OpenClaw多端同步：千问3.5-9B实现手机与电脑任务协同

本文介绍了如何在星图GPU平台上自动化部署千问3.5-9B镜像，实现手机与电脑任务协同功能。通过该平台，用户可快速搭建跨设备任务系统，应用于文档整理、信息查询等场景，显著提升工作效率。千问3.5-9B的中文指令理解能力使其成为智能工作协同的理想选择。

朱佳顺

229人浏览 · 2026-04-03 03:36:17

朱佳顺 · 2026-04-03 03:36:17 发布

OpenClaw多端同步：千问3.5-9B实现手机与电脑任务协同

1. 为什么需要跨设备任务协同？

上周六晚上11点，我正躺在沙发上用手机浏览技术文档，突然想到需要把几篇参考文章整理成Markdown笔记。如果按照传统方式，我需要：

在手机备忘录记下文章链接
第二天到电脑前手动复制到浏览器
逐个打开网页复制内容到Markdown文件

这个过程中至少有三次信息丢失的风险：可能记错链接、可能忘记操作、可能复制错内容。于是我决定用OpenClaw+千问3.5-9B搭建一个跨设备任务系统，现在只要在手机上说句话，电脑就能自动完成所有操作。

2. 基础环境搭建

2.1 电脑端部署OpenClaw

在MacBook Pro上执行以下命令完成基础部署：

curl -fsSL https://openclaw.ai/install.sh | bash
openclaw onboard --install-daemon

配置向导中选择：

Mode: Advanced（需要自定义模型地址）
Provider: Custom（后续手动配置千问3.5-9B）
Channels: 跳过（先完成核心功能）

2.2 接入千问3.5-9B模型

修改配置文件 ~/.openclaw/openclaw.json，添加模型配置：

{
  "models": {
    "providers": {
      "qwen-local": {
        "baseUrl": "http://localhost:8000/v1",
        "apiKey": "your-api-key",
        "api": "openai-completions",
        "models": [
          {
            "id": "qwen3.5-9b",
            "name": "千问3.5-9B本地版",
            "contextWindow": 32768
          }
        ]
      }
    }
  }
}

启动服务并验证：

openclaw gateway start
curl -X POST http://localhost:18789/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{"model":"qwen3.5-9b","messages":[{"role":"user","content":"你好"}]}'

3. 手机端控制方案设计

3.1 微信小程序方案（国内最简实现）

通过Serverless函数搭建中转服务，核心逻辑：

手机发送指令到微信小程序
云函数验证身份后转发到家庭网络
OpenClaw接收指令执行任务

配置Ngrok内网穿透（开发测试用）：

ngrok http 18789

在云函数中处理请求：

exports.main = async (event) => {
  const task = decodeURIComponent(event.task);
  const resp = await fetch('https://your-ngrok-url.ngrok.io/v1/chat/completions', {
    method: 'POST',
    headers: { 'Content-Type': 'application/json' },
    body: JSON.stringify({
      model: "qwen3.5-9b",
      messages: [{role: "user", content: task}]
    })
  });
  return resp.json();
}

3.2 安全加固措施

为避免家庭网络暴露，建议：

在路由器设置IP白名单，仅允许云服务商IP访问
为OpenClaw接口添加Basic Auth认证
使用短期有效的JWT令牌

修改网关启动命令：

openclaw gateway start --auth-user admin --auth-pass your-strong-password

4. 实战案例：跨设备文档整理

4.1 场景需求分解

当我在手机上说："把刚看的3篇AI文章整理成Markdown，保存到~/Documents/AI学习笔记"时，系统需要：

获取手机剪贴板内容（含多个URL）
在电脑端依次打开网页
提取正文核心内容
按固定模板生成Markdown
保存到指定路径

4.2 技能链配置

安装必要技能模块：

clawhub install web-extractor markdown-builder

创建自定义技能 url-processor：

// ~/.openclaw/skills/url-processor/index.js
module.exports = {
  process: async (urls) => {
    const results = [];
    for (const url of urls) {
      const content = await openclaw.browser.fetch(url);
      const summary = await openclaw.llm.chat(
        `提取以下文章的核心内容，用中文输出：\n${content}`
      );
      results.push({ url, summary });
    }
    return openclaw.tools.markdown.generate(results);
  }
}

4.3 完整执行流程

手机复制多个URL后，发送语音指令
云函数收到指令，触发电脑端OpenClaw
千问3.5-9B解析意图，调用url-processor技能
技能模块依次处理每个URL，生成Markdown
结果保存到本地并同步返回手机通知

5. 踩坑与优化记录

5.1 中文编码问题

初期发现生成的Markdown在Windows记事本显示乱码，解决方案：

// 在保存文件时显式指定编码
fs.writeFileSync(path, content, { encoding: 'utf-8' });

5.2 长文本处理优化

千问3.5-9B的32K上下文在实际测试中处理10K以上文本时会出现响应变慢，通过以下策略改善：

先让模型提取摘要再处理细节
设置超时自动分段：openclaw.config.set('llm.timeout', 30000)
启用流式传输避免长时间等待

5.3 手机指令模糊匹配

测试发现语音转文字可能存在误差，在云函数添加预处理层：

const fuzzyMatch = (text) => {
  const patterns = [
    { regex: /整理.*?文章/, action: 'process-urls' },
    { regex: /保存到(.+?)$/, action: 'set-output-path' }
  ];
  return patterns.find(p => text.match(p.regex));
}