学生党专属方案：OpenClaw+千问3.5-27B自动整理课堂笔记
学生党专属方案：OpenClaw+千问3.5-27B自动整理课堂笔记
1. 为什么需要自动化笔记整理
作为一名经常需要处理大量课堂录音的学生，我深刻体会到手动整理笔记的痛苦。每次课后需要花费数小时反复听录音、摘抄重点、整理逻辑结构——这种重复劳动不仅耗时，还容易遗漏关键信息。直到我发现OpenClaw与千问3.5-27B的组合，才真正实现了从录音到结构化笔记的全自动流程。
这个方案的核心价值在于：将AI的语义理解能力与本地自动化执行完美结合。OpenClaw负责监控文件夹、调用处理脚本、保存结果文件等物理操作；千问3.5-27B则承担内容理解与重构的认知工作。两者配合下，我的MacBook变成了一个24小时待命的"智能笔记官"。
2. 环境准备与基础配置
2.1 硬件与软件需求
这套方案对设备要求并不苛刻。我的2019款MacBook Pro（16GB内存）就能流畅运行，关键组件包括：
- OpenClaw v1.2.3（通过Homebrew安装）
- 千问3.5-27B模型服务（通过星图平台部署）
- ffmpeg（用于音频预处理）
- MindNode（思维导图软件，可选）
安装OpenClaw只需一行命令：
brew install node@22 && npm install -g openclaw@latest2.2 模型服务对接
在星图平台部署千问3.5-27B镜像后，需要在OpenClaw配置文件中添加模型端点。这是我的~/.openclaw/openclaw.json关键配置：
{ "models": { "providers": { "qwen-platform": { "baseUrl": "http://your-qwen-instance-ip:8080", "apiKey": "your-api-key", "api": "openai-completions", "models": [ { "id": "qwen3.5-27b", "name": "Qwen 3.5 27B", "contextWindow": 32768 } ] } } } }配置完成后，可以通过命令测试连通性：
openclaw models test qwen3.5-27b3. 构建自动化笔记流水线
3.1 监控文件夹设置
我在~/Downloads/Lectures目录下建立了三个子文件夹：
raw_audio：存放手机录制的原始音频transcripts：存放语音转写文本final_notes：存放最终笔记成品
通过OpenClaw的folder-watcher技能监控这个目录树：
clawhub install folder-watcher openclaw skills config folder-watcher --path ~/Downloads/Lectures3.2 语音转写处理链
当新音频文件出现在raw_audio时，触发以下自动化流程：
- 使用ffmpeg将音频转为16kHz单声道wav格式
- 调用Whisper.cpp进行本地语音识别
- 将转写文本存入
transcripts目录
我为此编写了一个简单的处理脚本audio_handler.sh：
#!/bin/bash INPUT_FILE="$1" OUTPUT_DIR="$2" # 音频预处理 ffmpeg -i "$INPUT_FILE" -ar 16000 -ac 1 "${INPUT_FILE%.*}.wav" # 语音转写 whisper-cpp -m ~/models/ggml-base.bin -f "${INPUT_FILE%.*}.wav" -otxt # 移动结果文件 mv "${INPUT_FILE%.*}.txt" "$OUTPUT_DIR"3.3 智能笔记生成
转写文本生成后，OpenClaw会调用千问3.5-27B执行以下操作：
- 内容摘要：提取核心观点和关键论据
- 知识结构化：识别内容中的层次关系
- 思维导图生成：输出MindNode兼容的OPML格式
- 问答对生成：为复习创建自测问题
这是通过自定义技能note-generator实现的，核心处理函数如下：
async function generateNote(transcript) { const prompt = `请将以下课堂录音转写内容整理为结构化笔记： 1. 提取3-5个核心观点 2. 为每个观点列出支持论据 3. 用OPML格式输出思维导图框架 4. 生成3个有助于理解的关键问题 内容：${transcript}`; const response = await openclaw.models.complete({ model: 'qwen3.5-27b', prompt: prompt, max_tokens: 2000 }); return parseOPML(response.content); // 解析为MindNode可读格式 }4. 实战效果与优化心得
4.1 典型处理案例
上周的《机器学习导论》课程录音（时长82分钟）经过这个流水线处理后：
- 转写耗时：约6分钟（本地Whisper.cpp处理）
- 笔记生成耗时：约3分钟（千问3.5-27B处理）
- 最终产出：
- 4页Markdown格式精简笔记
- 交互式思维导图（含3个主要分支、12个子节点）
- 5道自测题（含答案和解析）
与传统手动整理相比，节省了约90%的时间，且知识结构更加清晰。
4.2 遇到的坑与解决方案
问题1：长音频处理超时
- 现象：超过60分钟的录音会导致API调用超时
- 解决：在OpenClaw配置中调整
timeout参数，并添加音频分段处理逻辑
问题2：专业术语识别错误
- 现象：模型偶尔会曲解特定领域术语
- 解决：在提示词中添加术语表，例如："注意：以下内容涉及机器学习领域，请保持术语准确性"
问题3：思维导图层级过深
- 现象：自动生成的OPML有时嵌套层级过多
- 解决：在提示词中明确限制："思维导图不超过3级深度"
5. 进阶技巧与个性化定制
5.1 课程专属模板
针对不同学科特点，我创建了差异化的提示词模板。例如《西方经济学》课程使用：
请按照以下结构整理笔记： 1. 核心理论（标注提出者及年份） 2. 数学模型（LaTeX格式） 3. 现实案例（中外各1例） 4. 批判性思考（至少2个质疑观点）5.2 复习提醒系统
通过扩展OpenClaw技能，可以实现：
- 基于艾宾浩斯遗忘曲线的复习提醒
- 自动将重点内容同步到Anki卡片
- 每周生成知识掌握度雷达图
clawhub install spaced-repetition openclaw skills config spaced-repetition --target anki5.3 移动端协同方案
配合飞书机器人，可以实现：
- 手机录音自动上传到指定文件夹
- 处理完成通知推送
- 移动端查看思维导图
飞书配置只需在openclaw.json中添加：
"channels": { "feishu": { "enabled": true, "appId": "your_app_id", "appSecret": "your_app_secret" } }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。