企业官网建设流程全解析

1. 从一次多团队 Agent 调用失败说起

如果你正在用 OpenClaw 搭多团队组织架构，大概率会遇到这样一个场景：产品团队、工程团队、研究团队各自跑得好好的，但一旦让它们协作处理一个跨领域任务，调用链路就断了。要么是 Sub-Agent 派生不出来，要么是 Orchestrator 收不到 Worker 的 announce 结果，要么是不同团队用了不同的 Key 导致鉴权混乱。

OpenClaw 的多团队组织架构，本质上是把「公司组织图」映射到配置层：Multi-Agent 负责水平方向的团队划分，Sub-Agent 负责垂直方向的角色分工，Orchestrator 则是团队内部的协调者。这套架构能做什么？它让每个团队拥有独立的 workspace、沙箱和工具权限，团队内部又能通过 Nested Sub-Agents 实现多角色并行协作。适合谁？适合需要把 AI 自动化拆成多个职责边界清晰、又能协同工作的团队场景。

但这里有个容易被忽略的工程问题：多团队意味着多 Agent、多 Sub-Agent、多角色，每个角色可能调用不同的模型。如果每个团队各自维护一套 API Key，配置会迅速失控。我试过用 TaoToken 统一 Key 来打通整条 Multi-Agent 编排链路，一个 Key 覆盖所有团队的模型调用，配置量直接砍半。下面从 Orchestrator 视角，把多团队职责划分、调用链路、可复制的 config.toml 骨架和统一 Key 配置片段一次讲清楚。

2. TaoToken 前置：统一 Key 是多团队编排的地基

在讲配置之前，先把 Key 的问题解决掉。OpenClaw 的多团队架构里，每个团队 Agent 会从自己专属的~/.openclaw/agents/<agentId>/agent/auth-profiles.json读取凭证，默认不共享。这意味着三个团队就要维护三份凭证文件，如果团队内部不同角色还要用不同模型，凭证管理会变成灾难。

TaoToken 在这里的作用是提供一个统一的模型调用入口。你只需要在 TaoToken 控制台创建一个 API Key，然后在 OpenClaw 的各个团队 Agent 配置里统一引用这个 Key，就能让所有团队、所有 Sub-Agent、所有角色都走同一条鉴权链路。这样做的好处有三个：一是配置集中，改一处全生效；二是成本可观测，所有团队的 token 消耗汇总在一个面板；三是模型切换灵活，不同角色通过sessions_spawn.model指定不同模型，但底层 Key 不变。

具体操作路径：先到 TaoToken 控制台创建一个 API Key，然后在 OpenClaw 的模型 provider 配置里填入这个 Key 和 API 地址https://taotoken.net/api。如果你还没创建 Key，可以直接访问 TaoToken API Keys 管理页 生成一个。接入文档在 TaoToken 接入文档，里面有完整的 provider 配置示例。

注意：TaoToken 的 API 地址是https://taotoken.net/api，配置时不要带多余的路径后缀，否则会出现 404。Key 建议用环境变量注入，不要硬编码在 config.toml 里。

3. 可复制配置：config.toml 骨架与统一 Key 片段

这一节是全文的核心。我会给出一个完整的多团队 config.toml 骨架，包含三个团队 Agent、统一 Key 配置、Sub-Agent 嵌套深度、工具权限和渠道路由绑定。你可以直接复制后按自己的团队数量和角色调整。

3.1 统一 Key 与模型 Provider 配置

先解决 Key 的统一注入。OpenClaw 支持在 provider 层配置模型调用凭证，所有 Agent 共享这个 provider 配置：

# ~/.openclaw/config.toml [providers.taotoken] type = "openai-compatible" base_url = "https://taotoken.net/api" api_key = "${TAOTOKEN_API_KEY}" default_model = "gpt-4o-mini" [providers.taotoken.models] high = "gpt-4o" mid = "claude-3-5-sonnet" light = "gpt-4o-mini"

这里用${TAOTOKEN_API_KEY}从环境变量读取，避免 Key 泄露。你可以在 shell 里export TAOTOKEN_API_KEY="你的Key"，或者写进~/.openclaw/.env。models段定义了三个档位的模型别名，后面在 Sub-Agent 派生时可以直接引用high、mid、light，不用每次写完整模型名。

3.2 多团队 Multi-Agent 定义

接下来在agents.list里声明三个团队 Agent。每个团队有独立的 workspace、沙箱策略和工具权限：

[agents.defaults.subagents] maxSpawnDepth = 2 maxChildrenPerAgent = 5 maxConcurrent = 12 runTimeoutSeconds = 900 archiveAfterMinutes = 60 model = "light" [[agents.list]] id = "team-product" name = "Team A - Product" workspace = "~/.openclaw/workspace-team-product" provider = "taotoken" [agents.list.sandbox] mode = "all" scope = "agent" [agents.list.tools] allow = ["read", "write", "browser", "exec"] deny = ["gateway"] [[agents.list]] id = "team-engineering" name = "Team B - Engineering" workspace = "~/.openclaw/workspace-team-engineering" provider = "taotoken" [agents.list.sandbox] mode = "all" scope = "agent" [agents.list.tools] allow = ["read", "write", "exec", "apply_patch"] deny = ["browser", "gateway"] [[agents.list]] id = "team-research" name = "Team C - Research" workspace = "~/.openclaw/workspace-team-research" provider = "taotoken" [agents.list.sandbox] mode = "all" scope = "agent" [agents.list.tools] allow = ["read", "browser", "exec"] deny = ["write", "apply_patch", "gateway"]

关键点说明：maxSpawnDepth = 2是启用 Orchestrator 模式的前提，depth-0 是团队 Agent，depth-1 是 Orchestrator，depth-2 是角色 Worker。maxConcurrent = 12是所有团队共享的全局并发池，三个团队各 3 个角色加 3 个 Orchestrator 就是 12，刚好卡满，实际部署建议留余量设到 15。provider = "taotoken"让每个团队都走统一 Key，不需要各自维护凭证文件。

3.3 渠道路由绑定

通过 bindings 把不同渠道的消息路由到对应团队：

[[bindings]] agentId = "team-product" [bindings.match] provider = "discord" accountId = "*" [bindings.match.peer] kind = "channel" id = "product-channel-id" [[bindings]] agentId = "team-engineering" [bindings.match] provider = "discord" accountId = "*" [bindings.match.peer] kind = "channel" id = "engineering-channel-id"

这样 Discord 的 product-channel 消息会自动路由给 team-product，engineering-channel 路由给 team-engineering，团队之间天然隔离。

3.4 Orchestrator 角色派生逻辑

团队 Agent 收到任务后，会派生一个 depth-1 的 Orchestrator，Orchestrator 再并行派生 depth-2 的角色 Worker。派生逻辑通过sessions_spawn实现，核心参数如下：

// Orchestrator 内部的派生逻辑（伪代码示意） sessions_spawn({ task: "作为产品经理，分析用户需求并输出需求文档", label: "pm-role", model: "high", thinking: "high", runTimeoutSeconds: 600 }) sessions_spawn({ task: "作为 UI 设计师，基于需求文档提出交互设计方案", label: "designer-role", model: "mid", runTimeoutSeconds: 600 }) sessions_spawn({ task: "作为数据分析师，评估方案的可行性与风险", label: "analyst-role", model: "light", runTimeoutSeconds: 300 })

label用于后续追踪角色身份，model引用前面 provider 里定义的模型别名，task本身就是角色 prompt，runTimeoutSeconds防止某个角色卡死拖垮整体流程。depth-1 的 Orchestrator 会自动获得sessions_spawn、sessions_list、sessions_history等管理工具，depth-2 的 Worker 则是纯执行者，无法再派生子任务。

3.5 Sub-Agent 工具权限管控

Sub-Agent 的工具权限和 Multi-Agent 的 per-agent 工具配置是两套独立体系，需要单独配置：

[tools.subagents.tools] deny = ["gateway", "cron"] allow = ["read", "exec", "write", "browser"]

注意 deny 优先级始终高于 allow，且工具限制是单向收紧的——上层拒绝的工具，下层无法恢复。所以全局tools.deny的优先级最高，然后是 agent 级、sandbox 级、subagent 级。

4. 验证请求：确认多团队 Agent 调用走通

配置写完后，不能直接上生产，要先验证整条调用链路是否走通。下面给出具体的检查动作和预期结果。

4.1 检查 Agent 路由与绑定

openclaw agents list --bindings

预期输出会列出三个团队 Agent 及其绑定的渠道。如果某个团队的 bindings 为空，说明路由配置没生效，检查[[bindings]]段的agentId是否和agents.list[].id一致。

4.2 验证沙箱容器启动

docker ps --filter "name=openclaw-sbx-"

预期看到三个容器，分别对应三个团队 Agent。如果只有两个，说明某个团队的sandbox.scope配置有问题，检查是否都设成了"agent"。

4.3 实时监控路由与工具过滤日志

tail -f ~/.openclaw/logs/gateway.log | grep -E "routing|sandbox|tools"

这条命令会实时输出路由决策、沙箱启动和工具过滤日志。当你从 Discord 的 product-channel 发一条消息时，应该看到routing: message -> team-product这样的日志。如果看到tools: deny gateway之类的过滤记录，说明工具权限生效了。

4.4 验证 Sub-Agent 派生与 announce 汇聚

在团队 Agent 的会话里发一个需要多角色协作的任务，然后用以下命令查看 Sub-Agent 状态：

# 查看当前会话的所有 Sub-Agent 运行状态 /subagents list # 查看某个角色的详细信息 /subagents info <id|#> # 查看某个角色的运行日志 /subagents log <id|#> 50 tools

预期看到 depth-1 的 Orchestrator 和多个 depth-2 的角色 Worker。每个 Worker 完成后，announce payload 会包含执行结果、运行状态、运行时长、token 用量、估算成本和 sessionKey。如果 announce 结果丢失，检查 gateway 是否在任务执行期间重启过——announce 是 best-effort 机制，gateway 重启会导致待处理的 announce 丢失。

4.5 验证统一 Key 是否生效

# 查看某个团队 Agent 的模型调用日志 tail -f ~/.openclaw/logs/model.log | grep "taotoken"

预期看到所有团队的模型调用都走taotokenprovider。如果某个团队还在用其他 provider，检查agents.list[].provider是否都设成了"taotoken"。

5. 本篇常见错排查

多团队架构部署后，最容易踩的坑集中在下面几个地方。

角色 Worker 无法启动：先检查maxSpawnDepth是否已设为 2。如果还是 1，Orchestrator 模式根本没启用，depth-1 的 Orchestrator 都派生不出来，更别说 depth-2 的 Worker。其次检查maxChildrenPerAgent是否已达上限，默认 5，如果 Orchestrator 已经派了 5 个 Worker，第 6 个会被拒绝。

工具权限未生效：工具过滤链的优先级是全局tools.deny> agent 级 > sandbox 级 > subagent 级。如果你在 subagent 级 allow 了某个工具，但全局 deny 了它，那这个工具依然不可用。排查时从最上层往下查，先看全局配置。

Announce 结果丢失：Sub-Agent announce 是 best-effort 机制，gateway 重启会导致待处理的 announce 丢失。对于关键任务，建议结合sessions_history主动拉取子任务的完整记录作为兜底。具体做法是在 Orchestrator 里定期调用sessions_history检查各 Worker 的 transcript 路径。

团队间跨 Agent 派生失败：默认情况下，Sub-Agent 只能在发起者所属的 Agent 下派生。如果 team-product 想派生 team-engineering 下的 Sub-Agent，需要在 team-engineering 的配置里显式设置agents.list[].subagents.allowAgents = ["team-product"]。这个配置容易漏，跨团队协作场景要特别注意。

统一 Key 鉴权失败：检查base_url是否写成了https://taotoken.net/api，不要带多余的路径后缀。Key 是否通过环境变量正确注入，可以用echo $TAOTOKEN_API_KEY确认。如果返回 401，去 TaoToken 控制台 确认 Key 是否有效、额度是否充足。

并发数不够导致任务排队：maxConcurrent是所有团队共享的全局资源池。三个团队各 3 个角色加 3 个 Orchestrator 就是 12，如果设成 8，后面的任务会排队甚至超时。建议按团队数 × (角色数 + 1)估算，再留 20% 余量。

6. 长期编码与 Agent 编排的 Key 策略

多团队架构跑起来之后，Key 的管理策略会直接影响长期运维成本。如果你只是偶尔跑几个任务，按量付费的 API Key 就够了。但如果你要把这套多团队架构用于长期编码、Agent 编排或者生产环境的自动化流程，建议了解一下 TaoToken Coding Plan，它在高频调用场景下的成本结构更友好。

另外，不同角色的模型选型也值得花点心思。Orchestrator 作为协调者，需要较强的规划和综合能力，建议用high档模型；关键角色如架构师、需求分析师也用high；执行类角色如代码生成、文档整理用light档就够，能显著控制成本。这套分层策略配合统一 Key，既保证了编排质量，又不会让 token 账单失控。

如果你在配置过程中遇到模型调用问题，想先验证一下 Key 和模型是否正常，可以直接用 TaoToken 模型对话 发一条测试消息，确认链路通了再回到 OpenClaw 里调试。整条链路走通后，你会发现多团队 Agent 编排的调试成本，其实大部分都花在 Key 和权限这两件事上，把这两块理顺，剩下的就是组织设计问题了。