AI 实践观察

用 AI Agent 自动化你的周报工作流

为什么要自动化周报

每周五下午写周报大概是程序员最头疼的事之一：翻聊天记录、回忆本周做了什么、整理进展、汇总风险... 我估了一下，每周至少花 2 小时在这件事上。一年下来就是 100 多小时。

如果说有什么任务最适合交给 AI 来做，周报绝对是其中之一——它的格式固定、信息来源明确、不需要创造性思考。

整体思路

自动化周报的核心流程其实很简单：

  1. 收集：从 Git 提交记录、项目管理工具、聊天记录中提取本周工作内容
  2. 整理：用 LLM 对收集到的信息进行归纳、分类、去重
  3. 生成：按固定模板生成结构化的周报文档
  4. 推送：自动发送到飞书/钉钉/企业微信

技术选型

我最终选用的技术栈如下：

环节 方案 理由
编排框架 LangGraph 支持复杂的状态机和条件分支
LLM GPT-4o-mini 性价比高，处理结构化任务足够
Git 信息提取 GitPython 成熟稳定的 Git 操作库
飞书推送 飞书开放 API 官方 SDK，文档完善
定时触发 APScheduler 轻量级定时任务框架

收集模块的实现

收集模块是整个 Agent 的基础。核心代码如下：

def collect_git_commits(repo_path: str, since: str) -> list[dict]:
    """从 Git 仓库收集指定日期之后的提交记录"""
    repo = git.Repo(repo_path)
    commits = []
    for commit in repo.iter_commits(since=since):
        commits.append({
            "hash": commit.hexsha[:8],
            "message": commit.message.strip(),
            "date": commit.committed_datetime.isoformat(),
            "author": commit.author.name,
        })
    return commits

关键点：

如果你的团队使用 Conventional Commits 规范（如 feat: xxx、fix: xxx），收集后的信息质量会高很多，建议推广。

整理模块：让 LLM 做归纳

收集到的原始信息通常是碎片化的，需要 LLM 来归纳整理。我设计了一个专门的 Prompt：

你是一个周报助手。根据以下 Git 提交记录和任务卡片信息，
按「已完成」「进行中」「遇到的风险」三个类别进行归纳。
每条不超过 50 字，用动宾短语开头。
​
原始信息：
{raw_data}

经过测试，GPT-4o-mini 在这个任务上的表现非常稳定，归纳准确率在 90% 以上。

推送到飞书

生成周报后，通过飞书 Webhook 推送到指定群聊：

def send_to_feishu(webhook_url: str, content: str):
    """通过飞书 Webhook 发送消息"""
    payload = {
        "msg_type": "interactive",
        "card": {
            "header": {"title": {"content": "本周工作周报"}},
            "elements": [{"tag": "markdown", "content": content}],
        },
    }
    requests.post(webhook_url, json=payload)

最终效果

部署上线后，每周五下午 5 点自动执行，2 分钟内完成全部流程：

每周节省约 2 小时，周报质量比手写的更好——因为 AI 不会遗漏任何一条提交。

下一步优化

—End—

如果觉得不错 随手点个 赞、在看、转发 三连吧

关注+星标 可第一时间收到更多精彩思考和总结

您的支持是我继续写下去的动力

注：原创不易，合作请在公众号后台留言，未经许可，不得随意修改及盗用原文。