企业官网建设流程全解析

1. OpenClaw 2.0 升级后，本地模型会话为什么需要 SQLite 与 CLI 配合

OpenClaw 2.0 这次把会话和转录记录从原来的文件存储迁进了 SQLite，同时把本地模型接入从 node-llama-cpp 换成了托管的 llama-server，llama.cpp 默认上下文长度提到 64K。对个人开发者来说，这意味着两件事：一是你终端里的多模型会话终于有了结构化的查询入口，二是本地模型（llama.cpp / Ollama）和远端模型可以走同一套 CLI 工作流。

但升级之后很多人会卡在同一个地方：本地模型跑起来了，会话记录也进了 SQLite，可调用链路是断的——CLI 里切换模型要手动改配置，调用记录散在几个地方，想统计一下今天用了多少次本地模型、多少次远端模型，得自己写脚本去翻数据库。更麻烦的是，如果你同时用 Ollama 和 llama.cpp，两边的模型 ID 命名规则不一样，CLI 里传参很容易传错。

我试过把本地模型和远端模型统一到一个 Key/API 通道上，用 TaoToken 做统一入口，CLI 侧只维护一份配置，SQLite 侧只维护一张调用记录表。这样做的直接好处是：本地模型请求和远端模型请求在调用记录里是同一张表，字段结构一致，统计和排查都不用分两套逻辑。

这篇文章面向的是在终端里管理多模型会话的个人开发者。你会拿到三样东西：一份可以直接执行的 SQLite 表结构，一份 CLI 配置文件片段（含 Base URL、Key、Model ID 三件套），以及一次本地模型请求经统一通道的完整验证动作。目标不是讲概念，是把配置和调用链路跑通。

先说清楚 OpenClaw 2.0 在存储上的变化。旧版本会话是文件形式存的，回滚到旧版本前必须用当前 CLI 恢复归档的旧格式转录文件，而且迁移之后创建的会话在旧版本里根本不会出现。官方建议升级前先做一次经过验证的备份。这个破坏性降级路径是 2.0 的一个硬约束，所以你在动 SQLite 之前，先把备份做掉。

SQLite 在这里的角色不是替代 OpenClaw 自己的存储，而是给你一个额外的、可查询的调用记录层。OpenClaw 管的是会话和转录，你管的是「谁在什么时候用什么模型发了什么请求、走了哪条通道、返回了什么状态」。这两层分开，升级 OpenClaw 的时候你的调用记录不会跟着迁移，排查问题的时候也不会因为 OpenClaw 的 schema 变动而抓瞎。

CLI 工作流的核心是把模型选择、通道选择、记录写入这三件事串起来。OpenClaw 2.0 的引导式安装会扫描机器上已有的 AI 访问权限，能复用已经验证过的 Codex、ChatGPT 或 Claude CLI 登录，也能找出本机安装的 Ollama 与 LM Studio 模型。但扫描出来的模型和你要在 CLI 里实际调用的模型之间，还差一层映射。这层映射就是你要在配置文件里写死的东西。

本地模型走 llama.cpp 的时候，llama-server 默认监听一个本地端口，模型 ID 通常是你启动时指定的别名。Ollama 的模型 ID 是ollama list里显示的那个名字。这两个 ID 在 CLI 里如果直接透传，很容易和远端模型的 ID 冲突。统一通道的做法是：CLI 里只认一个 Model ID 字段，本地模型和远端模型都映射到这个字段上，由通道侧决定实际路由到哪个后端。

这样做的代价是你需要维护一份映射表，好处是 CLI 侧的逻辑变得极简。对于个人开发者来说，这个交换是划算的，因为 CLI 脚本一旦复杂起来，调试成本远高于维护一张映射表。

2. TaoToken 前置准备：统一 Key 与 API 通道的接入位置

在写 SQLite 表结构和 CLI 配置之前，先把统一通道这一侧准备好。TaoToken 在这里承担的是统一 Key 和 API 入口的角色，本地模型请求和远端模型请求都从这一个入口出去，CLI 侧不需要为每个后端维护一套鉴权逻辑。

你需要先拿到一个 API Key。入口在控制台的 API Keys 页面，地址是 https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api_keys&utm_campaign=rewrite 。拿到 Key 之后，API 的基础地址是 https://taotoken.net/api ，注意这个地址不带 UTM 参数，直接用在配置文件里。

这里要区分两个地址：官网入口是 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，用于了解产品和文档；API 调用地址是 https://taotoken.net/api ，用于实际请求。配置文件里写的是后者。

模型 ID 这一侧，你需要确认你要调用的模型在通道侧的名称。如果你打算把本地 llama.cpp 或 Ollama 的模型也接进来，通道侧需要能识别你传过去的模型标识。实际操作中，比较稳的做法是：远端模型直接用通道侧的标准 Model ID，本地模型用一个你自定义的别名，然后在通道侧或 CLI 侧做一次映射。

接入文档在 https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite ，里面会说明请求格式、鉴权头和模型列表的获取方式。建议在写配置之前先过一遍，特别是鉴权头的字段名，不同通道的写法有差异。

如果你用的是 Claude Code 这类工具，它的配置方式和普通 CLI 不太一样，需要单独处理。Claude Code 的接入说明在 https://taotoken.net/claude-code-anthropic?utm_source=taotoken_aicg_blog_end&utm_content=claude_code_anthropic&utm_campaign=rewrite ，里面会给出 Base URL 和 Key 的填写位置。这一篇主要讲通用 CLI 工作流，Claude Code 的细节你可以对照那份文档。

Coding Plan 适合长期编码和 Agent 场景，如果你打算把 OpenClaw 的 CLI 工作流跑成常态化的编码助手，可以看一下 https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding_plan&utm_campaign=rewrite 。模型对话的入口在 https://taotoken.net/chat?utm_source=taotoken_aicg_blog_end&utm_content=chat&utm_campaign=rewrite ，用于验证模型是否正常响应。

前置准备的核心是三件套：Base URL、Key、Model ID。这三样在后面的 CLI 配置和 SQLite 记录里都会用到。Base URL 固定是 https://taotoken.net/api ，Key 从控制台拿，Model ID 根据你要调用的模型确定。本地模型的 Model ID 建议加一个前缀，比如local-或ollama-，这样在 SQLite 里查询的时候一眼能区分。

有一点要注意：不要把 Key 硬编码在会提交到版本库的文件里。CLI 配置建议用环境变量引用，SQLite 里只存 Key 的标识（比如 key 的前几位或一个自定义的 label），不存完整 Key。这是基本的安全习惯，和通道本身无关。

准备好这三样之后，就可以进入配置环节了。下一节给出可以直接复制的 SQLite 表结构和 CLI 配置片段。

3. 可复制配置：SQLite 表结构与 CLI 配置文件片段

这一节给两份可以直接用的配置。第一份是 SQLite 表结构，用于记录调用；第二份是 CLI 配置文件，用于把本地模型和远端模型统一到同一个通道上。

先看 SQLite 表结构。这张表的设计目标是：一次调用一行记录，字段覆盖通道、模型、请求状态、耗时和错误信息。本地模型和远端模型共用这张表，通过channel字段区分。

-- 调用记录表：本地模型与远端模型共用 CREATE TABLE IF NOT EXISTS llm_calls ( id INTEGER PRIMARY KEY AUTOINCREMENT, created_at TEXT NOT NULL DEFAULT (datetime('now')), channel TEXT NOT NULL, -- 'local-llamacpp' | 'local-ollama' | 'remote' model_id TEXT NOT NULL, -- 实际传给通道的 Model ID base_url TEXT NOT NULL, -- 本次请求使用的 Base URL key_label TEXT, -- Key 的标识，不存完整 Key request_id TEXT, -- 通道返回的请求 ID（如有） status TEXT NOT NULL, -- 'ok' | 'error' http_code INTEGER, latency_ms INTEGER, prompt_tokens INTEGER, output_tokens INTEGER, error_msg TEXT, session_id TEXT -- 关联 OpenClaw 会话（可选） ); -- 按时间和通道查询的索引 CREATE INDEX IF NOT EXISTS idx_llm_calls_created_at ON llm_calls(created_at); CREATE INDEX IF NOT EXISTS idx_llm_calls_channel ON llm_calls(channel); CREATE INDEX IF NOT EXISTS idx_llm_calls_model ON llm_calls(model_id); -- 模型映射表：CLI 侧别名 -> 通道侧实际 Model ID CREATE TABLE IF NOT EXISTS model_map ( alias TEXT PRIMARY KEY, -- CLI 里使用的别名 channel TEXT NOT NULL, -- 路由到哪个通道 target_model TEXT NOT NULL, -- 通道侧实际 Model ID base_url TEXT NOT NULL, note TEXT ); -- 初始化几条映射示例 INSERT OR REPLACE INTO model_map (alias, channel, target_model, base_url, note) VALUES ('local-qwen', 'local-llamacpp', 'qwen2.5-7b-instruct', 'http://127.0.0.1:8080/v1', 'llama-server 本地'), ('local-llama', 'local-ollama', 'llama3.1:8b', 'http://127.0.0.1:11434/v1', 'Ollama 本地'), ('remote-fast', 'remote', 'gpt-4o-mini', 'https://taotoken.net/api', '统一通道远端');

这张表的关键设计点是channel和model_id分开。channel表示请求走哪条路（本地 llama.cpp、本地 Ollama、远端统一通道），model_id表示实际传给后端的模型标识。这样你在统计的时候可以按通道聚合，也可以按模型聚合，两个维度互不干扰。

model_map表解决的是别名映射问题。CLI 里你只写local-qwen这样的别名，实际请求的时候从这张表里查出target_model和base_url。本地模型和远端模型都走这套逻辑，CLI 侧不需要为本地模型写特殊分支。

再看 CLI 配置文件。这里用 TOML 格式，路径放在~/.config/openclaw/cli.toml。如果你的 OpenClaw 版本用的是别的配置路径，按实际路径调整，字段结构不变。

# ~/.config/openclaw/cli.toml # OpenClaw 2.0 CLI 统一通道配置 [channel] # 统一通道入口，本地模型和远端模型都从这里出去 base_url = "https://taotoken.net/api" # Key 从环境变量读取，不硬编码 api_key_env = "TAOTOKEN_API_KEY" # 默认模型别名，对应 model_map 表里的 alias default_model = "remote-fast" [channel.headers] # 鉴权头字段名以接入文档为准 Authorization = "Bearer ${TAOTOKEN_API_KEY}" Content-Type = "application/json" [local.llamacpp] # llama-server 默认监听地址 base_url = "http://127.0.0.1:8080/v1" # 启动参数里的上下文长度，2.0 默认 64K context_length = 65536 [local.ollama] base_url = "http://127.0.0.1:11434/v1" [storage] # SQLite 调用记录库路径 db_path = "~/.local/share/openclaw/calls.db" # 是否写入调用记录 log_calls = true [cli] # 会话默认超时（秒） timeout = 120 # 是否在终端打印请求摘要 verbose = true

这份配置里，[channel]段是统一入口，[local.*]段是本地后端的地址。CLI 在发起请求时，先根据别名查model_map，如果channel是remote，就用[channel].base_url；如果是local-llamacpp或local-ollama，就用对应的本地地址。这样本地模型和远端模型在 CLI 侧是同一套调用逻辑，只是目标地址不同。

环境变量这样设置：

export TAOTOKEN_API_KEY="你的Key"

如果你用的是 Codex 的auth.json方式管理凭据，可以把 Key 写进~/.codex/auth.json，CLI 侧读取这个文件。Cline MCP 的场景下，Base URL、Key、Model ID 三件套要写在 MCP 的配置里，字段名对照接入文档。CC Switch 的场景类似，切换配置的时候确保这三样同步切换，不要只换 Model ID 不换 Base URL。

配置写完之后，先不要急着跑请求。用一条 SQL 确认表结构建好了：

sqlite3 ~/.local/share/openclaw/calls.db ".tables"

应该能看到llm_calls和model_map两张表。再看一下映射表里的数据：

sqlite3 ~/.local/share/openclaw/calls.db "SELECT alias, channel, target_model FROM model_map;"

确认别名和实际模型 ID 对得上。这一步做完，配置环节就结束了。

4. 验证请求：一次本地模型经统一通道的完整调用

配置写好了，接下来跑一次真实请求，确认本地模型能经统一通道出去，并且调用记录能写进 SQLite。

验证分三步：先确认本地模型服务在跑，再发一次请求，最后查 SQLite 记录。

第一步，确认 llama-server 或 Ollama 在监听。llama.cpp 的 llama-server 启动后默认监听 8080 端口，Ollama 默认监听 11434。用 curl 探一下：

# 探 llama-server curl -s http://127.0.0.1:8080/v1/models | head -c 500 # 探 Ollama curl -s http://127.0.0.1:11434/v1/models | head -c 500

如果返回里有模型列表，说明本地服务正常。如果连接被拒，先启动服务。llama-server 的启动命令大致是这样：

llama-server -m /path/to/qwen2.5-7b-instruct.gguf \ --host 127.0.0.1 --port 8080 \ --ctx-size 65536

注意--ctx-size设成 65536，和配置文件里的context_length对齐。OpenClaw 2.0 把 llama.cpp 的默认上下文长度提到 64K，你的启动参数要跟上，否则 CLI 侧按 64K 发请求、服务端只开 8K，长上下文会截断。

第二步，发一次请求。这里用 curl 模拟 CLI 的行为，先走本地 llama.cpp，再走统一通道的远端模型，对比两次请求的差异。

# 本地 llama.cpp 请求 curl -s -X POST http://127.0.0.1:8080/v1/chat/completions \ -H "Content-Type: application/json" \ -d '{ "model": "qwen2.5-7b-instruct", "messages": [{"role": "user", "content": "用一句话说明 SQLite 的 WAL 模式是什么"}], "max_tokens": 128 }' | head -c 800

# 统一通道远端请求 curl -s -X POST 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": "用一句话说明 SQLite 的 WAL 模式是什么"}], "max_tokens": 128 }' | head -c 800

两次请求的返回结构应该是一致的，都是 OpenAI 兼容格式，choices[0].message.content里是模型输出。如果本地请求返回正常、远端请求返回 401，说明 Key 或鉴权头有问题，对照下一节的排查清单。

第三步，把这次调用写进 SQLite。CLI 侧如果开了log_calls = true，会自动写入。手动验证的话，用一条 INSERT 模拟：

sqlite3 ~/.local/share/openclaw/calls.db <<'SQL' INSERT INTO llm_calls (channel, model_id, base_url, key_label, status, http_code, latency_ms, prompt_tokens, output_tokens) VALUES ('local-llamacpp', 'qwen2.5-7b-instruct', 'http://127.0.0.1:8080/v1', NULL, 'ok', 200, 842, 28, 64); SQL

然后查一下：

sqlite3 -header -column ~/.local/share/openclaw/calls.db \ "SELECT id, channel, model_id, status, latency_ms, created_at FROM llm_calls ORDER BY id DESC LIMIT 5;"

应该能看到刚才插入的那条记录。到这里，本地模型经统一通道的调用链路就跑通了：CLI 读配置、按别名查映射、发请求、写记录。

如果你想验证远端模型也走同一条记录链路，把上面 INSERT 的channel改成remote、model_id改成gpt-4o-mini、base_url改成https://taotoken.net/api，再插一条。两条记录在同一张表里，按channel聚合就能看出本地和远端各调了多少次。

这一步做完之后，你可以把 CLI 的调用逻辑封装成一个 shell 函数，参数只传别名和 prompt，其余的都从配置和映射表里读。这样终端里的多模型会话管理就变成了「换别名」这一个动作。

5. 本篇常见错排查：401、local proxy failed、reading choices 与 OAuth

配置和验证过程中，最常见的几类报错集中在这一节。每一条都给出触发条件和处理方式。

401 Unauthorized。触发条件通常是 Key 没设、Key 设错、或者鉴权头字段名不对。先确认环境变量：

echo $TAOTOKEN_API_KEY | head -c 8

如果输出为空，说明环境变量没导出。如果输出有值但请求还是 401，检查鉴权头。不同通道对鉴权头的字段名要求可能不同，有的用Authorization: Bearer xxx，有的用x-api-key: xxx。以接入文档为准。另外注意 Key 前后不要有空格，从控制台复制的时候容易带上换行。

local proxy failed。这个报错通常出现在本地模型请求上，含义是 CLI 尝试连接本地服务但失败了。先确认本地服务在监听：

ss -tlnp | grep -E '8080|11434'

如果没有输出，说明 llama-server 或 Ollama 没启动。如果端口在监听但请求还是失败，检查配置文件里的base_url是否带了/v1后缀。llama-server 和 Ollama 的 OpenAI 兼容接口都在/v1路径下，漏掉/v1会返回 404，有些 CLI 会把 404 报成 proxy failed。

reading choices 报错。这个报错的形式通常是cannot read property 'choices' of undefined或类似，含义是返回体里没有choices字段。触发条件有三种：一是请求根本没发出去，返回的是错误对象；二是返回体是流式格式，但 CLI 按非流式解析；三是通道返回了非 OpenAI 兼容的结构。先看原始返回：

curl -s -X POST 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":"hi"}]}' | head -c 1000

如果返回里有error字段，按错误信息处理。如果返回正常但 CLI 还是报 reading choices，检查 CLI 是否开了流式模式而通道返回的是非流式，或者反过来。

OAuth 相关报错。OpenClaw 2.0 的引导式安装支持复用已经验证过的 Codex、ChatGPT 或 Claude CLI 登录。如果你在 CLI 里同时用了 OAuth 凭据和 API Key，可能会出现凭据冲突。表现是请求发出去了但返回 403，或者 CLI 提示凭据无效。处理方式是明确指定用哪一套凭据：如果用 API Key，就把 OAuth 相关的环境变量清掉；如果用 OAuth，就不要在配置里写api_key_env。

SQLite 写入失败。如果 CLI 报unable to open database file，检查db_path的目录是否存在。SQLite 不会自动创建父目录：

mkdir -p ~/.local/share/openclaw

如果报database is locked，说明有另一个进程在写同一个库。OpenClaw 自己的存储和你的调用记录库建议分开，不要用同一个文件，避免锁竞争。

模型 ID 不匹配。本地模型的 ID 在不同后端下不一样。llama-server 的模型 ID 是你启动时-m参数对应的模型名，Ollama 的模型 ID 是ollama list里的名字。如果 CLI 传的 Model ID 和后端实际加载的不一致，会返回model not found。用model_map表把别名和实际 ID 对齐，不要靠记忆。

排查的顺序建议是：先确认本地服务在跑，再确认 Key 和鉴权头，再确认 Model ID，最后看 SQLite 写入。这个顺序能覆盖大部分问题，因为调用链路是从本地服务到通道到记录，前面的环节不通，后面的报错都是表象。

6. 把 CLI 工作流跑成常态：从单次验证到日常使用

单次验证跑通之后，接下来是把它变成日常可用的工作流。这一步不需要新配置，主要是把重复动作封装掉。

第一个封装是把请求逻辑写成一个 shell 函数，放在~/.bashrc或~/.zshrc里：

oc() { local alias="$1"; shift local prompt="$*" # 从 model_map 查别名对应的通道和模型 local row row=$(sqlite3 -separator '|' ~/.local/share/openclaw/calls.db \ "SELECT channel, target_model, base_url FROM model_map WHERE alias='$alias';") if [ -z "$row" ]; then echo "unknown alias: $alias" >&2 return 1 fi local channel model base IFS='|' read -r channel model base <<< "$row" # 发请求 local start=$(date +%s%3N) local resp resp=$(curl -s -X POST "$base/chat/completions" \ -H "Authorization: Bearer $TAOTOKEN_API_KEY" \ -H "Content-Type: application/json" \ -d "{\"model\":\"$model\",\"messages\":[{\"role\":\"user\",\"content\":\"$prompt\"}]}") local end=$(date +%s%3N) # 写记录 sqlite3 ~/.local/share/openclaw/calls.db \ "INSERT INTO llm_calls (channel, model_id, base_url, status, latency_ms) VALUES ('$channel','$model','$base','ok',$((end-start)));" echo "$resp" | head -c 500 }

这个函数做了三件事：查映射、发请求、写记录。调用的时候只传别名和 prompt：

oc local-qwen "解释一下 SQLite 的 WAL 模式" oc remote-fast "写一个 bash 函数，统计今天的调用次数"

第二个封装是统计查询。日常用的时候，你可能想知道今天本地模型和远端模型各调了多少次、平均延迟多少。一条 SQL 就够：

sqlite3 -header -column ~/.local/share/openclaw/calls.db <<'SQL' SELECT channel, COUNT(*) AS calls, ROUND(AVG(latency_ms)) AS avg_ms, SUM(CASE WHEN status='error' THEN 1 ELSE 0 END) AS errors FROM llm_calls WHERE created_at >= date('now') GROUP BY channel ORDER BY calls DESC; SQL

这条查询按通道聚合，输出调用次数、平均延迟和错误数。本地模型和远端模型在同一张表里，对比起来很直观。

第三个封装是清理。调用记录会一直增长，建议定期归档或删除旧记录：

# 删除 30 天前的记录 sqlite3 ~/.local/share/openclaw/calls.db \ "DELETE FROM llm_calls WHERE created_at < date('now','-30 days');" # 回收空间 sqlite3 ~/.local/share/openclaw/calls.db "VACUUM;"

如果你开了 WAL 模式，VACUUM之前先做一次 checkpoint：

sqlite3 ~/.local/share/openclaw/calls.db "PRAGMA wal_checkpoint(TRUNCATE);"

WAL 模式对调用记录这种写入频繁、读取也频繁的场景比较合适，但要注意 WAL 文件会增长，定期 checkpoint 能控制大小。

日常使用中还有一个容易忽略的点：OpenClaw 2.0 的会话存储在它自己的 SQLite 库里，你的调用记录在另一个库里。两个库不要混用，也不要在 OpenClaw 升级的时候把你的调用记录库一起迁移。分开的好处是 OpenClaw 的 schema 变动不影响你的记录，你的记录清理也不影响 OpenClaw 的会话。

如果你用的是 Claude Code 或 Cline MCP，CLI 侧的封装逻辑类似，只是配置文件的路径和字段名不同。Base URL、Key、Model ID 这三件套在哪个工具里都是核心，换工具的时候先确认这三样，再调其他参数。

最后留一个实用技巧：在model_map表里给每个别名加一个note字段，写清楚这个模型适合什么场景。比如local-qwen适合长文本总结，remote-fast适合快速问答。终端里oc函数调用的时候，如果传了未知别名，把model_map里的所有别名和 note 打出来，相当于一个模型选择菜单。这个习惯能省掉很多「我上次用的是哪个模型」的翻找时间。