企业官网建设流程全解析

OpenClaw 每天 10:30 和 16:00 会从 Todoist inbox 拉取带capture标签的任务做整理。关键词规则能认出[邮件]、[会议]，但认不出「老板说先放一放，但要留意竞品」。要让它自动标出「参考/行动/委派」，Key 用 TaoToken，去 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 创建，再把 OpenClaw 模型调用的 Base URL 填成 https://taotoken.net/api。这个分类节点就走统一 API 通道，不用在多个 Key 和模型之间来回切。纯规则要么把模糊表述扫进「其他」然后误归档，要么因为关键词没命中而让任务一直堵在 inbox 里。接上模型做语义判断之后，每天两次的 inbox 清理不再靠硬猜，整理阶段先自动过滤掉纯参考资料，剩下的行动项和委派项再推给你拍板，接近原文说的五分钟清空。

1. OpenClaw 的 inbox 整理为什么需要 TaoToken 这条模型通道

1.1 关键词规则能认出「[邮件]」，认不出「先放一放」

原文 5.1 的整理流程先把 inbox 里所有带capture标签的任务拉出来，然后用正则判断前缀，用关键词判断是否需要行动。这套做法在早期很有效：标题以[碎片]开头就是想法，以[邮件]开头就是邮件，以[会议]开头就是会议行动项；内容里出现「TODO」「需回复」「请审阅」就标记为需要行动。问题在于真实语言太滑了。

「老板说那个项目先放一放，但你要留意下竞品动态」这句话没有 TODO，也没有「待办」，但它显然不是纯参考。按纯规则跑，它可能因为不是剪藏、也不是明显资料而被默认成other，然后被mark_reference_only节点打上reference和auto-processed，直接从待处理视图里消失。等到两周后你才想起来竞品这回事，系统里翻不到，大脑里也早忘了。

另一种情况是邮件里写「有空看看这个方案，不着急」。规则会认为「不着急」等于低优先级，甚至等于参考；但发件人可能是客户，潜台词是「本周内给个反馈」。这类语义判断靠关键词表维护不完，每加一个同义词就要改一次 YAML，维护成本比手动整理还高。

1.2 定时整理节点把 Base URL 指向 https://taotoken.net/api

原文 5.1 已经预留了升级空间：关键词规则之外，可以调用 AI 分类接口。在 OpenClaw 的 YAML 里，这一步通常是一个llm_chat或llm_request类型的节点，夹在detect_type和apply_label之间。节点的配置不复杂，核心就三项：Base URL、API Key、模型 ID。

Base URL 填https://taotoken.net/api，末尾不要带/v1。API Key 用YOUR_API_KEY，并且不要硬编码进 YAML，而是走环境变量。模型 ID 去 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 的模型广场看当时可用的列表，别在配置里写一个网上抄来的、实际不存在的 ID。这样 OpenClaw 在每天 10:30 和 16:00 触发的整理工作流里，就能把模糊表述交给模型做一次语义分类，再把结果写回 Todoist 标签。

这里要分清两个地址：给人点的官网落地页是https://taotoken.net/?utm_source=taotoken_aicg_blog_end，用来注册、创建 Key、看模型广场和用量；填进 OpenClaw 配置的 Base URL 是https://taotoken.net/api，末尾不带/v1。两个地址混用，最常见的结果就是 404 或者路径拼错。

2. 在 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 创建 Key 并填进 OpenClaw 环境变量

2.1 创建 API Key 与模型广场选型

打开 TaoToken，注册登录后进控制台，创建一把 API Key。复制出来之后先放在安全的地方，后面 OpenClaw 的环境变量要用。不要直接把 Key 写进工作流 YAML，因为 YAML 通常会进 Git 仓库，Key 一旦提交就很难彻底删干净。

模型 ID 不要凭记忆填。打开模型广场，看看当前可用的模型列表，把你要用于分类的模型 ID 复制下来。分类任务通常不需要最贵的模型，但需要它输出稳定的 JSON。可以先在模型对话里用同一把 Key 发一条测试消息，确认 Key 和模型都能用，再回到 OpenClaw 里配置。

2.2 OpenClaw 环境变量与 YAML 中的读取方式

在 OpenClaw 的运行环境里加一个环境变量。用 Docker 的话，可以在docker-compose.yml或docker run -e里传入；用本地进程的话，就在启动脚本里 export。值先用占位符，等 Key 真正创建后再替换。

export TAOTOKEN_API_KEY=YOUR_API_KEY export TAOTOKEN_BASE_URL=https://taotoken.net/api export TAOTOKEN_MODEL=YOUR_MODEL_ID

然后在 OpenClaw 的 YAML 节点里这样读取：

- id: call_taotoken type: integration action: llm_chat config: base_url: "{{ env.TAOTOKEN_BASE_URL }}" api_key: "{{ env.TAOTOKEN_API_KEY }}" model: "{{ env.TAOTOKEN_MODEL }}" timeout: 30

如果你的 OpenClaw 版本里 action 名不是llm_chat，而是llm_request或openai_compatible_chat，把 action 名换成你版本里对应的名字即可。关键参数不变：Base URL 是https://taotoken.net/api，Key 从环境变量读，模型 ID 来自模型广场。

2.3 为什么 Base URL 不能末尾加 /v1

很多工具在官方文档里写的 Base URL 会带/v1，所以有人习惯性地把https://taotoken.net/api写成https://taotoken.net/api/v1。在这个配置里不要这么做。OpenClaw 的模型调用节点在发起请求时，会根据 action 自己拼接具体路径，比如/chat/completions。如果 Base URL 末尾已经带了/v1，最终路径就可能变成/api/v1/v1/chat/completions，或者因为网关路由规则不匹配而返回 404。

正确写法就是：

base_url: "https://taotoken.net/api"

末尾不要斜杠，不要/v1。这一点在排障时优先检查，比反复换 Key 更省时间。

3. 重写 5.1 的自动分类节点：让 AI 给待办标「参考/行动/委派」

3.1 原来的关键词匹配与正则节点

原文 5.1 的整理流程里，fetch_inbox_tasks先拉取 inbox 中带capture标签的任务；detect_type用正则判断[碎片]、[邮件]、[会议]、[剪藏]；detect_action_needed用关键词表判断是否需要行动；mark_reference_only把明显是资料的条目打上reference和auto-processed，从待处理视图移除。

这套节点不要删。它们速度快、成本低，而且对高频前缀的判断几乎不会出错。我们要做的是在它们之后补一个语义分类节点：当规则判断为other，或者action_needed为空、置信度不高时，再调用模型。模型返回reference、action、delegate三种标签之一，以及一句理由。这样既保留规则的效率，也补上语义的盲区。

3.2 加入 llm_chat 节点的完整 YAML

下面是一段可放进 OpenClaw 工作流的 YAML 示例。它把fetch_inbox_tasks、classify_tasks、build_prompt、call_taotoken、parse_result、apply_label串在一起。注意base_url写的是https://taotoken.net/api，api_key从环境变量读，模型 ID 用占位符。

trigger: type: cron schedule: "30 10 * * *" nodes: - id: fetch_inbox_tasks type: integration action: todoist_get_tasks config: project_id: "inbox" label: "capture" - id: classify_tasks type: loop config: iterator: "{{ tasks }}" nodes: - id: detect_type type: script action: regex_match config: field: content rules: - pattern: "^\\[碎片\\]" assign: "thought" - pattern: "^\\[邮件\\]" assign: "email" - pattern: "^\\[会议\\]" assign: "meeting" - pattern: "^\\[剪藏\\]" assign: "clipping" default: "other" - id: build_prompt type: transform action: template config: template: | 你是 GTD 整理助手。请判断下面这条 inbox 任务应该标记为哪一类。 只输出 JSON，不要额外解释，不要用 Markdown 代码块包裹。 { "label": "reference|action|delegate", "reason": "一句话理由", "suggested_context": "@电脑|@电话|@办公室|@外出|无" } 任务标题：{{ item.content }} 任务描述：{{ item.description }} 已有标签：{{ item.labels | join(', ') }} 规则判断的类型：{{ type }} - id: call_taotoken type: integration action: llm_chat config: base_url: "https://taotoken.net/api" api_key: "{{ env.TAOTOKEN_API_KEY }}" model: "{{ env.TAOTOKEN_MODEL }}" timeout: 30 messages: - role: user content: "{{ prompt_text }}" response_format: json - id: parse_result type: script action: json_parse config: source: "{{ llm_response }}" target_key: gtd - id: apply_label type: integration action: todoist_update_task config: task_id: "{{ item.id }}" labels_add: - "{{ gtd.label }}" description: "{{ item.description }}\n\nAI 判断：{{ gtd.reason }}"

如果你的 OpenClaw 里llm_chat返回的是字符串而不是对象，parse_result节点可以先用正则把第一个{到最后一个}之间的内容截出来，再做 JSON 解析。分类提示词里已经要求「只输出 JSON」，但模型偶尔还是会在前后加一句「好的，以下是分类结果」，这一步能兜住。

3.3 解析 JSON 并把标签写回 Todoist

模型返回的gtd.label有三种值，对应整理阶段的三条路：

• reference：纯参考资料、剪藏、没有行动要求的信息。打上reference和auto-processed，从待处理视图移出，进知识库或归档区。
• action：需要你或某个执行者下一步动作。打上action和next_action，并根据suggested_context加上@电脑、@电话、@办公室等情境标签。
• delegate：需要委派给别人。打上delegate和waiting，并在描述里追加委派对象和跟进日期。如果这条任务来自邮件，还可以触发 5.3 里的自动回复节点。

写回标签之后，原本堆在 inbox 里的条目被拆成三股：纯资料自动下沉，行动项进入行动清单，委派项进入等待清单。你每天两次打开决策清单时，看到的已经不是两百条混杂信息，而是几十条真正需要拍板的条目。

4. 5.2 推送决策清单：只把需要人拍板的项目发给 Telegram

4.1 自动过滤 reference 与 auto-processed

原文 5.2 会把需要决策的任务打包成一条消息推送到 Telegram 或钉钉，让你在碎片时间点按钮完成清空。接上模型分类之后，这一步可以更干净：build_decision_list之前先过滤掉已经带上reference或auto-processed的任务。剩下的条目再按action、delegate、other分组。

推送模板可以保留原文的结构，但把类型和 AI 理由加进去，让你一眼知道系统为什么这么判断。比如：

- id: build_decision_list type: transform action: template config: template: | Inbox 清空时间（共 {{ task_count }} 项） {% for task in tasks %} {{ loop.index }}. {{ task.content | truncate(60) }} 类型：{{ task.type }} | 建议：{{ task.gtd_label }} 理由：{{ task.gtd_reason }} /decide_{{ task.id }}_do /decide_{{ task.id }}_delegate /decide_{{ task.id }}_later /decide_{{ task.id }}_project /decide_{{ task.id }}_delete {% endfor %}

你不需要打开 Todoist，也不用在手机上翻标签。打开 Telegram，扫一眼 AI 给的理由，觉得合理就点「行动」或「委派」，觉得不对就点「参考」手动纠正。纠正记录还可以留作后续调整提示词的素材。

4.2 快捷指令回调触发 5.3 的自动整理

用户在 Telegram 里点了/decide_{id}_delegate，这个回调会回到 OpenClaw 的 Webhook。原文 5.3 的/decide/action工作流接着处理：提取决策类型，把任务从 inbox 移到对应项目，更新标签，必要时自动回复邮件。

加入模型分类之后，这个回调只需要处理「你已经拍板」的条目。AI 已经预标注为reference的不会出现在决策清单里，AI 预标注为action或delegate的仍然要等你确认。这样既保留了人的判断权，又把机械操作全部自动化。跑顺之后，每天两次的清理就像批处理邮件一样：扫一眼，点几下，五分钟结束。

5. 验证与排障：从一条「留意竞品」的测试任务跑通整理流程

5.1 注入测试任务并查看 OpenClaw 日志

配置改完，不要等第二天 cron 触发。先在 Todoist inbox 里手动建一条任务：

[碎片] 老板说那个项目先放一放，但你要留意下竞品动态

加上capture标签，然后手动触发整理工作流。打开 OpenClaw 的日志，找到llm_response和gtd这两个字段。如果模型返回的label是action，reason类似「需要周期性关注竞品动态，建议创建每周回顾任务」，说明分类节点已经跑通。如果返回reference，要么是提示词不够明确，要么是模型把「先放一放」理解成了无需行动，可以回到提示词里补一句反例。

日志里还应该看到base_url对应的请求发往了https://taotoken.net/api，而不是其他地址。这一步确认之后，再把 cron 时间交给它自己跑。

5.2 401、超时、JSON 解析失败三种常见错

整理节点最常见的错不是模型笨，而是配置没对上。

401 未授权：多半是TAOTOKEN_API_KEY没读到。检查容器或进程的环境变量里有没有YOUR_API_KEY对应的真实值，改完环境变量要重启 OpenClaw。不要把 Key 写在 YAML 里然后忘了引号，也不要从官网复制时多带了空格。

请求超时：分类节点等模型返回，如果网络或模型排队导致超过 30 秒，工作流会中断。可以在call_taotoken里把timeout调到 60，或者换一个响应更快的模型。不要因为一次超时就无限重试，容易把上游打爆。

JSON 解析失败：模型返回了「好的，以下是分类结果：{...}」。在parse_result之前加一步正则提取，把第一个{到最后一个}之间的内容抓出来再解析。同时在提示词里继续强调「只输出 JSON，不要用代码块包裹」。

5.3 去 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 对一下调用记录

跑通一条测试任务后，打开 https://taotoken.net/?utm_source=taotoken_aicg_blog_end ，进控制台看这次调用的记录和用量。确认三件事：Key 是不是你刚创建的那把，模型 ID 是不是模型广场里选的那个，Base URL 是不是https://taotoken.net/api。如果控制台里没有记录，说明 OpenClaw 请求根本没发出来，先查环境变量和网络出口；如果有记录但分类结果不对，再回头调提示词。

控制台里还能看到每天的调用量。整理流程一天触发两次，每次处理的 inbox 条目数可能从几十到几百不等，用量会随条目数线性变化。观察一周，你就能判断当前模型和套餐是否够用，需不需要换更轻的模型处理简单分类。

6. 进阶：关键词规则与 AI 分类如何分工，以及错误监控

6.1 高频前缀继续走规则，模糊语义才走模型

不要把所有任务都丢给模型。[碎片]、[邮件]、[会议]、[剪藏]这些前缀是稳定的，正则匹配零成本、零延迟。真正需要模型的是那些没有明显标记、语气模糊、隐含行动项的内容。可以在detect_type之后加一个条件：如果type是other，或者action_needed为空，才走call_taotoken。这样大部分条目在规则层就分流了，模型只处理少数难缠的句子。

这也能降低对模型输出稳定性的依赖。分类结果偶尔飘一下，不会影响整个 inbox 的整理节奏。

6.2 on_error 回调与用量观察

OpenClaw 支持on_error回调。给整理工作流加一段错误通知：任何节点失败时，把workflow_name、error_message和当前任务 ID 发到 Telegram。这样你不用每天翻日志，出错时手机会收到提醒。同时每周去 TaoToken 控制台看一次用量曲线，如果某天调用量突然翻倍，可能是某个触发器重复抓取，或者循环节点写错了迭代对象。

安全上，继续坚持 Key 走环境变量，不硬编码。YAML 工作流进 Git 仓库时，只提交配置结构，不提交.env。

7. 部署路线：先跑通整理，再补收集、执行与复盘

7.1 第一周让 inbox 有东西进来

原文的部署路线从收集开始，这一步不要跳过。先把碎片想法的 Webhook 和邮件标签触发跑通，让capture标签的任务能稳定进入 inbox。没有足够多的输入，整理流程的优化没有意义。第一周的目标很简单：打开 Todoist，inbox 里确实有东西等着处理。

7.2 第二周接入 TaoToken 分类，习惯五分钟清空

第二周把本文这套 5.1 到 5.3 的整理流程接上。先在 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 创建 Key，把 Base URL 填进 OpenClaw，用一条「留意竞品」的测试任务验证分类节点。跑通之后，每天 10:30 和 16:00 的决策清单会准时推送到 Telegram。刚开始你会忍不住逐条点开看 AI 的理由，几天之后就会信任那些被自动归档的reference条目，清空动作会越来越快。

7.3 下一步：模型对话、Coding Plan 与创建 Key

整理流程稳定后，可以先去 TaoToken 模型对话 里用同一把 Key 测一条分类提示词，确认模型 ID 和返回格式没变。如果要长期跑每天两次的整理工作流，打开 Coding Plan 看套餐是否覆盖得住调用量；新的 Key 在 控制台 API Keys 创建。如果你也在 Claude Code 里做 GTD 辅助，环境变量对照见 接入文档。先把整理节点跑顺，再补会议行动项捕获和周复盘，这套 OpenClaw 的 GTD 流程就会从「规则硬猜」变成「语义分类加人工拍板」，每天两次的 inbox 清理也就不再是负担。