OpenClaw+Qwen3.5-9B办公自动化：会议纪要生成到邮件发送全流程

OpenClawQwen3.5-9B办公自动化会议纪要生成到邮件发送全流程1. 为什么选择这个自动化方案上个月连续参加了三场跨时区会议后我对着电脑里杂乱的录音文件和零散笔记彻底崩溃了。作为技术负责人我需要从2小时的会议录音中提取技术决策点整理成Markdown格式发送给团队成员。这个重复性工作每周要消耗我3-4小时直到发现OpenClawQwen3.5-9B这个组合。这套方案最吸引我的是它的闭环处理能力——从语音转文字、关键信息提取、格式整理到邮件发送全部流程都能自动完成。更关键的是所有数据处理都在本地进行会议录音这类敏感内容不需要上传到第三方服务器。2. 环境准备与基础配置2.1 硬件与软件基础我的测试环境是一台M1 Pro芯片的MacBook Pro16GB内存系统版本为macOS Sonoma 14.5。虽然Qwen3.5-9B对硬件要求不高但建议至少满足8GB以上空闲内存实际占用约5-6GB20GB可用磁盘空间用于模型缓存和临时文件Python 3.9环境安装OpenClaw时遇到第一个坑官方脚本在ARM架构的Mac上会报错。改用Homebrew方案解决brew install node22 npm install -g openclawlatest openclaw --version # 验证安装2.2 Qwen3.5-9B模型接入在~/.openclaw/openclaw.json中配置本地模型服务地址时发现文档示例有误导。正确的配置应该是{ models: { providers: { local-qwen: { baseUrl: http://localhost:5000/v1, // 本地模型服务地址 apiKey: null, // 本地部署可不填 api: openai-completions, models: [ { id: qwen3-9b, name: Local Qwen3.5-9B, contextWindow: 32768 } ] } } } }关键点在于api字段必须声明为openai-completions协议否则OpenClaw无法正确调用。配置完成后记得重启网关服务openclaw gateway restart3. 会议纪要自动化全流程实现3.1 语音转文字处理最初尝试直接用Qwen3.5的语音识别能力发现对中文会议录音的识别准确率只有70%左右。后来改用组合方案先用Mac自带的afconvert将会议录音转为WAV格式通过OpenClaw调用本地部署的Whisper模型进行初转将转写文本交给Qwen3.5进行纠错和方言处理# 音频格式转换示例 afconvert input.m4a output.wav -d LEI1644100 -c 1这个组合使最终转录准确率提升到90%以上特别适合我们团队带各地口音的情况。3.2 关键信息提取技巧直接让模型提取关键信息效果并不理想。经过多次测试总结出最佳prompt结构你是一位专业的技术会议纪要整理员请从以下会议记录中 1. 提取所有技术决策项含负责人和截止时间 2. 列出待解决问题标注优先级 3. 标记所有行动项用[ACTION]前缀 4. 输出为Markdown格式 会议记录{{TEXT}}在OpenClaw中这个prompt需要保存在~/.openclaw/prompts/meeting.md文件里通过file://协议调用{ skills: { meeting-miner: { prompt: file://meeting.md, model: qwen3-9b } } }3.3 邮件自动发送方案最初尝试用Mac自带的Mail.app自动化发现权限问题难以解决。最终采用SMTP方案配置要点在邮箱设置中开启SMTP服务并获取授权码将凭证存入系统钥匙串避免明文存储通过OpenClaw的email-sender技能调用# 存储SMTP凭证示例 security add-generic-password -a $USER -s openclaw_smtp -w your_auth_code邮件模板采用动态生成方式会随会议类型自动调整格式。技术周会使用简洁的Bullet Points产品评审会则自动加入需求优先级矩阵。4. 飞书机器人集成实践4.1 机器人配置踩坑记在飞书开放平台创建应用时最容易忽略的是IP白名单设置。OpenClaw服务的公网IP需要通过以下命令获取curl ifconfig.me配置完成后需要在飞书开发者后台的安全设置中添加这个IP否则所有请求都会被拦截。4.2 自然语言触发设计飞书机器人的优势是可以直接用自然语言触发任务。我设计了几个快捷指令/纪要 紧急优先处理最新录音文件/纪要 检查查看处理进度/纪要 发送给张三将最新纪要发送给指定人员这些指令实际上映射到OpenClaw的预置技能在feishu_commands.json中配置{ commands: [ { keyword: 纪要, action: meeting-miner, params: { priority: high } } ] }5. 实际效果与优化建议经过一个月的实际使用这套方案平均每周为我节省4.5小时。最惊喜的是Qwen3.5对技术术语的处理能力——它能准确识别Kubernetes滚动升级方案这类专业表述而之前用的商业API经常转写成cube net滚动更新。几点优化建议内存管理长时间运行后模型会占用大量内存建议每天定时重启服务失败重试网络波动可能导致邮件发送失败需要增加重试机制敏感词过滤自动生成的邮件内容偶尔包含内部代号需要添加过滤层最大的收获是实现了可验证的隐私保护——所有会议内容都在本地处理连邮件发送也是通过自己的SMTP服务器。对于需要保密的技术讨论这种方案比任何云服务都让人安心。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。