企业官网建设流程全解析

OpenClaw 的 config.yaml 走 TaoToken 兼容通道：打开 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 拿 Key，再回来改 llm 段，这是「五、OpenClaw部署与环境搭建」里模型配置那一步最省事的改法。很多人卡在这里不是不会写 YAML，而是全链路一旦真跑起来，采集 Agent 抓一轮、生成 Agent 写一批、发布 Agent 按渠道拆几份、收益统计回头做一次汇总，每个环节都在按 Token 计费；官方 Key 又是按平台发的，GPT 一把、Qwen 一把，散在几个不同的配置文件和环境变量里，跑到第三天你想回答「昨天这条链路一共花了多少」都很难。把模型接入层收口到一个兼容通道上，Skill 逻辑和任务编排不用动，账也终于能对得上了。

1. config.yaml 的 llm 段：全链路变现为什么先卡在模型 Key

1.1 从数据采集到收益统计，每一步都在调用模型

OpenClaw 这套全链路自动化的骨架，说白了就是把一条业务流水线拆成若干带角色的 Agent，每个 Agent 配一个或几个 Skill，由任务编排决定谁先跑、谁等谁的结果。数据采集这一环，模型要读页面结构、判断哪些字段值得抓、把非结构化文本压成结构化记录；内容生产这一环，模型要按选题和素材写出可发布的稿子；自动发布这一环，模型要把同一份内容改写成不同渠道的语气和长度；收益统计这一环，模型要做汇总、归类、异常归因。四段里没有一段能离开模型调用。

问题就在这里：单次调用很便宜，链路一长就不便宜了。一条链路里，采集可能触发十几次，生成可能触发三五次，发布按渠道数翻倍，统计再追加几次，跑一整天下来请求量是四位数起步。这时候如果每个 Agent 各挂一把官方 Key，你看到的是四个后台、四份账单、四种限额状态，而不是一条清晰的成本曲线。

1.2 官方 Key 分散在多个 Agent 配置里的三种麻烦

第一种是限流传导。采集 Agent 那把 Key 撞了速率限制，编排器不会智能降级，只会让整条链路卡在半路，后面几个 Agent 一直等一个永远不来的结果。第二种是轮换困难。Key 到期或者被平台回收，你得挨个文件去找、改、重启服务，漏一处就是第二次故障。第三种最隐蔽：测试环境和生产环境用了不同的 Key，本地调试时跑得通，部署上去报 401，你在两个后台之间来回翻，最后发现是配置文件覆盖顺序的问题。

这三种麻烦都不会因为你换了一把新 Key 就消失，它们本质上来自「Key 分散在多个地方」。所以这一节的改动目标不是「换一家供应商」，而是把调用入口收敛成一个。

2. 只改接入层：Skill 与任务编排保持原样

2.1 哪些字段该动，哪些字段别碰

改动范围要卡得很死，否则很容易把一次配置替换写成一次重构。该动的只有 llm 段里的连接信息：api_key、base_url，以及你打算给不同角色分配不同模型时的 model 字段。不该动的包括 skills 目录下所有 Skill 的实现、编排文件里的依赖关系与重试策略、定时任务表达式、以及各发布渠道自己的授权凭证——渠道凭证属于业务侧，跟模型通道是两回事。

有一个容易忽略的点：部分 OpenClaw 版本把 provider 写成了枚举校验，填了未知值会直接启动失败。遇到这种情况不要硬填新值，保留原来的 provider，只改 base_url 和 api_key 即可，因为兼容通道对外暴露的就是同一套接口形状。

2.2 兼容通道为什么不会打断 Skill 逻辑

Skill 调用模型的方式非常朴素：拼一段 messages，发一个 chat 风格的请求，拿回文本再解析。它不关心对面是哪个机房、哪家平台，只关心三件事——地址能连通、鉴权能通过、返回结构符合预期。只要这三件事成立，采集、生成、发布、统计四个 Skill 的代码一行都不用改。

需要额外确认的是能力边界。如果某个 Skill 依赖 embedding、视觉输入或者很长的上下文窗口，别默认它在任何模型上都成立，去模型广场看当前列表里哪些模型支持，再决定给这个 Agent 分哪个模型。这一步花两分钟，能省掉后面半天的排查。

3. 拿 Key 与确认模型 ID：改 config.yaml 之前的两件事

3.1 在 TaoToken 控制台创建 API Key

先打开 TaoToken 注册账号，进入控制台创建一把 API Key。创建时建议按用途分：本地调试一把、线上 OpenClaw 一把，这样哪边跑飞了一眼就能看出来。Key 只显示一次，复制后先放进密码管理器或者系统的密钥存储，不要顺手粘进聊天窗口或者 issue 里。

这一步对应的就是原文里「去官方控制台复制 key」那个动作，只不过入口换成了 https://taotoken.net/?utm_source=taotoken_aicg_blog_end ，后面的操作逻辑完全一样：拿到 Key，交给配置文件。

3.2 去模型广场确认 GPT、Qwen 的模型 ID

模型 ID 千万别凭记忆写。同一个系列下面往往有多个版本、多个尺寸、多个上下文长度，写错一个字符就是 404。正确做法是打开 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 的模型广场，把当前可用的 ID 逐个抄下来，然后在 config.yaml 里用注释标清楚每个 ID 对应哪个 Agent，例如「采集用便宜快的、生成用写作强的、发布用稳定的」。

如果模型广场上的列表和你印象里的名字不一样，以列表为准，不要试图把别的平台的写法硬套过来。

3.3 把 Key 放进环境变量，而不是写进配置文件

config.yaml 大概率是要进版本库的。Key 明文写进去，等于把它公开了。推荐做法是在 llm 段里引用变量，真正的值放在服务器上的 .env 或系统环境变量里：

# /etc/openclaw/.env 或项目根目录 .env TAOTOKEN_API_KEY=YOUR_API_KEY

# 临时会话里也可以直接 export export TAOTOKEN_API_KEY=YOUR_API_KEY

YAML 里引用变量的写法各家实现略有差异，常见的是${TAOTOKEN_API_KEY}或者${env:TAOTOKEN_API_KEY}。先用你所用版本的文档确认语法，再改文件，别一次改一堆字段然后不知道哪一处出的问题。

4. 改写 config.yaml：api_key 与 base_url 的替换写法

4.1 改写前的样子

原文这一段的默认写法，是直接填平台名和官方 Key，大致长这样：

llm: provider: openai api_key: sk-你的官方Key base_url: https://api.openai.com/v1 model: 官方模型名 temperature: 0.7

这种写法本身没错，单 Agent 跑一个 Demo 完全够用。问题出在把它复制到四个 Agent 上，再分别换成不同的平台 Key，于是就有了 1.2 里说的那些麻烦。

4.2 改写后：llm 段指向兼容通道

把连接信息换成下面这一组。注意 base_url 是 https://taotoken.net/api ，末尾不要加 /v1，也不要带任何查询参数：

llm: provider: openai api_key: YOUR_API_KEY base_url: https://taotoken.net/api model: YOUR_MODEL_ID temperature: 0.7

这里有三个细节值得单独说。第一，provider 我故意保留了原值，因为不少版本的校验逻辑认的是这个字段，不影响实际走哪条通道。第二，api_key 用 YOUR_API_KEY 占位，实际值从 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 创建后通过环境变量注入。第三，model 一定填模型广场上抄下来的真实 ID。

4.3 分角色给模型：采集用快、生成用强

全链路里四个 Agent 对模型的要求并不一样，用同一个模型是浪费。可以这样拆：

llm: provider: openai base_url: https://taotoken.net/api api_key: ${TAOTOKEN_API_KEY} timeout: 120 max_retries: 2 agents: collector: model: YOUR_FAST_MODEL_ID temperature: 0.2 max_tokens: 2048 writer: model: YOUR_MODEL_ID temperature: 0.8 max_tokens: 8192 publisher: model: YOUR_MODEL_ID temperature: 0.3 max_tokens: 4096 revenue_report: model: YOUR_MODEL_ID temperature: 0.1 max_tokens: 4096

采集环节需要的是「稳定、便宜、能处理批量文本」，温度调低一点减少幻觉；生成环节需要的是表达能力和长输出；发布环节要的是格式服从性；收益统计要的是数字不瞎编，温度压到 0.1 以下。具体哪个 ID 对应哪一类，仍然以模型广场当时列表为准，我在这里只能给占位符。

4.4 如果你的版本优先读标准环境变量

有些 OpenClaw 版本会优先读通用的 OpenAI 兼容环境变量，而不是 llm 段里的字段。这种情况下，把这两个变量设好，配置文件里的连接信息就会被动覆盖：

export OPENAI_BASE_URL=https://taotoken.net/api export OPENAI_API_KEY=YOUR_API_KEY

改完之后建议先打印一次生效配置，确认最终用的是哪一组值——这一步比出事之后再回来翻文档省事得多。

5. 全链路跑一遍：先冒烟，再串联

5.1 单个 Skill 先冒烟，别一上来就跑全链路

改完配置直接触发整条流水线，是最容易把自己搞晕的做法：一次失败你分不清是连接问题、模型问题还是编排问题。正确顺序是先让采集 Agent 单独跑一次，看它能不能拿到模型返回并解析成功。用你所用版本提供的 Skill 调试入口触发单个 Skill 即可，具体子命令以版本文档为准。

还要强调一件事：涉及数据库和内部接口的采集 Skill，不要让模型直接去连生产库执行语句。让模型只负责生成或解释 SQL、生成请求参数，真正的执行由你在本地或者测试环境的 SQL*Plus 里手动跑，再把返回结果贴回对话上下文。这条边界守住了，后面所有排障都会简单很多。

5.2 串联验证时盯住三个信号

三个 Agent 各自能跑通之后，再触发整条链路，重点看三处。第一处是每个 Agent 的返回是否有完整内容，而不是空串或者被截断的半句话；第二处是相邻两个 Agent 之间的数据格式是否对得上，比如采集输出的 JSON 字段名和生成 Agent 期望的输入键名；第三处是失败重试有没有变成无限循环，把 max_retries 设成 2 到 3 就够了。

如果链路能跑完但是结果不对，八成不是通道的问题，而是提示词或者字段映射的问题，别去反复改 base_url。

5.3 在后台对照每一次请求

配置通了以后，回到 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 的控制台看这一次运行到底产生了哪些请求：时间点、模型、Token 数、成功还是失败。这一步的价值在于把「链路慢」拆成具体的调用：是采集阶段请求太多，还是生成阶段输出太长，还是某个 Agent 在反复重试。看到具体数字之后，优化就有方向了。

6. 排障：config.yaml 改完最常撞的四类报错

6.1 鉴权失败与 Key 没生效

最常见的表现是鉴权错误。原因通常有三个：环境变量没有 export 到 OpenClaw 进程所在的那个 shell；.env 文件没被加载；或者 Key 复制时带了首尾空格、换行。排查顺序是从进程环境里直接打印变量名，确认它真的有值、值和后台创建的那把一致。另外，如果同一台机器上跑过多个项目，别让旧的环境变量把你的新值盖掉。

6.2 模型找不到

模型相关的报错基本只有一个原因：ID 写错了，或者那个 ID 在当前可用列表里已经不存在。解决办法很笨但有效——把 config.yaml 里的 model 字段整行删掉，去模型广场重新复制一遍，粘贴回去，不手动打字。系列名相同但版本号差一位的情况太常见了。

6.3 base_url 顺手加了 /v1

这是最容易犯也最难自己发现的错，因为很多教程里写的都是带 /v1 的地址，手一滑就带上了。这里的规则很明确：填进工具的地址是 https://taotoken.net/api ，末尾不带 /v1，也不要带任何参数。多写的部分会被当成路径的一部分，于是请求打到一个不存在的路由上，报错信息还未必直观。遇到「地址看起来没错但不通」的时候，第一件事就是回去看这一行。

6.4 YAML 缩进与变量语法

YAML 对缩进极其敏感，agents 下面那一层多一个空格少一个空格，解析结果完全不同。改完先做一次语法校验，别等运行时才发现。变量引用符号也要跟版本对齐，${TAOTOKEN_API_KEY}和${env:TAOTOKEN_API_KEY}在不同实现里不通用，混用会得到一个字面量字符串而不是 Key 的值，最终仍然表现为鉴权失败。

7. 把 Key 收口之后，下一步做什么

7.1 长期跑量之前先看套餐

链路稳定跑起来之后，成本会变成一个必须正面回答的问题。你可以先到 TaoToken 模型对话 用同一把 Key 手动发一条消息，确认模型 ID 和 Base URL 都没填错，再把几个 Agent 的典型请求各发一次，感受一下输出质量和长度的差异。接着打开 Coding Plan 看看长期跑量的方案是否够用；需要再开一把专用 Key 的话，直接在 控制台 API Keys 里创建。

7.2 这次改动的收口标准

判断这次接入是否真的完成，有个很简单的标准：config.yaml 里只剩一个 base_url、一个 Key 引用、一组明确的模型 ID，其他 Agent 全部继承这套配置；任意一个 Agent 出问题，你能在后台一眼找到对应的请求记录；Key 需要轮换时，你只改一处环境变量，然后重启进程。做到这三条，全链路自动化的模型接入层就算真正收口了，后面无论加 Skill、加渠道还是加新的 Agent，都不用再动连接信息。

如果你的编排里还有几个 Agent 挂着老平台的 Key 没迁，建议一次迁完再跑整条链路，别一边跑生产一边改配置——混合状态下的报错最难定位。