OpenClaw+千问3.5-9B自动化周报：整合Git与Jira数据
OpenClaw+千问3.5-9B自动化周报：整合Git与Jira数据
1. 为什么需要自动化周报
每周五下午三点，我的日历总会准时弹出提醒："该写周报了"。这个看似简单的任务，实际上需要完成以下工作：登录Git仓库查看代码提交记录、翻阅Jira检查任务状态、整理会议纪要中的关键结论，最后将这些零散信息拼凑成连贯的叙述。整个过程通常要花费1.5-2小时，而且由于是重复性劳动，经常让我产生"这时间花得真不值"的挫败感。
直到我发现OpenClaw这个开源自动化框架，配合千问3.5-9B大模型，可以构建一个完全个性化的周报生成系统。经过一个月的迭代优化，现在我的周报生成流程已经实现全自动化，每周节省的时间足够我多喝两杯咖啡，静下心来思考真正重要的问题。
2. 技术方案设计
2.1 核心组件选型
整个系统建立在三个核心组件上：
- OpenClaw：作为自动化执行框架，负责连接各个系统并协调任务流程。我选择它而非其他RPA工具的主要原因在于其本地化部署特性，所有数据都在我的开发机上处理，不需要担心敏感信息泄露。
- 千问3.5-9B：作为文本生成引擎，负责将原始数据转化为自然语言报告。这个7B参数的模型在我的M1 MacBook Pro上可以流畅运行，响应速度完全满足需求。
- 自定义Skill：这是连接OpenClaw与业务系统的桥梁，我开发了一个专门用于周报生成的技能模块，包含Git操作、Jira API调用等定制功能。
2.2 数据流架构
系统的工作流程遵循清晰的路径：
- 数据采集层：通过Git命令行工具获取代码提交记录，使用Jira REST API提取任务状态
- 数据处理层：千问模型解析原始数据，识别关键信息点并建立关联
- 报告生成层：模型根据预设模板组织内容，生成Markdown格式的周报初稿
- 人工复核层：系统将报告发送到我的飞书待办，我只需要做最终确认即可提交
整个过程中最耗时的部分其实是初期调试数据提取逻辑，特别是Jira查询语句的优化。我花了三个周末才让系统能准确识别哪些任务应该包含在周报中。
3. 具体实现步骤
3.1 环境准备
我的开发环境是macOS Ventura系统的MacBook Pro，配置如下：
# 安装OpenClaw核心框架 curl -fsSL https://openclaw.ai/install.sh | bash # 部署千问3.5-9B本地模型 docker run -p 5000:5000 qwen/qwen3.5-9b-chat模型服务启动后，需要在OpenClaw配置文件中添加模型端点：
{ "models": { "providers": { "qwen-local": { "baseUrl": "http://localhost:5000/v1", "api": "openai-completions", "models": [ { "id": "qwen3.5-9b", "name": "Local Qwen", "contextWindow": 32768 } ] } } } }3.2 周报Skill开发
我创建了一个名为weekly-report的自定义Skill，核心功能包括：
- Git数据采集：通过
git log命令获取本周提交记录 - Jira集成：使用Python的
jira库查询分配给当前用户的任务 - 报告模板：定义Markdown格式的结构化模板
最关键的提示词工程部分，我设计了这样的系统提示：
你是一位专业的软件开发周报助手。请根据提供的Git提交记录和Jira任务状态，生成一份结构清晰的技术周报。报告应包含： 1. 重点工作进展（基于Jira关键任务） 2. 代码贡献概述（分析Git提交趋势） 3. 遇到的问题与解决方案 4. 下周计划 使用专业但简洁的技术语言，避免空洞描述。对复杂技术点可添加简短解释。3.3 自动化调度设置
通过OpenClaw的定时任务功能，我配置了每周五下午3点的自动触发：
openclaw schedule create \ --name "weekly-report" \ --cron "0 15 * * 5" \ --command "weekly-report generate --user=myusername"系统会在任务完成后，将生成的报告自动发送到我的飞书待办事项，并附带原始数据链接供核查。
4. 效果验证与优化
4.1 初始版本的问题
第一个可运行版本虽然能生成报告，但存在几个明显缺陷：
- 信息过载：把所有的Git提交和Jira任务都列出来，没有重点
- 缺乏分析：只是简单罗列事实，没有提炼关键进展
- 格式混乱：Markdown标题层级不统一，阅读体验差
4.2 迭代改进过程
经过多次调整，我主要优化了以下方面：
- 数据过滤：在Skill中添加了提交信息关键词过滤，只保留重要变更
- 提示词工程：为千问模型添加了更详细的任务说明和示例
- 后处理脚本：用Python脚本对生成的Markdown做格式标准化
最有效的改进是增加了"变更影响度评估"机制，系统会根据Git提交的修改行数、涉及文件数等指标，自动标注高影响力变更，这让最终报告的重点更加突出。
4.3 最终效果对比
手动编写周报与自动化系统的对比：
| 指标 | 手动处理 | 自动化系统 |
|---|---|---|
| 耗时 | 90-120分钟 | 5分钟(复核) |
| 信息完整性 | 依赖记忆 | 数据驱动 |
| 格式一致性 | 每周不同 | 标准化 |
| 分析深度 | 主观性强 | 基于模型推理 |
现在我的周报不仅生成速度大幅提升，质量也更为稳定。团队leader特别反馈说，这种数据支撑的报告比之前的主观叙述更有参考价值。
5. 关键经验分享
在实现这个自动化系统的过程中，我总结了几个值得注意的经验：
模型微调不是必须的：一开始我考虑对千问模型做微调以适应周报风格，后来发现精心设计的提示词配合少量示例就能达到不错效果。这节省了大量训练时间和计算资源。
错误处理至关重要：某个周一早晨我发现系统没有生成周报，排查发现是因为Jira API证书过期。现在我的Skill中加入了完善的错误通知机制，任何环节失败都会立即提醒我。
保持人工复核环节：虽然系统准确率已经很高，但我始终坚持最后人工看一眼。这不仅能捕捉模型可能犯的错，更重要的是保持我对工作内容的整体感知。
这个项目给我的最大启示是：自动化不是为了取代思考，而是为了让我们有更多时间思考真正重要的问题。当重复性劳动被交给机器后，我发现自己能更专注于技术方案的设计和优化，这可能是比节省时间更有价值的收获。
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。