可通过OpenClaw实现微信群投票自动统计：一、配置微信接入与监听；二、定义识别规则过滤有效投票；三、用Qwen3-4B模型结构化解析选项；四、自动生成可视化报表；五、支持手动触发与异常修正。
☞☞☞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☜☜☜
如果您在微信群中频繁发起投票活动，但每次都需要手动翻阅聊天记录、逐条统计选项并汇总结果，则可能是由于缺乏自动化识别与结构化处理能力。以下是解决此问题的步骤：
一、配置OpenClaw微信接入与消息监听
该方法通过IMAP或微信协议桥接方式使OpenClaw实时捕获群聊中包含投票关键词的消息，并建立原始数据缓冲区，为后续解析提供基础输入源。
1、确保已部署OpenClaw v2026.3.31或更高版本，且本地运行状态正常（访问http://localhost:18789可进入控制台）。
2、在控制台「技能中心」中安装wechat-listener与message-parser两个核心技能模块。
3、执行命令行授权微信接入：openclaw wechat auth --mode group-only --group-name "投票统计组"，按提示完成扫码绑定。
4、启动监听服务：openclaw service start wechat-listener，此时系统开始持续抓取指定群内所有文本消息。
二、定义投票消息识别规则
该方法利用正则匹配与语义关键词双校验机制，精准识别符合投票格式的原始消息，过滤掉闲聊、转发及非结构化内容，保障统计入口数据质量。
1、进入控制台「规则引擎」页面，点击「新建识别规则」。
2、设置触发条件为：消息含“【投票】”“请选择”“A.”“B.”“C.”“✅”“❌”中任意三项以上。
3、添加排除条件：发信人昵称为“系统通知”或消息含“红包”“转账”字样时自动跳过。
4、保存规则后，系统将对每条入队消息进行实时打标，标记为vote_candidate的消息进入解析队列。
三、启用AI驱动的选项结构化解析
该方法调用本地部署的Qwen3-4B模型对识别出的投票消息进行段落切分、选项抽取与语义归一化，将非标准表述（如“A选项”“第一个”“左边那个”）映射至统一编号体系。
1、确认已启用excel-processor与qwen3-4b-instruct模型服务（nanobot镜像默认支持）。
2、在「技能中心」启用vote-structure-analyzer技能，该技能会自动加载预置投票模板库。
3、向群内发送测试指令：@OpenClaw 解析上一条投票：A.同意 B.反对 C.弃权，请统计。
4、观察控制台「解析日志」，确认返回结果中options字段包含三个标准化键值对，且raw_text_mapping显示映射关系完整。
四、自动汇总并生成可视化报表
该方法将结构化后的各轮投票结果写入本地SQLite数据库，并通过内置图表引擎生成柱状图与百分比环形图，输出为PNG图像直接推送至群内。
1、在控制台「数据源管理」中启用sqlite-vote-db，路径设为/app/data/vote_results.db。
2、执行命令注册报表模板：clawhub install vote-report-template --format png --style bar-pie。
3、设定定时汇总任务：openclaw cron add "0 */2 * * *" --action vote-summary --target-group "投票统计组"，表示每两小时自动汇总一次。
4、验证输出：查看群内是否收到带标题“【自动汇总】近2小时投票结果”的图片消息，图中包含选项分布柱状图与占比环形图。
五、手动触发即时统计与异常修正
该方法提供低延迟干预通道，在投票结束即刻发起全量统计，并支持人工覆盖错误识别项，确保关键决策场景下的结果可信度。
1、在群内任意位置发送指令：@OpenClaw 立即统计本群今日所有投票。
2、系统将在15秒内返回统计摘要，含总参与人数、各选项原始计数、去重后有效票数。
3、若发现某条消息被误判，点击该消息右侧「…」菜单，选择「反馈误识别」，填写正确选项编号后提交。
4、系统将立即重跑该条消息解析流程，并同步更新数据库与最新报表图像。
