企业官网建设流程全解析

1. 为什么我要把定时任务和模型调用拆开

OpenClaw 本身是个很称手的任务编排工具，cron 表达式、依赖关系、失败重试这些它都管。但真把它跑起来做 AI 定时任务，你会发现一个尴尬的现实：任务调度是稳的，模型调用是飘的。今天用这家 Key，明天那家限流，后天某家接口改字段，你的定时任务半夜三点挂掉，第二天早上才发现。

我试过最原始的做法，把 API Key 硬编码在任务脚本里。结果就是每换一次模型供应商，就要翻一遍所有任务文件，改完还要重新部署。更麻烦的是，不同任务用不同模型——写作用一个、数据抽取用一个、摘要生成又用一个——Key 散落在各处，根本没法统一管理。

所以这篇的核心思路是：让 OpenClaw 只管调度和编排，让 TaoToken 只管模型通道。两者通过一个统一的 Base URL 和 Key 对接，任务配置里不再出现任何具体供应商的名字。这样你换模型、加模型、调参数，都只动一个地方。

适合谁看？如果你已经在用 OpenClaw 跑一些自动化脚本，想给它加上 AI 能力；或者你手上有一堆定时任务需要调用大模型，但被 Key 管理搞得头大，这篇就是给你写的。整套链路我会从任务定义、调度触发、模型调用到结果校验完整走一遍，配置片段可以直接复制。

先说清楚一个概念，避免后面混淆。OpenClaw 里的"定时任务"本质是一个 CronTask 对象，它有三个关键属性：schedule（什么时候跑）、action（跑什么）、params（跑的时候带什么参数）。我们要做的，就是把 action 里原本直接调某家 API 的逻辑，换成调 TaoToken 的统一通道。这样任务本身不需要知道背后是哪个模型。

2. TaoToken 统一 Key 接入前的准备

在动手改任务之前，先把通道这件事理清楚。TaoToken 在这里扮演的角色是"模型调用的统一入口"，它对外暴露一个兼容 OpenAI 格式的 API 地址，你拿一个 Key 就能访问它支持的多个模型。对 OpenClaw 来说，它只需要知道三件事：Base URL 是什么、Key 是什么、Model ID 填什么。

第一步是拿 Key。访问 https://taotoken.net/api-keys 这个页面，登录后创建一个新的 API Key。建议按用途命名，比如openclaw-cron，这样以后在控制台看用量的时候能一眼区分是哪个系统在调。Key 创建后只显示一次，复制下来存到安全的地方，后面配置里要用。

第二步是确认 Base URL。TaoToken 的 API 入口是https://taotoken.net/api，注意这个地址后面不加任何路径后缀，OpenClaw 或 SDK 会自动拼接/v1/chat/completions这类端点。如果你用的是 OpenAI 兼容的客户端，Base URL 就填这个。

第三步是选 Model ID。这个取决于你任务的实际需求。写作类任务可以用通用对话模型，数据抽取类任务可以用响应更快的轻量模型。具体有哪些 Model ID 可用，在 https://taotoken.net/doc 的文档页有完整列表。我建议先在 https://taotoken.net/models 用对话界面手动试几个模型，确认输出质量符合预期，再写进任务配置。

这里有个容易踩的坑：很多人会把 Base URL 写成https://taotoken.net/api/v1，然后客户端又自动拼一次/v1，结果变成/api/v1/v1/chat/completions，直接 404。记住，Base URL 就是https://taotoken.net/api，不要自己加/v1。

环境变量这块也建议提前设好，不要硬编码在任务文件里。在 OpenClaw 的运行环境里加两个变量：

export TAOTOKEN_API_KEY="sk-你的Key" export TAOTOKEN_BASE_URL="https://taotoken.net/api"

这样任务配置里引用os.environ["TAOTOKEN_API_KEY"]就行，换 Key 不用改代码。如果你是用 Docker 跑 OpenClaw，就在docker-compose.yml的 environment 段里加这两行。

还有一点，如果你打算长期跑多个定时任务，建议直接上 Coding Plan，它在用量和并发上比按次调用更划算，具体可以看 https://taotoken.net/coding-plan。对于每天要跑几十次模型调用的任务系统来说，这个账很好算。

3. 可复制的 OpenClaw 任务配置片段

现在进入正题，把 TaoToken 接进 OpenClaw 的任务配置。我按"任务定义 → 调度触发 → 模型调用"三层来拆，每一层都给可复制的片段。

先看任务定义。OpenClaw 的 CronTask 支持用 Python 对象方式定义，也支持用 JSON/TOML 配置文件。我推荐后者，因为配置和代码分离，改任务不用动主程序。下面是一个 TOML 格式的任务定义，放在tasks/daily_ai_summary.toml：

[task] name = "daily_ai_summary" schedule = "0 9 * * *" timezone = "Asia/Shanghai" action = "ai_summarize" timeout = 300 max_retries = 3 [task.params] source = "inbox" model = "gpt-4o-mini" prompt_template = "把以下内容总结成三条要点，每条不超过30字：\n{content}" output_channel = "feishu" [task.llm] base_url = "https://taotoken.net/api" api_key_env = "TAOTOKEN_API_KEY" model_id = "gpt-4o-mini" temperature = 0.3 max_tokens = 800

这里的关键是[task.llm]这一段。它把模型调用的三个要素——Base URL、Key 来源、Model ID——集中在一个地方。任务的其他部分完全不关心背后是哪家模型。你要换模型，只改model_id这一行。

对应的 Python 加载逻辑大概长这样：

import os import toml from openclaw import CronTask from openai import OpenAI def load_task(path): cfg = toml.load(path) llm = cfg["task"]["llm"] client = OpenAI( base_url=llm["base_url"], api_key=os.environ[llm["api_key_env"]], ) return CronTask( name=cfg["task"]["name"], schedule=cfg["task"]["schedule"], timezone=cfg["task"]["timezone"], action=lambda params: ai_summarize(client, llm, params), params=cfg["task"]["params"], timeout=cfg["task"]["timeout"], max_retries=cfg["task"]["max_retries"], ) def ai_summarize(client, llm, params): content = fetch_content(params["source"]) prompt = params["prompt_template"].format(content=content) resp = client.chat.completions.create( model=llm["model_id"], messages=[{"role": "user", "content": prompt}], temperature=llm["temperature"], max_tokens=llm["max_tokens"], ) summary = resp.choices[0].message.content send_to_channel(params["output_channel"], summary) return {"summary": summary, "model": llm["model_id"]}

注意ai_summarize的返回值。我特意把model也返回了，这样任务执行记录里能看出这次跑的是哪个模型，排查问题时很有用。

如果你更喜欢用 JSON 配置，等价写法是这样：

{ "task": { "name": "daily_ai_summary", "schedule": "0 9 * * *", "timezone": "Asia/Shanghai", "action": "ai_summarize", "llm": { "base_url": "https://taotoken.net/api", "api_key_env": "TAOTOKEN_API_KEY", "model_id": "gpt-4o-mini", "temperature": 0.3, "max_tokens": 800 } } }

调度触发这块，OpenClaw 用的是标准 cron 表达式。0 9 * * *是每天 9 点，0 */2 * * *是每两小时，0 10 * * 1是每周一 10 点。时区一定要显式指定，不然服务器在 UTC 环境下，你的"早上 9 点"会变成下午 5 点。这个坑我在多个项目里都见过。

任务依赖用depends_on字段。比如"生成日报"依赖"收集数据"，就在日报任务里加depends_on = ["collect_data"]。OpenClaw 会保证依赖任务先完成，再触发当前任务。如果依赖任务失败，当前任务默认不执行，除非你设run_on_dependency_failure = true。

4. 验证请求与成功结果

配置写完，别急着挂到生产调度上。先手动触发一次，确认整条链路通。OpenClaw 提供了run_now方法，可以在不等待 cron 时间的情况下立即执行任务：

task = load_task("tasks/daily_ai_summary.toml") result = task.run_now() print(result)

如果一切正常，你会看到类似这样的输出：

{ "status": "success", "task": "daily_ai_summary", "started_at": "2025-03-20T09:00:01+08:00", "duration": 2.34, "result": { "summary": "1. 项目进度正常\n2. 下周需评审设计稿\n3. 服务器扩容已完成", "model": "gpt-4o-mini" } }

看到status: success和result.summary有内容，说明模型调用成功了。如果summary是空的，或者status是failed，往下看排障那节。

更严谨的验证方式是直接打一次 API，排除 OpenClaw 层面的干扰。用 curl 测：

curl https://taotoken.net/api/v1/chat/completions \ -H "Authorization: Bearer $TAOTOKEN_API_KEY" \ -H "Content-Type: application/json" \ -d '{ "model": "gpt-4o-mini", "messages": [{"role": "user", "content": "回复OK两个字"}], "max_tokens": 10 }'

正常返回里会有choices[0].message.content等于OK。如果这一步就失败，那问题在 Key 或网络，跟 OpenClaw 无关。

验证通过后，把任务注册到调度器：

from openclaw import Scheduler scheduler = Scheduler() scheduler.register(load_task("tasks/daily_ai_summary.toml")) scheduler.start()

然后查一下任务列表，确认它被正确加载：

openclaw "显示所有定时任务"

输出里应该能看到daily_ai_summary，状态是enabled，下次执行时间是明天 9 点。到这一步，一个可观测的定时任务闭环就跑通了。

结果校验这块，我建议在任务里加一个轻量的断言。比如摘要任务，如果返回内容长度小于 10 个字符，就认为异常，触发告警：

if len(summary) < 10: raise ValueError(f"摘要过短，可能模型异常: {summary}")

这样任务状态会变成failed，你在执行历史里一眼就能看到，不用去翻日志。

5. 本篇常见错误排查

跑不通的时候，对照下面这几个真实报错看。

401 Unauthorized。这个最常见，九成是 Key 的问题。先确认环境变量TAOTOKEN_API_KEY真的被加载了，在 Python 里print(os.environ.get("TAOTOKEN_API_KEY"))看一下。如果打印出来是None，说明环境变量没设对，或者 Docker 容器里没传进去。如果 Key 有值但还是 401，检查一下 Key 有没有多余的空格或换行，复制的时候很容易带上。

local proxy failed / connection refused。这个报错说明请求根本没发出去，卡在本地网络层。检查 Base URL 是不是写成了https://taotoken.net/api/v1，多出来的/v1会导致路径拼接错误。另外确认你的运行环境能正常访问外网，有些内网服务器需要配置出口规则。

reading choices 报错 / KeyError: 'choices'。这个通常意味着返回的 JSON 结构和你预期的不一样。可能是模型名写错了，返回了一个错误对象而不是正常的 completion 响应。先把原始响应打出来看：

resp = client.chat.completions.create(...) print(resp.model_dump_json(indent=2))

如果里面是{"error": {"message": "model not found"}}，那就是 Model ID 填错了，去文档页核对一下正确的 ID。

OAuth / token expired。如果你用的是某些需要 OAuth 的客户端，可能会遇到这个。TaoToken 的 API Key 是长期有效的，不存在 OAuth 刷新问题。遇到这个报错，基本是客户端配置里混进了别的认证方式，检查一下是不是同时配了api_key和oauth_token，把后者删掉。

任务执行了但没输出。检查output_channel对应的发送函数有没有抛异常。有时候模型调用成功了，但发飞书消息失败，整个任务被标记为 failed。把发送逻辑用 try/except 包起来，发送失败不影响任务主流程，只记日志。

时区不对，任务在错误的时间跑。确认timezone字段写的是Asia/Shanghai，并且服务器时间本身是准的。可以用date命令看一下系统时间。如果服务器是 UTC，而任务没设时区，那 9 点的任务会在北京时间 17 点跑。

CC Switch / Cline MCP / Codex auth.json 相关。如果你在 OpenClaw 之外还用了这些工具，注意它们的配置是独立的。CC Switch 里配的 Base URL 和 Key 不会自动同步到 OpenClaw。每个工具都要单独配一遍，三件套（Base URL + Key + Model ID）缺一不可。Codex 的auth.json里如果写了别的供应商地址，也会导致请求走错通道。

排查的通用思路是：先 curl 测 API，通了再测 OpenClaw 任务，任务通了再挂调度。一层一层来，不要跳步。

6. 把定时任务跑稳的几个实用动作

最后说几个让这套系统长期稳定运行的动作，都是实际跑下来觉得有用的。

第一，给每个任务加执行日志落盘。OpenClaw 默认的日志在内存里，重启就没了。在任务 action 里加一行写文件：

import json, datetime with open(f"logs/{task.name}.jsonl", "a") as f: f.write(json.dumps({ "ts": datetime.datetime.now().isoformat(), "result": result, }, ensure_ascii=False) + "\n")

这样出问题的时候有据可查，也能统计每个任务的调用量和耗时。

第二，模型调用加超时和重试。OpenClaw 的任务级 timeout 是一层保护，但模型调用本身也应该设超时。OpenAI 客户端支持timeout参数：

client = OpenAI( base_url=llm["base_url"], api_key=os.environ[llm["api_key_env"]], timeout=60.0, max_retries=2, )

这样单次调用最多等 60 秒，失败自动重试 2 次，不会因为某次网络抖动把整个任务卡死。

第三，定期检查 Key 的用量。在 https://taotoken.net/console 能看到每个 Key 的调用量和费用。如果某个任务的用量突然暴涨，可能是 prompt 写得太长，或者任务被重复触发了。早点发现能省不少钱。

第四，任务命名要有规律。daily_、weekly_、hourly_前缀，加上功能描述，比如daily_ai_summary、weekly_report_gen。这样在任务列表里一眼能看出哪些是同类，批量操作的时候不容易误伤。

第五，新任务先 dry run。OpenClaw 支持dry_run模式，任务会走完所有逻辑但不实际发送消息、不写数据库。新任务上线前先 dry run 几次，确认输出符合预期，再切到正式模式。

这套东西跑顺之后，你会发现加一个新 AI 定时任务就是写一个 TOML 文件的事。模型通道统一在 TaoToken 这边，任务编排统一在 OpenClaw 这边，两边各管各的，互不干扰。