百川2-13B-4bits+OpenClaw：自动化周报生成系统搭建实录

百川2-13B-4bitsOpenClaw自动化周报生成系统搭建实录1. 为什么选择这个技术组合去年冬天我连续三周因为周报拖延被领导点名。每次周五下午对着空白的文档发呆时都在想能不能让AI帮我整理邮件和会议记录自动生成周报初稿经过两个月的折腾终于用百川2-13B-4bits量化模型和OpenClaw搭建出一套能用的系统。选择百川2-13B-4bits主要考虑三点首先13B参数规模在消费级显卡我的RTX 3090上刚好能跑起来其次4bits量化后显存占用从26GB降到10GB左右还能保持97%的原始性能最重要的是它对中文任务的理解确实比同尺寸开源模型强不少。而OpenClaw的价值在于它能自动抓取我Outlook里的邮件和日历事件调用百川模型生成内容后还能按照我们团队的固定模板调整格式最后通过飞书机器人发给我确认。整个过程完全在本地完成敏感的工作数据不会外泄。2. 系统搭建全流程2.1 环境准备阶段我的设备是MacBook Pro M1 Max Ubuntu服务器带NVIDIA RTX 3090。先在服务器上部署百川模型# 使用官方提供的Docker镜像 docker pull registry.baichuan-ai.com/baichuan2-13b-chat-4bits:latest docker run -d -p 5000:5000 --gpus all registry.baichuan-ai.com/baichuan2-13b-chat-4bits验证模型服务是否正常curl -X POST http://localhost:5000/v1/chat/completions \ -H Content-Type: application/json \ -d { model: baichuan2-13b-chat, messages: [{role: user, content: 周报应该包含哪些要素}] }2.2 OpenClaw配置关键点在本地Mac上安装OpenClaw后需要特别注意几个配置// ~/.openclaw/openclaw.json { models: { providers: { baichuan-local: { baseUrl: http://你的服务器IP:5000, api: openai-completions, models: [{ id: baichuan2-13b-chat, name: 本地百川模型 }] } } }, skills: { weekly-report: { mailFolder: 工作/本周邮件, calendarRange: 7, template: ~/.openclaw/templates/weekly.md } } }踩过的坑最初直接让模型自由发挥结果生成的周报完全不符合公司格式。后来发现必须提供结构化模板!-- weekly.md模板 -- ## {{week}} 工作周报{{name}} ### 1. 本周重点 {{#ai}}根据以下会议记录和邮件摘要提取3-5个核心工作项{{/ai}} {{calendar_events}} ### 2. 项目进展 {{#ai}}将以下邮件内容按项目分类每项用1句话说明当前状态{{/ai}} {{project_emails}} ### 3. 下周计划 {{#ai}}基于会议纪要中的待办事项生成具体可执行计划{{/ai}} {{todo_items}}3. 效果优化实战心得3.1 数据预处理技巧直接让模型处理原始邮件效果很差我写了个Python脚本先做预处理# 邮件清洗脚本示例 def clean_email(text): # 移除邮件签名、转发历史等噪音 text re.sub(r-----.*?-----, , text, flagsre.DOTALL) text re.sub(r发件人.*, , text) # 保留关键段落通常在第一屏 return \n.join(text.split(\n)[:20])3.2 提示词工程实践经过20多次迭代最终有效的提示词结构你是一位专业的秘书需要根据提供的邮件和会议记录生成周报。 请严格遵守以下规则 1. 使用中文书面语保持专业但不过于正式 2. 重点突出工作成果而非过程 3. 每个项目进展不超过1句话 4. 下周计划必须包含具体交付物和日期 5. 禁止出现可能、大概等模糊表述 原始材料 {{context}}3.3 飞书集成细节配置飞书机器人时遇到两个问题一是企业自建应用需要审批二是消息卡片有特殊格式要求。解决方案# 安装飞书插件 openclaw plugins install m1heng-clawd/feishu # 配置消息模板 { feishu: { templates: { weekly_report: { msg_type: interactive, card: { header: {title: {content: 周报草稿已生成}}, elements: [{ tag: markdown, content: **{{week}}周报**\n\n{{content}} }] } } } } }4. 实际效果评估运行一个月后系统表现平均生成时间2分17秒从触发到收到飞书消息人工修改时间从原来的90分钟降到15-20分钟领导反馈格式规范性明显提升但有时会遗漏非邮件沟通的事项量化测试结果抽样50份周报评估维度原始模型优化后格式合规率42%98%关键事项遗漏率28%12%需要重写比例35%8%目前还存在两个问题一是跨部门协作事项容易被忽略因为不在我的邮件线程里二是模型偶尔会把不同项目的进展混淆。临时解决方案是每周四让OpenClaw提醒我手动补充这些信息。5. 给后来者的建议如果你也想尝试类似方案我的经验是不要追求全自动系统最适合处理80%的模板化内容剩下20%必须人工干预数据质量决定上限建议先用脚本清洗邮件和会议记录去除签名、转发链等噪音分阶段验证先测试模型单独处理邮件的能力再集成到OpenClaw流程中保留人工审核我设置了两道关卡 - 生成后飞书确认发送前必须手动点击这套系统现在每周为我节省至少2小时最大的惊喜反而是倒逼自己养成了及时归档邮件的习惯。技术永远不能完全替代人工但好的工具组合确实能让我们把时间用在更有价值的事情上。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。