企业官网建设流程全解析

1. 为什么我把 5 个 AI 员工塞进 OpenClaw 后，第一件事是统一模型通道

OpenClaw 是一个开源的多 Agent 协作框架，核心能力是让多个 AI Agent 各扮演一个角色，通过任务派发和结果回调串成自动化工作流。它适合独立开发者、小团队、以及任何想把「需求→设计→编码→审查→测试」这条链路交给 AI 员工接力跑的人。我这次要搭的是 5 个 AI 员工：Director（项目调度）、Analyst（需求分析）、Developer（开发）、Reviewer（代码审查）、Tester（测试）。它们从一句自然语言需求出发，自动流转到可运行代码和测试报告。

但真正动手时，第一个卡点不是 Agent 怎么配，而是模型通道怎么统一。5 个 Agent 如果各自去接不同的模型供应商，Key 散落在 5 个 workspace 里，改一次模型要改 5 个地方，成本也没法统一看。所以我的做法是：所有 Agent 的模型请求都走同一个 OpenAI 兼容通道，用 TaoToken 做统一入口，一个 Key、一个 Base URL，5 个 Agent 共用。这样 Director 用高质量模型做调度，子 Agent 用更便宜的模型干活，切换只改一处配置。

下面这套骨架，就是围绕「统一 Key/API 通道 + 5 Agent 协作」展开的，配置可以直接复制，验证动作也一并给出。

2. TaoToken 前置：把统一模型通道准备好

TaoToken 在这里扮演的角色是「模型请求的统一出口」。它提供 OpenAI 兼容的 API，也就是说 OpenClaw 里凡是能填baseUrl和apiKey的地方，都能指向它。对多 Agent 场景来说，这一点很关键：你不需要为每个 Agent 单独申请不同厂商的 Key，也不用在 5 个配置文件里维护 5 套凭证。

你需要先拿到两样东西：

• 一个 API Key
• 一个 Base URL：https://taotoken.net/api

API Key 在控制台的 API Keys 页面创建，地址是https://taotoken.net/console/api-keys。创建后复制出来，后面会写进 OpenClaw 的模型配置里。如果你还没决定用哪个模型，可以先到模型对话页面看看当前可用的模型名，地址是https://taotoken.net/model-chat，确认好模型标识再往配置里填，避免填错名字导致 404。

注意：Base URL 填https://taotoken.net/api，不要多加/v1之外的路径。OpenAI 兼容客户端通常会自动补/v1/chat/completions，具体以你用的 SDK 为准，配置完先用第 4 节的验证请求确认一次。

对于长期跑编码和 Agent 任务的场景，可以考虑 Coding Plan，地址是https://taotoken.net/coding-plan，它更适合高频、长时间的编码类调用。接入细节和参数说明在文档里，地址是https://taotoken.net/doc。

3. 可复制配置：openclaw.json 里的统一模型通道 + 5 Agent 骨架

OpenClaw 的主配置在~/.openclaw/openclaw.json。下面这份骨架把「统一模型通道」和「5 个 Agent」放在一起，你可以直接改字段值使用。

3.1 统一模型通道配置

OpenClaw 的模型配置支持自定义 provider。把 TaoToken 作为一个 OpenAI 兼容 provider 写进去，所有 Agent 默认走它：

{ "models": { "providers": { "taotoken": { "type": "openai-compatible", "baseUrl": "https://taotoken.net/api", "apiKey": "${TAOTOKEN_API_KEY}", "models": [ { "id": "claude-sonnet-4-5", "name": "Sonnet 4.5" }, { "id": "gpt-4o-mini", "name": "GPT-4o mini" } ] } }, "default": "taotoken/claude-sonnet-4-5" } }

这里用${TAOTOKEN_API_KEY}引用环境变量，而不是把 Key 硬编码进文件。原因很直接：配置文件可能会进版本控制，Key 写死容易泄露。环境变量这样设：

export TAOTOKEN_API_KEY="sk-你的key"

3.2 5 个 Agent 的完整骨架

接着把 5 个 Agent 和它们的模型策略写进同一个文件：

{ "agents": { "list": [ { "id": "director", "name": "项目调度", "default": true, "workspace": "~/.openclaw/workspace-director", "agentDir": "~/.openclaw/agents/director/agent", "model": "taotoken/claude-sonnet-4-5" }, { "id": "analyst", "name": "需求分析师", "workspace": "~/.openclaw/workspace-analyst", "agentDir": "~/.openclaw/agents/analyst/agent", "model": "taotoken/gpt-4o-mini" }, { "id": "developer", "name": "开发者", "workspace": "~/.openclaw/workspace-developer", "agentDir": "~/.openclaw/agents/developer/agent", "model": "taotoken/claude-sonnet-4-5" }, { "id": "reviewer", "name": "代码审查员", "workspace": "~/.openclaw/workspace-reviewer", "agentDir": "~/.openclaw/agents/reviewer/agent", "model": "taotoken/gpt-4o-mini" }, { "id": "tester", "name": "测试工程师", "workspace": "~/.openclaw/workspace-tester", "agentDir": "~/.openclaw/agents/tester/agent", "model": "taotoken/gpt-4o-mini" } ], "defaults": { "subagents": { "maxSpawnDepth": 2, "maxChildrenPerAgent": 5, "maxConcurrent": 8, "model": "taotoken/gpt-4o-mini", "runTimeoutSeconds": 900 } } } }

几个字段值得单独说清楚：

maxSpawnDepth: 2允许 Director 调用子 Agent，子 Agent 还能再调用工具，形成两层嵌套。这是「编排器模式」的基础，没有它 Director 只能自己干所有活。

maxChildrenPerAgent: 5限制单个 Agent 最多同时派发 5 个子任务，防止一次需求把并发打满。

model在 Agent 级别和 subagents 级别都设了。Director 用 Sonnet 4.5 保证调度质量，子 Agent 用更便宜的模型跑具体活。因为都指向taotoken/前缀，切换供应商时只改 provider 一处。

3.3 用 settings.json 做通道覆盖（可选）

如果你不想动主配置，也可以在~/.openclaw/settings.json里做一层覆盖，把模型通道单独抽出来：

{ "modelProvider": { "baseUrl": "https://taotoken.net/api", "apiKeyEnv": "TAOTOKEN_API_KEY", "defaultModel": "taotoken/claude-sonnet-4-5" } }

这样主配置里只写taotoken/xxx这样的模型标识，真正的地址和 Key 由 settings.json 统一提供。多环境（本地/服务器）切换时，只改 settings.json 一份即可。

4. 验证请求：确认 5 个 Agent 都走通了统一通道

配置写完不代表生效。多 Agent 场景最容易出的问题是「某个 Agent 悄悄用了默认通道」或者「子 Agent 没继承到 provider」。下面三步验证，从通道到单 Agent 再到多 Agent 链路，逐层确认。

4.1 先验证通道本身

在写 OpenClaw 之前，先用一条 curl 确认 TaoToken 通道是通的：

curl https://taotoken.net/api/v1/chat/completions \ -H "Authorization: Bearer $TAOTOKEN_API_KEY" \ -H "Content-Type: application/json" \ -d '{ "model": "claude-sonnet-4-5", "messages": [{"role": "user", "content": "回复 OK"}] }'

返回里有choices[0].message.content就说明 Key 和地址都对。这一步不通，后面全白搭。

4.2 验证单个 Agent 的模型解析

启动 OpenClaw 后，先看 Director 用的是哪个模型：

openclaw start openclaw status openclaw logs --follow

在日志里找模型解析记录，确认 Director 解析到的是taotoken/claude-sonnet-4-5，而不是某个内置默认值。如果显示的是别的 provider，说明models.default或 Agent 级model没生效，回去检查字段名。

4.3 验证多 Agent 调用链路

给 Director 发一个最小任务，让它调用 Analyst：

{ "task": "分析一个用户登录需求，输出一页 PRD", "agentId": "analyst", "mode": "run", "runTimeoutSeconds": 600 }

然后查子 Agent 运行状态：

openclaw subagents list openclaw subagents log <id>

subagents list里能看到 analyst 的运行记录，subagents log里能看到它实际请求的模型标识。如果日志里出现的是taotoken/gpt-4o-mini，说明子 Agent 继承了统一通道，链路走通。如果出现的是其他 provider 或报 401，说明子 Agent 的认证没从 agentDir 正确加载，检查~/.openclaw/agents/analyst/agent/下的认证文件。

4.4 完整链路跑一遍

确认单跳没问题后，跑完整流程：Director → Analyst → Developer → Reviewer → Tester。观察openclaw logs --follow里每个 Agent 的模型标识是否都带taotoken/前缀。全部带前缀，说明 5 个 AI 员工都走同一个通道，成本也能在 TaoToken 控制台统一看到。

5. 本篇常见错排查

5.1 子 Agent 报 401 或 model not found

最常见的原因是子 Agent 的认证没有正确解析。OpenClaw 里子 Agent 的认证按 agent id 解析，会话 key 形如agent:<agentId>:subagent:<uuid>，认证从该 Agent 的agentDir加载，主 Agent 的认证作为回退合并。如果子 Agent 的 agentDir 下没有认证文件，而主 Agent 的认证又没配好，就会 401。

排查顺序：先确认~/.openclaw/agents/<id>/agent/目录存在；再确认主配置里该 Agent 的agentDir路径没写错；最后看日志里认证是从哪个目录加载的。

5.2 模型名填错导致 404

taotoken/claude-sonnet-4-5这种写法里，taotoken/是 provider 前缀，后面是模型 id。如果模型 id 写成了供应商不存在的名字，请求会返回 404 或 model not found。先去模型对话页面确认可用模型标识，再往配置里填。

5.3 并发打满导致任务超时

maxConcurrent: 8是全局并发上限。如果一次需求派发了太多子任务，后面的会排队，排队久了可能触发runTimeoutSeconds。表现是日志里出现 timeout。解决办法是调低maxChildrenPerAgent，或者把runTimeoutSeconds从 900 适当调大，但别无限大，否则卡死的任务会一直占资源。

5.4 子 Agent 权限过大

默认策略下，子 Agent 会拿到除会话工具外的所有工具。如果你不希望子 Agent 能写文件或执行命令，用工具策略限制：

{ "tools": { "subagents": { "tools": { "deny": ["write", "exec", "gateway"] } } } }

这个配置放在主配置的tools段里。deny 列表里的工具，子 Agent 一律拿不到。

5.5 改了配置没生效

OpenClaw 的配置改动需要重启 Gateway 才生效。改完openclaw.json后执行：

openclaw stop openclaw start

只openclaw start不 stop，旧进程可能还在用旧配置。重启后再用openclaw status确认。

6. 把通道固定下来，再谈 Agent 协作

多 Agent 协作的复杂度不在 Agent 数量，而在「每个 Agent 的模型请求是否可控」。我试过把 5 个 Agent 分别接不同供应商，结果是改一次模型要翻 5 个文件，成本也散在各处。统一到 TaoToken 之后，provider 只写一处，Agent 级只写模型标识，切换和排障都收敛到一个点。

如果你准备把这套骨架跑起来，建议顺序是：先在 API Keys 页面创建 Key（https://taotoken.net/console/api-keys），再用第 4.1 节的 curl 确认通道，然后填openclaw.json，最后跑完整链路。接入参数和字段说明在文档里（https://taotoken.net/doc），遇到模型标识不确定就去模型对话页面（https://taotoken.net/model-chat）核对。长期跑编码和 Agent 任务的话，Coding Plan（https://taotoken.net/coding-plan）更适合高频调用场景。

配置骨架给到这里，剩下的就是把你的第一个需求丢给 Director，看 5 个 AI 员工怎么接力跑完。