OpenClaw+Qwen3.5-9B：极简命令行工具开发实战

1. 为什么选择这个技术组合？

上周我需要快速开发一个批量重命名图片的小工具，但实在不想从头写代码。在尝试了各种方案后，我发现OpenClaw+Qwen3.5-9B的组合意外地好用——只需要用自然语言描述需求，就能生成可执行的命令行工具。

这个组合的核心优势在于：

• OpenClaw的脚本执行能力可以直接运行生成的代码
• Qwen3.5-9B优秀的代码生成质量减少了调试时间
• 整个开发流程完全在本地完成，不涉及敏感数据外传

2. 环境准备与基础配置

2.1 安装OpenClaw

我使用的是macOS系统，安装过程非常简单：

curl -fsSL https://openclaw.ai/install.sh | bash
openclaw onboard --install-daemon

在配置向导中选择：

• Mode: Advanced（需要自定义模型）
• Provider: Qwen
• Default model: qwen3-9b（确保选择9B版本）

2.2 配置本地Qwen3.5-9B模型

由于我需要频繁调用模型生成代码，选择在本地部署Qwen3.5-9B：

{
  "models": {
    "providers": {
      "local-qwen": {
        "baseUrl": "http://localhost:8000/v1",
        "api": "openai-completions",
        "models": [
          {
            "id": "qwen3-9b",
            "name": "Local Qwen3.5-9B",
            "contextWindow": 128000
          }
        ]
      }
    }
  }
}

配置完成后记得重启网关：

openclaw gateway restart

3. 开发第一个命令行工具

3.1 从需求到实现

我需要一个能将目录下所有.jpg文件按"日期_序号"格式重命名的工具。通过OpenClaw控制台直接输入：

"请生成一个Python脚本，递归扫描当前目录下的所有.jpg文件，将它们重命名为'年-月-日_序号.jpg'格式，保持原始文件扩展名"

几秒钟后，OpenClaw返回了完整的Python脚本：

import os
from datetime import datetime

def rename_images():
    date_str = datetime.now().strftime("%Y-%m-%d")
    counter = 1
    for root, _, files in os.walk("."):
        for file in files:
            if file.lower().endswith(".jpg"):
                new_name = f"{date_str}_{counter}.jpg"
                src = os.path.join(root, file)
                dst = os.path.join(root, new_name)
                os.rename(src, dst)
                print(f"Renamed {file} to {new_name}")
                counter += 1

if __name__ == "__main__":
    rename_images()

3.2 测试与迭代

第一次生成的代码有些小问题：

1. 没有处理文件名冲突
2. 递归扫描时路径处理不够健壮

我继续用自然语言反馈："如果目标文件名已存在，请在文件名后添加(1)、(2)这样的后缀"

OpenClaw立即给出了改进版本：

def rename_images():
    # ...原有代码...
    for file in files:
        if file.lower().endswith(".jpg"):
            new_name = f"{date_str}_{counter}.jpg"
            dst = os.path.join(root, new_name)
            # 处理文件名冲突
            suffix = 1
            while os.path.exists(dst):
                new_name = f"{date_str}_{counter}({suffix}).jpg"
                dst = os.path.join(root, new_name)
                suffix += 1
            # ...后续代码...

4. 进阶开发技巧

4.1 添加命令行参数

为了让工具更实用，我要求添加参数支持：

"请修改脚本，使其可以通过命令行参数指定：

1. 要处理的文件扩展名（默认为.jpg）
2. 是否递归扫描子目录（默认为是）"

生成的代码使用了argparse模块：

import argparse

def main():
    parser = argparse.ArgumentParser()
    parser.add_argument("-e", "--ext", default=".jpg", help="文件扩展名")
    parser.add_argument("-r", "--recursive", action="store_true", help="是否递归扫描")
    args = parser.parse_args()
    
    if args.recursive:
        # 递归处理逻辑
    else:
        # 仅处理当前目录

4.2 打包成可执行文件

为了让同事也能使用这个工具，我询问："如何将这个Python脚本打包成macOS可执行文件？"

OpenClaw给出了使用PyInstaller的方案：

pip install pyinstaller
pyinstaller --onefile rename_images.py

还贴心地提醒我："如果脚本依赖其他资源文件，需要使用--add-data参数"

5. 实际使用效果与优化

经过一周的实际使用，这个工具帮我处理了3000多张图片。期间发现几个可以优化的点：

1. 性能优化：处理大量文件时内存占用过高
   • 解决方案：改用生成器逐文件处理
2. 错误处理：遇到权限问题会直接崩溃
   • 解决方案：添加try-catch块
3. 日志记录：需要记录重命名映射关系
   • 解决方案：生成CSV格式的日志文件

每次发现问题，我都能通过自然语言描述快速获得改进方案，整个过程就像有个经验丰富的开发者在随时待命。

6. 开发模式的新思考

这种开发方式改变了我的工作流程：

1. 原型设计阶段：用自然语言快速验证想法可行性
2. 实现阶段：通过对话迭代完善功能细节
3. 维护阶段：遇到问题直接描述症状获取修复方案

最大的收获是：不需要在琐碎的语法细节上浪费时间，可以专注于解决实际问题。对于日常开发中那些"小而有用"的工具，这种方式的效率至少提升了3倍。

---

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。