企业官网建设流程全解析

1. 从一次“失忆”说起：Clawdbot 本地架构到底解决了什么问题

Clawdbot（现在叫 OpenClaw）是一个 Local-First 的 AI Agent 运行时环境，简单说就是把大模型的能力和你本机的文件系统、命令行、浏览器、聊天软件缝在一起，让模型真正能“动手干活”。它适合谁？适合那些不满足于网页版对话框、想让 AI 直接读写本地文件、跑脚本、管项目的人。我第一次跑通它的时候，最大的感受不是“哇好强”，而是“它怎么记住我是谁的”——这背后就是记忆管理、Agent 编排、上下文组装三件事在协作。

很多人部署完 Clawdbot 后遇到一个典型现象：新开一个会话，问它“上次我们聊的项目进展到哪了”，它一脸茫然；但如果你在同一个会话里连续追问，它又能接得上。这不是模型笨，而是上下文窗口的组装策略在起作用。Clawdbot 的设计哲学是“显式文件存储 + 混合检索”，而不是把所有东西一股脑塞进向量库。它的记忆分三层：会话上下文（内存里，不可见）、每日日志（memory/YYYY-MM-DD.md，可见可编辑）、精选记忆（MEMORY.md，长期维护）。这三层对应认知科学里的工作记忆、情景记忆、语义记忆，加载时机和可见性完全不同。

理解这套架构的价值在于：你可以自己控制 AI 记住什么、忘记什么，而不是被黑盒 SaaS 牵着走。下面我会从记忆存储分层、Agent 任务编排、上下文窗口组装三个层面逐层拆开，每一步都给出可复制的本地配置片段和验证动作。你不需要先成为 Node.js 专家，只要能跑命令行、会编辑 Markdown 文件，就能跟着复现整条链路。

先说结论：Clawdbot 的“记忆”不是魔法，它就是几个 Markdown 文件加一个检索工具。你完全可以在自己的环境里验证它什么时候读、什么时候写、写到哪里。接下来先解决前置条件——怎么拿到可用的模型接入点，因为本地运行时本身不生产模型能力，它需要一个稳定的 API 出口。

2. 前置准备：给 Clawdbot 接上稳定的模型出口与 API Key

Clawdbot 的 Agent Runtime 基于 Node.js，它自己不训练模型，所有推理都通过 API 调用完成。所以第一步是准备一个可用的模型接入点。我试过直接填某些公共端点，结果在长上下文场景下频繁超时，后来换成 TaoToken 的接入方式才稳定下来。这里不是广告，而是因为 Clawdbot 的上下文组装会一次性注入多个 Markdown 文件，输入 token 很容易冲到几万甚至十几万，对端点的稳定性和上下文长度都有要求。

你需要准备三样东西：Base URL、API Key、Model ID。这三件套在 Clawdbot 的配置里对应agents.defaults下的模型设置。Base URL 用https://taotoken.net/api，注意这个地址不带任何查询参数。API Key 在控制台生成，路径是 console 页面里的 api-keys 区域。Model ID 根据你实际要用的模型填写，比如google/gemini-3-pro-preview这类格式，具体以你账号下可用的模型列表为准。

拿到 Key 之后，建议先别急着写进 Clawdbot 配置，而是用一条 curl 命令验证端点是否通。这一步能帮你排除掉 80% 的“配置没错但就是不通”的问题。验证命令如下：

curl -s https://taotoken.net/api/v1/chat/completions \ -H "Content-Type: application/json" \ -H "Authorization: Bearer $TAOTOKEN_API_KEY" \ -d '{ "model": "google/gemini-3-pro-preview", "messages": [{"role": "user", "content": "ping"}], "max_tokens": 16 }'

如果返回里能看到choices数组和一段回复内容，说明端点、Key、Model ID 三件套是匹配的。如果返回 401，说明 Key 无效或没带上；如果返回 model not found，说明 Model ID 写错了。这一步过了，再往 Clawdbot 里写配置，排障范围会小很多。

关于 Key 的存放，不建议直接硬编码在配置文件里。Clawdbot 支持从环境变量读取，你可以在 shell 的 profile 里 export 一个变量，然后在配置里引用。这样即使配置文件被同步到别的地方，Key 也不会泄露。具体做法是在~/.zshrc或~/.bashrc里加一行export TAOTOKEN_API_KEY="你的key"，然后source一下。后面所有配置片段都假设这个环境变量已经存在。

另外提醒一点：Clawdbot 的上下文组装会把工作区里的多个 Markdown 文件注入到 system prompt 里，输入长度会比你想象的大。如果你用的是按 token 计费的端点，建议先在控制台看一下余额和限速策略，避免跑到一半被限流。准备好这些，就可以进入实际的配置环节了。

3. 可复制配置：记忆分层、Agent 编排与上下文组装的 settings 片段

Clawdbot 的配置入口是config.apply，它接受一份完整的 JSON 配置。下面这份片段覆盖了记忆分层、Agent 编排、上下文组装三个核心部分，你可以直接复制到自己的配置文件里，路径和字段名保持原样。注意agents.defaults.workspace要改成你自己的实际工作目录，我这里是/Users/georgefu/clawd。

{ "agents": { "defaults": { "workspace": "/Users/georgefu/clawd", "model": "google/gemini-3-pro-preview", "baseUrl": "https://taotoken.net/api", "apiKeyEnv": "TAOTOKEN_API_KEY", "promptMode": "full", "memory": { "dailyLogDir": "memory", "dailyLogPattern": "YYYY-MM-DD.md", "curatedFile": "MEMORY.md", "userFile": "USER.md", "identityFile": "IDENTITY.md", "soulFile": "SOUL.md", "loadTodayAndYesterday": true, "mainSessionOnly": ["MEMORY.md"], "recallTool": "memory_search", "hybridSearch": { "vectorWeight": 0.6, "keywordWeight": 0.4 } }, "orchestration": { "mode": "react", "maxIterations": 12, "allowSubAgents": true, "spawnTool": "sessions_spawn", "toolCallFormat": "json" }, "contextAssembly": { "injectProjectContext": true, "projectContextFiles": [ "AGENTS.md", "SOUL.md", "TOOLS.md", "IDENTITY.md", "USER.md", "HEARTBEAT.md" ], "compaction": { "enabled": true, "triggerTokens": 80000, "targetFile": "MEMORY.md" } } } } }

这份配置里几个关键字段值得展开说。memory.mainSessionOnly指定了MEMORY.md只在主会话加载，群聊或子 Agent 会话里不会注入，这是安全边界。memory.hybridSearch里的两个权重决定了检索时向量语义和关键词匹配的占比，默认 0.6/0.4 是我实测下来比较平衡的值，纯向量检索容易把“上次那个 bug”匹配到无关内容，加上关键词权重后精度明显提升。

orchestration.mode设为react，意味着 Agent 走的是 Reason + Act 循环，而不是硬编码的 DAG。maxIterations限制单次任务最多循环 12 轮，防止模型陷入死循环烧 token。allowSubAgents打开后，主 Agent 可以通过sessions_spawn分裂出子会话处理耗时任务，子 Agent 在独立上下文里跑，完成后回调主 Agent。

contextAssembly.compaction是上下文组装的核心。当输入 token 超过 80000 时，触发压缩逻辑，把每日日志里的精华提炼进MEMORY.md。这模拟的是人类“海马体到皮层”的记忆固化过程。你可以把triggerTokens调低来观察压缩行为，比如设成 20000，跑几轮对话就能看到MEMORY.md被更新。

配置写好后，用clawdbot gateway restart让 Gateway 进程重新加载。Gateway 是 Clawdbot 的守护进程，负责和外部通道通信、维护 WebSocket 连接、管理鉴权。它重启后会自动 ping 最后一个活跃会话，你可以在日志里看到加载了哪些项目上下文文件。如果某个文件路径写错，日志里会有明确的 file not found 提示，照着改就行。

还有一点：projectContextFiles列表里的文件会按顺序注入 system prompt。AGENTS.md通常放行为准则，SOUL.md放人格设定，USER.md放用户画像，IDENTITY.md放 Agent 自我认知。顺序会影响模型的理解优先级，建议把最稳定的身份类文件放前面，易变的日志类文件靠后。配置层面就这些，接下来验证整条链路是否真的跑通了。

4. 分步验证：复现记忆读写与 Agent 编排链路

配置加载成功后，不要急着问复杂问题，先用几个最小动作验证记忆读写和编排链路。我习惯分四步走，每步都有明确的预期结果，任何一步不符合就停下来排查，不要往下走。

第一步，验证每日日志的写入。在 Clawdbot 的对话里说一句“记住：我的项目代号是 Go-Jarvis，架构选型用 tRPC 而不是 HTTP”。然后去工作区看memory/目录下当天的文件，比如memory/2026-01-28.md，应该能看到一条追加的记录。如果文件不存在，说明dailyLogDir路径不对或者 Gateway 没有写权限。这一步验证的是“写”链路。

第二步，验证记忆召回。新开一个会话，问“我的项目代号是什么”。预期是 Agent 调用memory_search工具，检索MEMORY.md和memory/*.md，然后回答“Go-Jarvis”。如果它说不知道，检查两点：一是loadTodayAndYesterday是否为 true，二是memory_search工具是否在工具列表里。你可以在 system prompt 的 Tooling 部分看到工具清单，如果memory_search不在，说明配置没生效。

第三步，验证 Agent 编排。给一个需要多步工具调用的任务，比如“列出工作区里所有 Markdown 文件，统计每个文件的行数，把结果写进 summary.md”。预期是 Agent 先调用exec跑ls和wc -l，拿到 stdout 后再调用write生成文件。你可以在日志里看到 ReAct 循环的每一步：Observe（收到任务）→ Plan（决定调工具）→ Act（执行 exec）→ Reflect（判断是否完成）。如果它只调了一次工具就停下，可能是maxIterations设太小，或者模型没正确输出 JSON 格式的 tool call。

第四步，验证子 Agent 分裂。给一个耗时任务，比如“帮我爬取这 10 个网址并总结”。预期是主 Agent 调用sessions_spawn创建子会话，子 Agent 在独立上下文里跑，完成后回调。你可以在sessions_list里看到子会话的记录。这一步验证的是编排链路的扩展性。如果sessions_spawn没被调用，检查allowSubAgents是否为 true，以及agents_list里是否有允许的 agent id。

四步都过了，说明记忆管理、Agent 编排、上下文组装三条链路是通的。这时候你可以打开MEMORY.md看看，如果之前触发了 compaction，里面应该已经有从每日日志提炼出来的内容。MEMORY.md和USER.md的区别要记牢：USER.md回答“你是谁”，MEMORY.md回答“我们知道什么”。前者更新频率低，后者随项目推进不断追加。如果 Agent 忘了MEMORY.md，它只是变笨；如果忘了USER.md，它就变“生分”了，不知道该怎么和你沟通。

验证过程中有个细节：Clawdbot 的 system prompt 是动态组装的，不是硬编码字符串。Runtime 读取AGENTS.md、SOUL.md、USER.md等文件后注入 LLM 上下文。你可以在日志里看到完整的 system prompt，里面会标注哪些部分是 Project Context 注入的。如果某个文件没被注入，检查projectContextFiles列表和文件实际路径是否一致。这一步能帮你理解“上下文组装”到底组装了什么。

5. 常见报错排查：401、local proxy failed、reading choices、OAuth

跑 Clawdbot 的过程中，报错基本集中在四类。我把真实遇到过的错误信息和排查路径列出来，你对照着看。

第一类，401 Unauthorized。这个最常见，通常是 API Key 没带上或者失效了。先确认环境变量TAOTOKEN_API_KEY在当前 shell 里能 echo 出来，如果为空，说明 profile 没 source 或者变量名写错了。然后确认配置文件里apiKeyEnv的值和实际环境变量名一致。如果都对了还是 401，用第 2 节那条 curl 命令单独测端点，排除 Key 本身的问题。注意不要在配置文件里直接写 Key 明文，容易在同步时泄露。

第二类，local proxy failed。这个报错通常出现在 Gateway 启动阶段，意思是本地代理层没起来。Clawdbot 的 Gateway 会维护一个本地 WebSocket 连接，如果端口被占用或者权限不足，就会报这个。排查方法是先clawdbot gateway status看进程状态，如果显示 not running，再clawdbot gateway start手动启动，看日志里的具体错误。常见原因是工作区目录权限不对，或者 Node 版本太低。Clawdbot 要求 Node 18 以上，我用的是 v25.4.0，建议不低于 20。

第三类，reading choices 相关报错。这个通常出现在模型返回格式不符合预期时，比如返回体里没有choices字段，或者choices[0].message.content为空。原因可能是 Model ID 写错，端点返回了一个错误对象而不是正常的 completion 结构。排查方法是把max_tokens设小，单独发一条简单请求，看原始返回体。如果返回的是{"error": ...}，说明请求本身有问题；如果返回结构正常但内容为空，可能是模型被限流或触发了内容过滤。

第四类，OAuth 相关报错。如果你在配置里用了需要 OAuth 的通道（比如某些聊天平台），报错会提示 token 过期或 scope 不足。这类问题不在模型接入层，而在通道层。排查方法是先确认通道的 OAuth 流程是否走完，token 是否写入了正确的存储位置。如果只是本地测试，可以先把通道关掉，只验证 Agent Runtime 和记忆链路，排除干扰。

除了这四类，还有一个隐蔽的坑：上下文超长导致请求被截断。Clawdbot 注入多个 Markdown 文件后，输入 token 可能超过端点的上限。表现是模型回复不完整，或者直接报 context length exceeded。解决办法是调低compaction.triggerTokens，让压缩更早触发，或者精简projectContextFiles列表，只保留必要的文件。我一般把HEARTBEAT.md设得很短，就是为了控制 token 消耗。

排查的时候有个原则：先隔离变量。把模型接入、记忆读写、Agent 编排分开测，每次只改一个地方。比如 401 就只查 Key 和端点，不要同时去动记忆配置。这样定位问题的速度会快很多。另外，Clawdbot 的日志里会打印每一步的工具调用和返回，养成看日志的习惯，比盲目改配置有效得多。

6. 把记忆和编排用起来：从验证到日常使用的接入路径

验证链路跑通之后，日常使用其实就三件事：让 Agent 记住该记的，让它在该动手时动手，让上下文别爆。记忆方面，你可以在对话里明确说“把这条写进 MEMORY.md”，Agent 会调用write工具追加。也可以定期手动整理memory/目录下的日志，把有价值的条目提炼进MEMORY.md。这个过程和人类整理笔记一样，日志是原始素材，MEMORY.md是提炼后的结论。

Agent 编排方面，复杂任务尽量拆成子任务，让主 Agent 通过sessions_spawn分裂出去跑。子 Agent 在独立上下文里工作，不会污染主会话的记忆。任务完成后回调主 Agent，主 Agent 再把结果汇总给你。这样既控制了单次上下文长度，又提高了并行效率。我实测下来，10 个网址的爬取总结任务，用子 Agent 比单会话串行快不少，而且主会话的 token 消耗明显降低。

上下文组装方面，定期检查MEMORY.md的大小。如果它膨胀到几万 token，每次主会话加载都会很慢。这时候需要手动精简，把过时的决策和已完成的项删掉，只保留长期有效的事实和偏好。USER.md一般不用频繁改，除非你的角色或偏好发生了根本变化。IDENTITY.md和SOUL.md是 Agent 的自我认知，改之前最好想清楚，因为它们会影响 Agent 的说话风格和行为边界。

如果你想把这条链路接到更长期的编码或 Agent 工作流里，可以走 Coding Plan 的路径，把模型调用、记忆存储、编排逻辑固化下来。需要生成新 Key 或者查看接入文档的话，API Keys 页面和接入文档里有完整的参数说明。想先单独验证模型对话效果，模型对话入口可以直接测。这几个入口按需取用，不用一次全开。

最后说个实用技巧：Clawdbot 的HEARTBEAT.md可以用来做定时自检。你可以在里面写一个短清单，比如“检查 memory 目录是否有当天日志”“检查 MEMORY.md 是否超过 5000 字”，然后让心跳任务定期跑。这样记忆维护就变成自动化的了，不用每次手动去翻。整个架构的核心思想就是：把记忆显式化、把编排动态化、把上下文可控化。你掌握这三条，就能在自己的环境里稳定复现整套链路。