企业官网建设流程全解析

1. 从 Tongtong 解析“明天下午3点”卡住说起

只要你照着那篇《用 OpenClaw Agent 构建智能任务跟踪系统：技术实现全过程》动手复现过，大概率会卡在同一个地方：Tongtong 主 Agent 收不到模型响应，或者响应回来了但parse_natural_date根本没被触发。原文把task_manager.py、tasks.db、task_reminder.py和 08:00/18:00 的 Cron 写得挺清楚，唯独“AI 协作流程”那一段跳过了模型认证怎么配。你打开 OpenClaw Agent 的日志，看到的多半是连接超时、401，或者模型名不认识的报错，而任务自然语言解析这一步恰好全压在模型通道上。

这篇就补这一段：怎么把 OpenClaw Agent 的模型请求接到 TaoToken 的兼容通道上，配完再用“买咖啡 明天下午3点”这条真实指令，验证parse_natural_date()有没有被调用、tasks.db有没有写入成功。注册和创建 Key 都在 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 完成，工具里填的 Base URL 是https://taotoken.net/api，这两个地址别混。模型通道一通，后面照原文接 SQLite、Cron 提醒和主/子 Agent 协作才走得下去。

先把整条链路复述一遍，方便定位模型通道卡在哪一层。原文的架构是：用户消息从微信/飞书进来，进Tongtong 主 Agent，主 Agent 调task_manager.py里的自然语言解析和 SQLite 封装，写入tasks.db，再由 Cron 在 08:00 和 18:00 触发task_reminder.py，把 24 小时内到期的任务推回微信/飞书。这中间只要模型请求不通，parse_natural_date()就拿不到“明天下午3点”该解析成什么，task_manager.py只能返回空或默认时间，tasks.db里要么没记录，要么到期时间错得离谱。

2. OpenClaw Agent 模型通道为什么必须先单独打通

2.1 主 Agent 和parse_natural_date是先后依赖关系

很多人的误解是：自然语言日期解析是纯正则，跟模型没关系。原文确实写了正则优先、dateutil.parser兜底，但触发解析的动作发生在主 Agent 侧。用户说“买咖啡 明天下午3点”，Tongtong 要先判断这是“添加任务”意图，再把买咖啡和明天下午3点拆成参数传给task_manager.py。这个意图识别和参数抽取，才是模型通道真正被调用的位置。通道不通，正则写得再全也轮不到执行。

所以复现顺序应该是：先把 OpenClaw Agent 的模型请求打通，用一句话确认主 Agent 能正常返回结构化参数，再去调parse_natural_date()，最后看tasks.db。这三步是串行依赖，不是并列的三个功能。

2.2 切到 TaoToken 兼容通道解决的是“请求出口”问题

你需要区分两件事：OpenClaw Agent 的模型通道，和原文里的 SQLite / Cron。TaoToken 只管前半段，也就是模型请求走哪个 Base URL、用哪把 Key、指定哪个模型 ID。SQLite 文件路径C:\Users\Administrator\.openclaw\workspace\tasks.db、task_reminder.py的 24 小时检查逻辑、Cron 的0 8 * * *表达式，这些一个都不用改。

切通道的收益在于：你不再被单家官方的额度、并发和 Key 数量卡住，也不用为每个子 Agent 单独申请一套凭证。TaoToken 定位是统一 API 和兼容通道，拿一把 Key、填一个 Base URL，主 Agent 和后面的子 Agent 共用同一条出口。至于具体能用哪些模型，以 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 模型广场当时的列表为准，别照着旧文章里的模型名硬填。

2.3 这一步在原文目录里的位置

原文“技术架构”之后直接进了“核心实现”，把parse_natural_date、SQLite、Cron 三块讲完，再跳到“AI 协作流程”。模型认证被略过了。仿写时我不另起一套顺序，就在原文“AI 协作流程”该展开的位置把它补全：主 Agent（Tongtong）负责接收自然语言指令并协调子 Agent，那么它首先得有一条能用的模型通道；bloger-creator Agent、kb-qa Agent 这类子 Agent 同样复用这条通道。

注意一个边界：OpenClaw Agent 可以生成、解释、比对代码和 SQL，但tasks.db的查询、task_reminder.py的运行、Cron 的实际触发，都要你在本地机器上执行，再把结果贴回对话。别把 Agent 当成能直连你生产库、直接跑定时脚本的执行器。

3. 在 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 拿 Key 并核对模型 ID

3.1 注册、创建 Key、记下模型 ID

准备材料就三样：一个能打开 OpenClaw Agent 配置文件的编辑器、一把 API Key、一个确认可用的模型 ID。

打开 TaoToken 注册并登录，进控制台创建一把 API Key。这把 Key 在本文所有配置里统一写成占位符YOUR_API_KEY，实际使用时换成你自己新建的那把，别把 Key 写进会提交到 Git 的配置文件。

同一页面里进模型广场，挑一个你要给 Tongtong 主 Agent 用的模型，把它的模型 ID原样记下来。模型 ID 不要凭记忆写，也不要照抄别的文章，以 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 模型广场当时列表为准。这一步对应原文里“主 Agent 接收用户自然语言指令”的凭证准备，原文没展开，这里补上。

3.2 两个地址分工，别填反

这是最容易出错的地方，单独强调：

填进工具的 Base URL 末尾不要带/v1，也不要加任何 UTM 参数。很多人习惯性补一个/v1，结果请求路径拼成/v1/chat/completions之类，直接 404。https://taotoken.net/api就是完整前缀，工具自己会拼后面的路径。

3.3 Key 归属和子 Agent 复用

Tongtong 主 Agent、bloger-creator Agent、kb-qa Agent 可以共用同一把 Key，也可以按用途拆成多把，看你怎么管理。共用一把的好处是配置简单、用量集中；拆开的好处是后面在 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 控制台看用量时，能分清是主 Agent 的对话消耗还是子 Agent 的批量消耗。数量不大时，先共一把跑通再说。

4. 把 OpenClaw Agent 的模型通道指到 https://taotoken.net/api

4.1 找到 OpenClaw Agent 的模型配置段

OpenClaw Agent 的配置一般落在工作区目录下，和原文提到的C:\Users\Administrator\.openclaw\workspace\同一层。打开模型通道相关的那段配置，你会看到三个关键字段：Base URL、API Key、模型 ID。把 Base URL 改成https://taotoken.net/api，Key 填YOUR_API_KEY（换成你从 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 新建的那把），模型 ID 填你在模型广场记下的值。

配置大致是下面这个结构，字段名以你本地实际版本为准，值按本文填：

{ "model": { "provider": "taotoken", "base_url": "https://taotoken.net/api", "api_key": "YOUR_API_KEY", "model_id": "YOUR_MODEL_ID" } }

注意base_url后面没有/v1，model_id不是随便编的字符串。如果你不确定字段名，先照着 OpenClaw Agent 现有配置的键名改值，别整个替换成一套通用 JSON，那样会把其他通道配置冲掉。

4.2 环境变量方式的写法

如果你的 OpenClaw Agent 是用环境变量注入模型信息的，写法类似：

export OPENCLAW_MODEL_BASE_URL="https://taotoken.net/api" export OPENCLAW_MODEL_API_KEY="YOUR_API_KEY" export OPENCLAW_MODEL_ID="YOUR_MODEL_ID"

变量名同样以本地版本为准，重点是三条：Base URL 是https://taotoken.net/api、Key 用YOUR_API_KEY占位、模型 ID 来自模型广场。改完记得重新加载环境或重启 Agent 进程，否则读到的还是旧值。

4.3 改动范围和不该动的地方

这次只动模型通道三个字段，以下内容一个都别改：

• task_manager.py里parse_natural_date()的正则和dateutil兜底逻辑。
• DB_PATH指向的tasks.db路径。
• task_reminder.py的 24 小时检查。
• Cron 的0 8 * * *和0 18 * * *表达式、Asia/Shanghai时区。

原文的核心实现是完整的，问题只出在模型请求出口。改错范围会让排查变成一团乱麻，配完模型通道就用第 5 节的方式验证，别顺手重构解析逻辑。

5. 用“买咖啡 明天下午3点”验证parse_natural_date是否被触发

5.1 先发一条最小测试指令

配置保存、Agent 重启后，别急着上完整流程。先给 Tongtong 发一条最简单的话，确认模型通道回得来：

买咖啡 明天下午3点

期望行为是：主 Agent 识别为“添加任务”意图，把买咖啡作为任务名、明天下午3点作为时间参数，交给task_manager.py，由parse_natural_date()解析成类似2026-06-09 15:00的格式，然后写入tasks.db。原文给的期望输出里，“明天下午3点”要落到次日 15:00，“下午”需要 +12 小时，这条指令正好覆盖这个边界。

5.2 查tasks.db确认写入

Agent 回了“已添加”不代表真的写进去了。在本地终端查一次，SQL 由 Agent 生成或你自己写，执行必须在你本地：

SELECT id, name, due_day, status, created_at FROM tasks ORDER BY id DESC LIMIT 5;

如果name是买咖啡，due_day是次日 15:00，status是open，说明模型通道、意图识别、参数抽取、parse_natural_date()、SQLite 写入这条链全通了。如果tasks表里没有新记录，或者due_day是默认的 09:00，那问题多半在参数抽取环节，而不在 SQLite。

5.3 再验证一条相对时间和一条过期时间

单条指令通了之后，补两条边界用例，对应原文“自然语言解析的关键设计”表格里的场景。发“3天后交周报”，查tasks.db里due_day是否是当前日期加三天；发“12月25日 团建”，看解析结果落在当年还是次年。这两条能过，说明主 Agent 调parse_natural_date()的路径稳定，不是偶然命中。

还有一条别忘：parse_natural_date()本身是纯函数，你可以让 Agent 生成一段调用它的测试代码，在本地跑，把输出贴回对话比对。Agent 只负责生成和解释，执行还是你来。

6. 通道通了之后，Cron 和主/子 Agent 协作怎么接

6.1task_reminder.py和 Cron 不受影响

模型通道换出口，不影响原文的定时提醒部分。task_reminder.py里的get_tasks_due_within(hours=24)查的是tasks.db，格式化后print出来，由 OpenClaw Cron 在 08:00 和 18:00 触发。Cron 配置里的schedule.expr和tz保持原样：

{ "name": "早晨任务跟踪", "schedule": {"kind": "cron", "expr": "0 8 * * *", "tz": "Asia/Shanghai"}, "payload": {"kind": "systemEvent", "text": "task_reminder"} }

这段配置不用为了 TaoToken 改动任何字符。它读的是本地 SQLite 文件，走的是本地进程通信，和模型出口没有耦合。

6.2 主 Agent 和子 Agent 的协作分工

原文“AI 协作流程”里写了三个角色：Tongtong 主 Agent 接收自然语言指令并协调子 Agent；bloger-creator Agent 写技术博客、记录实现细节；kb-qa Agent 做知识库查询。现在这三个角色共用同一条 TaoToken 通道，配置里 Base URL 都是https://taotoken.net/api。

小提醒：bloger-creator Agent 写博客时如果要去读task_tracker_system.md这类文件，同样是“生成文本”而不是“执行操作”；kb-qa Agent 做知识库查询也是生成查询语句，由你本地执行。别把子 Agent 描述成能直接操作你的数据库或定时任务。

6.3 自然语言交互的几条实际指令

按原文的使用示例，通道配好后你可以依次试：

买咖啡 明天下午3点 任务跟踪 结束任务 1和2 任务跟踪 promotion proposal 是今晚9点

第二条是查询，第三条是关任务，第四条是更新到期时间，都对应task_manager.py里的不同分支。模型通道负责把这几句话的方向识别出来，parse_natural_date()负责把“今晚9点”这类表达转成YYYY-MM-DD HH:MM，SQLite 负责落盘。三条各司其职，排查时也要分开看。

7. 这一步常见的 401、404 和参数错位

7.1 401：Key 不对或没生效

最常见的原因是 Key 复制时带了空格，或者填进了旧的占位符没换。确认配置里 Key 是你从 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 新建的那把，并且 Agent 进程重启过。如果同一把 Key 在模型对话里能用、在 Agent 里报 401，多半是配置文件路径不对，改的是另一个副本。

7.2 404：Base URL 多了/v1

填https://taotoken.net/api/v1会 404。Base URL 统一用https://taotoken.net/api，末尾不带/v1。另外确认你没把带 UTM 的落地页地址填进 Base URL，那是个网页地址，不是接口前缀。

7.3 任务写入成功但时间不对

模型通道没问题、tasks.db也有记录，但due_day不是 15:00 而是 09:00，说明“下午”没被正确加 12 小时。这属于parse_natural_date()的解析逻辑，和模型出口无关，对着原文“下午时间需要 +12 小时”那条改正则或补测试用例。

7.4 该本地执行的别推给 Agent

诊断 SQL、建表语句、task_reminder.py的运行、Cron 是否触发，全部在本地或对应运行环境执行，把报错原文贴回对话让 Agent 分析。MCP、Skill、Agent 这些概念在这里只负责生成、解释、对照，不负责连你的tasks.db或生产环境执行。这条边界守住，排查效率反而更高。

8. 跑通之后去控制台对一下这次调用

tasks.db里能看到“买咖啡 明天下午3点”写进去之后，建议回 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 看一眼用量，确认这次主 Agent 的调用确实记在了你这把 Key 上。如果发现用量没动，多半是 Agent 仍在走旧配置，重启进程再试一次。

想让主 Agent 长期跑任务跟踪，可以在 模型对话 里用同一把 Key 发一条测试消息，快速区分是 Key 的问题还是 Agent 配置的问题。写代码和跑 Agent 比较频繁的话，顺手看看 Coding Plan 的套餐是否够用；需要再建一把给子 Agent 用的 Key，在 控制台 API Keys 创建。Claude Code 环境变量对照和接入细节见 Claude Code 接入文档，思路和 OpenClaw Agent 这条通道一致：Base URL 用https://taotoken.net/api，Key 用你自己的那把。

系统跑起来之后最容易忽略的反而是 Cron 那一步——模型通道通了、tasks.db写对了，结果 08:00 没收到提醒，回头一查是task_reminder.py根本没被执行，或者时区不是Asia/Shanghai。这部分不在模型通道范围内，但值得在第一次运行后单独确认一遍。