OpenClaw飞书机器人实战：用Qwen3.5-4B-Claude-4.6-Opus-Reasoning-Distilled-GGUF打造智能助手

1. 为什么选择OpenClaw+飞书+本地模型组合

去年开始，我一直在寻找一个既能保护隐私又能实现办公自动化的解决方案。尝试过各种SaaS工具后，发现要么需要上传敏感数据到第三方平台，要么功能太过局限。直到遇到OpenClaw这个开源框架，才真正找到了平衡点。

这个方案的核心优势在于：

• 数据不出本地：所有操作都在自己的电脑或内网服务器完成，会议录音、待办事项等敏感信息无需上传云端
• 模型自由切换：可以灵活选择不同能力的本地模型，比如这次测试的Qwen3.5-4B-Claude-4.6-Opus-Reasoning-Distilled-GGUF就特别适合处理结构化任务
• 飞书无缝集成：直接在常用IM工具里触发自动化流程，不需要额外学习新界面

实际使用三个月后，这套组合帮我节省了约40%的会议记录时间，待办事项的遗漏率也显著降低。下面分享具体实现过程。

2. 环境准备与飞书应用配置

2.1 基础环境搭建

我选择在MacBook Pro（M1芯片）上部署，内存16GB足够运行4B量级的模型。首先通过Homebrew安装基础依赖：

brew install node@22
npm install -g @qingchencloud/openclaw-zh@latest

验证安装成功后，执行初始化向导。这里有个小技巧：如果已经确定要使用飞书通道，可以直接在onboard阶段选择Advanced模式配置：

openclaw onboard --mode=Advanced

向导会依次询问：

1. 模型提供商：选择"Custom"手动配置本地模型
2. 通道选择：勾选飞书（Feishu）
3. 基础技能：建议全选，后续可以按需禁用

2.2 飞书企业自建应用创建

在飞书开放平台创建应用时，我踩过两个坑值得提醒：

1. 权限配置：除了基础的"获取用户基础信息"外，务必添加"消息与群组"下的"接收消息"和"发送消息"权限
2. 安全设置：需要将运行OpenClaw的服务器的公网IP加入IP白名单。可以通过以下命令获取当前公网IP：

curl ifconfig.me

创建完成后，记录下App ID和App Secret，它们相当于机器人的"账号密码"。

3. 模型接入与配置文件优化

3.1 本地模型部署

我使用的Qwen3.5-4B-Claude-4.6-Opus-Reasoning-Distilled-GGUF模型有几个显著特点：

• 推理效率高：GGUF量化格式在M1芯片上能利用Apple Metal加速
• 结构化输出强：特别适合会议纪要这种需要提取关键信息的场景
• 上下文长度适中：32768的上下文窗口足够处理1小时左右的会议录音转写

模型服务启动后，需要修改OpenClaw的配置文件~/.openclaw/openclaw.json。关键配置如下：

{
  "models": {
    "providers": {
      "local-qwen": {
        "baseUrl": "http://localhost:5000/v1",
        "apiKey": "null",
        "api": "openai-completions",
        "models": [
          {
            "id": "qwen3.5-4b-distilled",
            "name": "Local Qwen Reasoning",
            "contextWindow": 32768
          }
        ]
      }
    }
  }
}

3.2 飞书通道配置

在同一个配置文件中，找到channels部分添加飞书配置。这里有个实用技巧：可以设置connectionMode为"webhook"避免websocket的端口暴露问题：

{
  "channels": {
    "feishu": {
      "enabled": true,
      "appId": "your_app_id",
      "appSecret": "your_app_secret",
      "connectionMode": "webhook",
      "encryptKey": "",
      "verificationToken": ""
    }
  }
}

配置完成后需要重启网关服务：

openclaw gateway restart

4. 实战：会议纪要生成工作流

4.1 技能安装与测试

OpenClaw本身具备基础的文本处理能力，但为了更好处理会议场景，我额外安装了meeting-minutes技能：

clawhub install meeting-minutes

这个技能提供了以下增强功能：

• 语音转文字预处理
• 发言角色分离
• 关键决策点提取
• 待办事项结构化

测试时发现直接处理中文语音转写文本效果不佳，后来通过修改prompt模板解决了这个问题。具体是在~/.openclaw/skills/meeting-minutes/prompts/zh-CN.md中添加了中文示例。

4.2 飞书机器人交互演示

实际使用时，只需要在飞书群里@机器人并发送指令即可。例如：

"@会议助手 请处理刚刚的会议录音并提取行动项"

机器人会回复处理进度，约1-2分钟后返回结构化结果：

【会议纪要摘要】
- 决策：确定Q2产品路线图以AI功能为主
- 待办：
  [x] 张三：3月15日前完成原型设计
  [x] 李四：3月20日前协调资源

我发现模型对时间节点的识别特别准确，即使是"下周三前"这样的相对时间也能正确转换为具体日期。

5. 性能优化与问题排查

5.1 Token消耗控制

长时间会议处理容易耗尽Token配额，通过以下策略优化：

1. 在技能配置中启用"分段处理"模式
2. 设置最大处理时长为60分钟
3. 使用clawhub update定期更新技能获取优化后的prompt

5.2 常见错误处理

遇到最频繁的问题是飞书消息超时，解决方案是：

1. 检查openclaw gateway日志中的心跳记录
2. 调整feishu.timeout配置项到30000ms以上
3. 对于超长任务，改为异步处理模式

另一个典型问题是模型输出格式不稳定，通过在prompt中强制指定Markdown格式解决了这个问题。

6. 进阶应用：自定义技能开发

当内置技能不满足需求时，可以开发自定义技能。比如我实现了一个"项目风险提取"技能，主要步骤：

1. 创建技能模板：

clawhub create risk-extractor

2. 修改skill.json定义输入输出：

{
  "input": "meeting_transcript",
  "output": ["risk_items"],
  "parameters": {
    "min_probability": 0.7
  }
}

3. 编写处理逻辑（JavaScript示例）：

module.exports = async ({ transcript }, { models }) => {
  const prompt = `从以下会议记录中提取项目风险点...`;
  const analysis = await models.complete(prompt);
  return parseRisks(analysis);
};

开发完成后，通过clawhub publish分享给团队其他成员使用。

---

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。