OpenClaw技能生态实战：用ollama-QwQ-32B自动生成周报并邮件发送
OpenClaw技能生态实战：用ollama-QwQ-32B自动生成周报并邮件发送
1. 为什么选择OpenClaw做办公自动化
上周五下午6点，我盯着空白的周报文档发呆——这已经是本月第三次忘记写周报了。作为程序员，我决定用技术手段解决这个重复性工作。在尝试了各种RPA工具后，最终选择了OpenClaw，原因很简单：它能真正理解自然语言指令，并且通过技能市场扩展能力。
OpenClaw与其他自动化工具最大的不同在于它的"AI智能体"特性。当我对着飞书说"帮我写本周工作周报"时，它不只是机械地执行预设流程，而是会像人类助手一样：
- 自动检索我的Git提交记录和会议日历
- 用ollama-QwQ-32B生成结构清晰的Markdown内容
- 通过email-manager技能发送给直属领导 整个过程完全不需要我手动干预，甚至比我自己写的周报更专业。
2. 环境准备与核心组件配置
2.1 部署ollama-QwQ-32B模型服务
我选择在本地MacBook Pro（M1 Pro芯片/32GB内存）上部署模型服务。ollama的安装比预想的简单：
brew install ollama ollama pull qwq:32b ollama serve关键配置点在OpenClaw的模型对接。修改~/.openclaw/openclaw.json文件：
{ "models": { "providers": { "ollama-local": { "baseUrl": "http://localhost:11434", "api": "openai-completions", "models": [ { "id": "qwq:32b", "name": "QwQ-32B-Local", "contextWindow": 32768 } ] } } } }这里有个小坑：ollama默认使用11434端口，而OpenClaw的模型配置需要声明为OpenAI兼容接口格式。配置完成后记得执行：
openclaw gateway restart openclaw models list2.2 安装核心技能模块
通过ClawHub搜索安装两个关键技能：
clawhub install email-manager report-generator安装过程中遇到权限问题，需要用sudo重新安装npm包：
sudo npm install -g clawhub@latest技能安装后，需要在飞书机器人对话框执行技能初始化（这是很多新手容易忽略的步骤）：
@OpenClaw 初始化email-manager技能系统会引导配置SMTP邮件服务参数。我使用的是腾讯企业邮箱，配置示例如下：
export SMTP_HOST="smtp.exmail.qq.com" export SMTP_PORT=465 export SMTP_USER="yourname@company.com" export SMTP_PASSWORD="your-token"3. 周报自动化全流程实践
3.1 数据源准备与权限配置
为了让report-generator能获取我的工作数据，需要授权几个关键权限：
- Git仓库访问：在
~/.openclaw/config.json添加GitHub Personal Token - 日历同步：通过飞书开放平台给自建应用开通"获取用户日程"权限
- 文档权限：企业微信/飞书文档需要开启"允许第三方应用读取"
这里遇到最大的挑战是跨平台权限管理。我的解决方案是创建一个专门的openclaw服务账号，统一管理这些API凭证。
3.2 自然语言指令解析
每周五下午5点，飞书机器人会自动提醒："需要我帮你准备周报吗？"。当我回复"生成本周技术团队周报并发送给leader@company.com"时，OpenClaw会执行以下动作：
- 调用report-generator技能：
- 从Git提取commit记录生成代码贡献统计
- 分析会议日历生成议题分布图
- 整合JIRA工单状态
- 使用QwQ-32B模型生成报告：
def generate_report(data): prompt = f"""基于以下数据生成专业的技术周报： - 代码提交：{data['git_stats']} - 会议议题：{data['meeting_topics']} 要求：用Markdown格式，包含技术难点和解决方案""" return ollama.generate(prompt) - 通过email-manager发送：
- 自动将Markdown转换为HTML格式
- 附加PDF版本作为附件
- 保留原始Markdown在邮件正文
3.3 效果优化技巧
经过三周的迭代，我总结出几个提升生成质量的方法：
- 提示词工程：在
report-generator的配置文件中预设行业术语表，避免模型使用泛化表达 - 模板定制：修改
/skills/report-generator/templates/tech.md文件，加入公司特定的汇报结构 - 数据过滤：配置.gitignore风格的忽略规则，排除敏感项目和不相关会议
最让我惊喜的是模型对技术细节的处理能力。有次它自动将一段复杂的Kubernetes排错过程总结成了示意图，这完全超出了我的预期。
4. 安全注意事项与实用建议
4.1 权限最小化原则
虽然自动化很方便，但必须注意：
- 为OpenClaw创建专用邮箱，不要使用主账号SMTP权限
- Git Token只授予read-only权限
- 定期清理模型生成的历史记录
4.2 故障排查经验
遇到过的典型问题及解决方案：
- 邮件发送失败：检查465端口是否被公司防火墙拦截
- 中文乱码：在email-manager配置中强制指定UTF-8编码
- 模型响应慢：调整ollama的
num_ctx参数降低上下文长度
建议每次更新配置后运行诊断命令：
openclaw doctor --check-skills5. 个人使用感受与延伸思考
这套系统已经稳定运行两个月，最直观的变化是：领导开始夸我周报写得专业了。但其实真正节省的不是写作时间，而是避免了"周一早上补周报"的焦虑感。
OpenClaw的技能生态让我联想到Unix哲学——每个技能做好一件事，通过组合创造无限可能。现在我已经开始尝试将日报生成、会议纪要、技术文档等工作流都接入这个系统。不过要注意，复杂任务链的Token消耗确实不小，我的ollama实例平均每周要处理约15万Token。
对于想尝试类似自动化的朋友，我的建议是：从最小的可验证场景开始（比如自动发日报），成功后再逐步扩展。不要一开始就追求完美，毕竟OpenClaw最大的优势就是允许你"用对话的方式迭代优化"。
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。