openclaw通过配置技能、连接数据源、调用本地大模型自动完成周报全流程。它强调构建可复用、可定时、有结构的数据流水线，而非依赖ai自由发挥。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
OpenClaw 本身不直接“写周报”，而是通过配置技能、连接数据源、调用本地大模型（如 GLM-4.7-Flash、百川2-13B 或 QwQ-32B），自动完成采集→分析→生成→发送全流程。关键不是让 AI 自由发挥，而是构建一条可复用、可定时、有结构的数据流水线。
一、先连上你的工作数据源
周报质量取决于原始数据是否完整、可读、易提取。OpenClaw 支持多种本地和 API 方式接入：
-
Git 提交记录：在技能配置中添加 shell 脚本，例如
git log --since="last Monday" --pretty="%h|%an|%ad|%s"，自动抓取本周代码变更 - 任务管理系统：对接 Jira、Todoist 或公司 OA 的 REST API，读取状态为 “Done” 或 “In Review” 的任务项
- 会议与沟通记录：通过飞书/企业微信开放接口拉取带 #weekly 或 #worklog 标签的聊天片段；或定期导出本地 Obsidian / Markdown 日志
- 日历事件：macOS 系统日历、Outlook 或 Google Calendar 均可通过标准 API 同步会议主题与时长，作为“协作投入”依据
二、选一个靠谱的本地模型并配好
模型决定理解力和表达力。不推荐用远程 API（涉及敏感数据外泄风险），优先部署轻量但中文强的本地模型：
- GLM-4.7-Flash（7B）：M1/M2 Mac 或中端显卡（RTX 3060+）可流畅运行，响应快、对中文报告格式识别准，适合日报/周报类短结构生成
- 百川2-13B（4bit量化）：需 RTX 3090 或 A10 显存 ≥10GB，长文本归纳更强，能从 20+ 条会议纪要中准确提炼共识与待办
- QwQ-32B：适合复杂场景（如自动生成含图表的 PPT），但对硬件要求高，日常周报略“杀鸡用牛刀”
配置示例（~/.openclaw/openclaw.json）：
{
"models": {
"providers": {
"local-glm": {
"baseUrl": "http://localhost:11434",
"api": "openai-completions",
"models": [{
"id": "glm-4.7-flash",
"name": "Weekly Report Assistant",
"contextWindow": 32768
}]
}
}
}
}三、装技能 + 定模板 + 设定时任务
这是真正落地的三步：
-
安装核心技能：
clawhub install report-generator data-visualizer（后者用于自动生成进度条、完成率等简易图表） -
定义周报结构模板：在
~/.openclaw/templates/weekly.md中编写 Markdown 框架，用占位符如{{completed_tasks}}、{{top_risk}}，后续由模型填充 -
设置周五 16:00 自动触发：编辑
~/.openclaw/schedules/weekly-cron.json，内容为：{"schedule": "0 0 16 * * 5", "command": "openclaw report weekly --from-last-friday"}
四、验证与微调建议
首次运行后检查输出路径 ~/openclaw/reports/weekly/ 下的文件。常见问题及解法：
- 内容太笼统？→ 调低模型
temperature至 0.2–0.3，增强事实一致性 - 漏掉某类任务？→ 检查数据源权限（如 Git 仓库是否授权读取；企业微信机器人是否开启指定群组日志权限）
- 格式错乱？→ 在模板中避免嵌套过深的 Markdown，用
###分级而非####；禁用模型自动加 emoji（可在 system prompt 中明确写“不使用任何表情符号”） - 想加领导关注指标？→ 在模板里新增模块，例如
## 关键结果（OKR 对齐），并在数据采集脚本中额外调用 OKR 系统 API
