OpenClaw+千问3.5-35B-A3B-FP8：教育工作者自动化备课系统搭建
OpenClaw+千问3.5-35B-A3B-FP8：教育工作者自动化备课系统搭建
1. 为什么需要自动化备课系统
作为一名兼职讲师，我每周要花6-8小时准备课件。最痛苦的不是内容创作本身，而是重复性的资料收集和格式整理工作：从扫描教材提取知识点、关联网络资源、编写配套例题，到剪辑教学视频片段。直到发现OpenClaw+千问3.5的组合，才真正实现了"备课自由"。
这个系统的核心价值在于：
- 教材数字化：用手机拍摄教材页面，自动识别文本和图表
- 智能关联：基于知识点自动匹配网络优质资源和往期课件
- 例题生成：根据教学大纲要求自动生成难度适中的练习题
- 视频剪辑：从录播课程中智能截取关键片段
- 流程自动化：通过日历事件触发整套备课流程
2. 系统搭建基础准备
2.1 硬件与软件环境
我的工作环境是一台MacBook Pro（M1芯片/16GB内存），系统版本macOS Sonoma。关键组件包括：
- OpenClaw v2.3.1（通过Homebrew安装）
- 千问3.5-35B-A3B-FP8模型（部署在本地服务器）
- 飞书日历（用于任务触发）
- OBS Studio（录屏课程管理）
2.2 OpenClaw初始化配置
安装过程遇到第一个坑：模型服务地址配置。官方文档示例都是对接云端API，本地模型需要特殊处理：
# 安装后执行初始化向导 openclaw onboard --mode=Advanced在模型配置环节选择"Custom Provider"，关键参数如下：
{ "models": { "providers": { "local-qwen": { "baseUrl": "http://192.168.1.100:5000/v1", // 本地模型服务地址 "apiKey": "NULL", // 本地部署可不填 "api": "openai-completions", "models": [ { "id": "qwen3.5-35b-local", "name": "本地千问3.5", "contextWindow": 32768 } ] } } } }3. 备课流程自动化实现
3.1 教材扫描与知识点提取
开发了一个专用技能包处理教材扫描：
clawhub install textbook-analyzer工作流程：
- 用手机拍摄教材页面，同步到电脑指定目录
- OpenClaw自动监控目录变化
- 调用千问3.5的多模态能力识别图文内容
- 输出结构化知识点JSON
# 示例输出结构 { "chapter": "三角函数", "key_points": [ { "concept": "正弦定理", "formula": "a/sinA = b/sinB = c/sinC", "illustration": "解析图已保存为sin_theorem.png" } ] }3.2 智能资源关联
配置了自定义规则匹配网络资源：
# ~/.openclaw/skills/resource_matcher/config.yaml rules: - concept: "正弦定理" sources: - type: "video" platform: "bilibili" search: "正弦定理 证明" - type: "slide" local_path: "/课件存档/2023/数学/三角/正弦定理.pptx"实际使用中发现，直接搜索往往返回低质量内容。后来改进为优先匹配我收藏的优质UP主视频，通过千问3.5的摘要功能提取关键片段。
3.3 例题生成与难度控制
最惊喜的功能是自动生成例题。在技能配置中设置了难度参数：
{ "difficulty": { "easy": "直接套用公式", "medium": "需要2步推导", "hard": "综合应用题" }, "style": "高考真题风格" }示例生成效果：
题目（难度：中等）
在△ABC中，已知a=5, sinA=1/2, sinB=1/3，求边b的长度。
解析：
根据正弦定理a/sinA = b/sinB → 5/(1/2) = b/(1/3) → b=10/3
4. 日历触发全流程
4.1 飞书日历配置
在飞书开放平台创建自建应用后，配置事件订阅：
{ "channels": { "feishu": { "event_subscriptions": { "calendar_event": { "reminder": true, "keywords": ["备课"] } } } } }当日历事件包含"备课"关键词时，OpenClaw会：
- 解析事件描述获取课程信息
- 检查关联的教材章节
- 启动完整备课流水线
4.2 任务编排技巧
通过工作流引擎串联多个技能：
# 安装工作流插件 clawhub install workflow-engine定义备课流程YAML：
steps: - name: 提取教材内容 skill: textbook-analyzer params: path: "~/教材扫描/数学/{date}.jpg" - name: 生成知识点 skill: knowledge-extractor depends_on: [提取教材内容] - name: 收集教学资源 skill: resource-matcher timeout: 600s # 网络请求设置超时 - name: 制作课件 skill: ppt-generator output: "~/课件/{date}.pptx"5. 实践中的经验教训
5.1 模型微调的必要性
初期直接使用原始千问3.5时，生成的例题经常超纲。后来用往期试题数据做了LORA微调，关键参数：
{ "lora_rank": 64, "target_modules": ["q_proj", "v_proj"], "train_data": "~/题库/五年高考真题.jsonl" }微调后模型对"高考真题风格"的理解显著提升，能准确把握各年级知识点边界。
5.2 安全防护措施
有次误操作导致系统删除临时文件时连带删除了教学视频。现在采取以下防护：
- 设置操作白名单目录
- 危险操作前自动创建备份
- 关键文件设置只读权限
# 安全策略配置示例 { "security": { "restricted_paths": ["/教学视频"], "backup": { "enable": true, "interval": "1h" } } }6. 最终效果与优化空间
系统运行三个月后，备课时间从每周8小时降至2小时。最实用的三个功能：
- 自动从2小时录播课中提取5-8个关键片段（准确率约85%）
- 例题自动生成节省60%出题时间
- 历史课件智能检索避免重复劳动
待改进点：
- 复杂数学公式的识别准确率仍需提升
- 跨章节知识关联还不够智能
- 视频片段提取有时会遗漏重要过渡内容
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。