuncs.com/qingcheng/qwen3.5-9b:latest

在OpenClaw配置文件中添加模型端点（~/.openclaw/openclaw.json）：

{
  "models": {
    "providers": {
      "local-qwen": {
        "baseUrl": "http://localhost:5000/v1",
        "api": "openai-completions",
        "models": [
          {
            "id": "qwen3.5-9b",
            "name": "Local Qwen",
            "contextWindow": 32768
          }
        ]
      }
    }
  }
}

3.2 日报生成技能实现

OpenClaw的自动化能力通过Skill机制扩展。我们开发了日报生成技能，核心逻辑包括：

1. 解析飞书消息中的任务关键词（如"生成日报"）
2. 从飞书API获取当日群聊记录
3. 调用千问3.5-9B模型提取关键信息
4. 生成Markdown格式日报并返回飞书群组

技能配置文件示例（daily-report/skill.json）：

{
  "name": "daily-report",
  "triggers": ["日报", "daily"],
  "actions": {
    "generate": {
      "model": "qwen3.5-9b",
      "prompt": "你是一个高效的项目助手，请根据以下聊天记录生成开发日报...",
      "output": "markdown"
    }
  }
}

实际使用中发现，直接让模型处理原始聊天记录效果不佳。后来改进为先用正则过滤无关消息，再将结构化数据喂给模型，准确率提升40%以上。

4. 实战效果与调优经验

4.1 典型使用流程

现在团队成员只需在飞书群聊中@机器人并输入"生成今日日报"，2分钟内就能收到结构化日报：

【2024-03-15 开发日报】
✅ 已完成
- 用户登录模块重构（@张三）
- 支付接口压力测试（@李四）

🟡 进行中
- 商品详情页性能优化（完成度70%）
- 订单导出功能开发（预计明日完成）

❌ 受阻项
- 短信服务商API变更（需产品确认协议）

4.2 踩坑与优化

问题1：模型响应延迟高 初期直接传输完整聊天记录，导致平均响应时间达25秒。通过两项优化降至5秒内：

• 聊天记录预处理：先用关键词过滤，仅保留含任务描述的记录
• 流式传输：修改OpenClaw配置启用stream: true，实现逐字输出

问题2：格式不一致 不同成员生成的日报排版差异大。解决方案是在prompt中加入更明确的格式指令：

请严格按以下模板生成：
1. 标题格式：【日期】+类型
2. 使用✅/🟡/❌符号分类
3. 每个任务项标注负责人

问题3：敏感信息泄露 测试阶段模型曾将内部服务器IP写入日报。通过以下措施防范：

• 在prompt中加入"禁止输出任何IP、密码等敏感信息"
• 部署正则过滤器，自动替换疑似敏感内容为[REDACTED]

5. 对小团队的实施建议

经过三周实际使用，这套方案日均节省2.5小时团队时间。对于想尝试的团队，我的实践建议是：

分阶段推进：先手动触发日报生成，验证效果后再绑定定时任务。我们现在的流程是每天17:30自动生成日报初稿，人工复核后提交。

prompt工程比想象中重要：同样的模型，经过15次prompt迭代后，日报可用率从60%提升到92%。关键技巧包括：

• 提供足够多的正负样本
• 明确输出格式和禁忌
• 用"你是一个严谨的项目经理"等角色定义引导模型

做好人工复核机制：尽管模型准确率很高，我们仍要求生成内容必须经过负责人确认才能发出。这在法律、金融等高风险领域尤为重要。

这套轻量级方案特别适合10人以下的技术团队。相比动辄上万元的企业级解决方案，我们的总成本仅为：

• 本地服务器（现有设备复用）
• 千问3.5-9B镜像（星图平台免费提供）
• OpenClaw开源框架

---

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。