企业官网建设流程全解析

1. 为什么 OpenAI 工具调用在 openclaw 里需要一层适配

如果你正在用 openclaw 接 OpenAI 兼容模型，大概率遇到过这种场景：模型明明返回了工具调用，但下游 Agent 拿到的参数是半截 JSON，或者多个工具调用挤在同一个 delta 里被覆盖，最后执行时报Unexpected end of JSON input。这不是模型的问题，而是流式响应下tool_calls分片拼接没处理干净。

openclaw 的模型适配层（源码里对应src/agents/openai-transport-stream.ts）就是干这件事的：把 OpenAI 两种 API 形态——新版 Responses API 和经典 Chat Completions API——返回的工具调用，统一转成内部的toolcall_start / toolcall_delta / toolcall_end事件流。上层 Agent 只认这套事件，不关心底层是/v1/responses还是/v1/chat/completions。

这篇文章面向三类人：一是正在给 openclaw 接第三方 OpenAI 兼容通道的开发者；二是想搞清楚 function calling 流式拼接原理的后端同学；三是被delta.tool_calls增量解析坑过、想找一份可跟做配置的人。我会先讲适配层的转换逻辑，再给一份可复制的配置骨架，最后用一次完整的工具调用链路验证，并说明怎么通过 TaoToken 统一 Key 和 API 通道接入，省去多套凭证来回切。

2. TaoToken 前置：统一 Key 与 API 通道

openclaw 适配层本身只负责协议转换，它不关心你的 Key 从哪来。但实际开发里，如果你同时接 OpenAI 官方、Azure 和几个兼容接口，凭证管理会变成负担。我的做法是走 TaoToken 的统一通道，一个 Key 覆盖多种模型入口，适配层里只需要改baseURL和apiKey两个字段。

TaoToken 官网入口：https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=

API 基地址（不带 UTM，直接用于配置）：https://taotoken.net/api

需要提前准备的东西：

• 一个可用的 API Key，在控制台创建：https://taotoken.net/console?utm_source=taotoken_aicg_blog_end&utm_content=console&utm_campaign=rewrite
• Key 管理页（后续轮换、限额都在这里）：https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api-keys&utm_campaign=rewrite
• 接入文档，适配层参数对照看这份：https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite

注意：适配层配置里baseURL要写成https://taotoken.net/api，不要带末尾斜杠，否则部分 SDK 会拼出双斜杠路径导致 404。

如果你只是想先验证模型能不能正常返回工具调用，不想动 openclaw 代码，可以直接在模型对话页试：https://taotoken.net/models?utm_source=taotoken_aicg_blog_end&utm_content=models&utm_campaign=rewrite

3. 适配层配置骨架：两种 API 模式怎么选

openclaw 适配层暴露了两个工厂函数，对应两种 API 模式。选哪个取决于你的通道兼容性：

两者最终都走processResponsesStream或processOpenAICompletionsStream，对外暴露的事件格式一致。下面是适配层的配置骨架，我把它写成一份可直接放进 openclaw 配置目录的 JSON：

{ "transport": "openai-completions", "baseURL": "https://taotoken.net/api", "apiKey": "${TAOTOKEN_API_KEY}", "model": "gpt-4o-mini", "stream": true, "toolChoice": "auto", "tools": [ { "type": "function", "function": { "name": "exec", "description": "执行本地命令并返回输出", "parameters": { "type": "object", "properties": { "command": { "type": "string", "description": "要执行的命令" } }, "required": ["command"] } } } ] }

关键字段说明：transport决定走哪个 process 函数；toolChoice设为auto让模型自己决定是否调用；tools数组会被convertTools()转成 OpenAI 的 FunctionTool 格式。如果你走 Responses API，把transport改成openai-responses，其余字段结构不变，适配层内部会调用convertResponsesTools()。

环境变量建议单独放，不要硬编码进配置文件：

export TAOTOKEN_API_KEY="sk-你的key"

提示：适配层读取apiKey时支持${VAR}占位符，这样配置文件可以进版本库，Key 留在本地环境。

4. 流式响应下 tool_calls 分片拼接与参数增量解析

这是适配层最容易出 bug 的地方。OpenAI 的流式工具调用不是一次性给你完整 JSON，而是把arguments拆成多个 delta 分片推送。以 Completions API 为例，一个exec调用的参数{"command":"dir"}可能被拆成三段：

chunk 1: delta.tool_calls[0] = { index: 0, id: "call_abc", function: { name: "exec", arguments: "{\"comm" } } chunk 2: delta.tool_calls[0] = { index: 0, function: { arguments: "and\":\"d" } } chunk 3: delta.tool_calls[0] = { index: 0, function: { arguments: "ir\"}" } }

适配层的处理逻辑是维护一个currentBlock，每来一个 delta 就做三件事：拼接partialArgs、用parseStreamingJson()尝试增量解析、推送toolcall_delta事件。核心代码结构如下：

if (choice.delta.tool_calls && choice.delta.tool_calls.length > 0) { for (const toolCall of choice.delta.tool_calls) { // 新工具调用开始：id 出现即视为新块 if (!currentBlock || currentBlock.type !== "toolCall" || toolCall.id) { finishCurrentBlock(); currentBlock = { type: "toolCall", id: toolCall.id || "", name: toolCall.function?.name || "", arguments: {}, partialArgs: "", }; output.content.push(currentBlock); stream.push({ type: "toolcall_start", contentIndex: blockIndex(), partial: output }); } // 参数增量累积 if (toolCall.function?.arguments) { currentBlock.partialArgs += toolCall.function.arguments; currentBlock.arguments = parseStreamingJson(currentBlock.partialArgs); stream.push({ type: "toolcall_delta", contentIndex: blockIndex(), delta: toolCall.function.arguments, partial: output, }); } } }

parseStreamingJson()是容错解析的关键：当partialArgs还是{"comm这种半截 JSON 时，它不会抛异常，而是返回一个部分对象或空对象，等后续分片补齐后再解析出完整结构。这样上层即使在中途读取arguments也不会崩。

Responses API 的处理更细，参数增量走独立的response.function_call_arguments.delta事件，适配层在response.output_item.added时创建currentBlock，在response.output_item.done时用parseStreamingJson(currentBlock.partialJson)做最终解析并推送toolcall_end。两种 API 的差异被这层完全吸收。

5. 验证请求：一次完整工具调用链路

配置好之后，用一段最小请求验证适配层是否正常工作。下面这个 Node 脚本直接打 TaoToken 的 Completions 端点，模拟 openclaw 适配层的请求构建方式：

const res = await fetch("https://taotoken.net/api/v1/chat/completions", { method: "POST", headers: { "Content-Type": "application/json", "Authorization": `Bearer ${process.env.TAOTOKEN_API_KEY}`, }, body: JSON.stringify({ model: "gpt-4o-mini", stream: true, tool_choice: "auto", tools: [{ type: "function", function: { name: "exec", description: "执行本地命令", parameters: { type: "object", properties: { command: { type: "string" } }, required: ["command"], }, }, }], messages: [{ role: "user", content: "帮我列出当前目录文件" }], }), }); const reader = res.body.getReader(); const decoder = new TextDecoder(); let buffer = ""; while (true) { const { done, value } = await reader.read(); if (done) break; buffer += decoder.decode(value, { stream: true }); const lines = buffer.split("\n"); buffer = lines.pop(); for (const line of lines) { if (!line.startsWith("data: ")) continue; const payload = line.slice(6); if (payload === "[DONE]") continue; const chunk = JSON.parse(payload); const tc = chunk.choices?.[0]?.delta?.tool_calls; if (tc) console.log("tool_call delta:", JSON.stringify(tc)); } }

预期你会看到类似这样的分片输出，arguments被拆成多段：

tool_call delta: [{"index":0,"id":"call_x1","function":{"name":"exec","arguments":""}}] tool_call delta: [{"index":0,"function":{"arguments":"{\"comm"}}] tool_call delta: [{"index":0,"function":{"arguments":"and\":\"ls\"}"}}]

适配层把这些分片拼完后，会推送一个toolcall_end事件，携带完整结构：

{ "type": "toolcall_end", "toolCall": { "type": "toolCall", "id": "call_x1", "name": "exec", "arguments": { "command": "ls" } } }

拿到这个事件后，pi-embedded-subscribe.handlers.tools.ts会触发实际执行，执行结果通过emitToolResultOutput()转成function_call_output（Responses API）或tool消息（Completions API），作为下一轮请求的输入回填给模型。整条链路就闭合了。

6. 本篇常见错排查

报错一：Unexpected end of JSON input

原因通常是parseStreamingJson()没做容错，直接对半截 JSON 调了JSON.parse。检查你的适配层是否在toolcall_delta阶段就尝试解析完整对象。正确做法是增量阶段只累积字符串，toolcall_end时才做最终解析。

报错二：多个工具调用互相覆盖

当模型一轮返回两个tool_calls时，delta.tool_calls数组里会有index: 0和index: 1。如果适配层只维护一个currentBlock，第二个会覆盖第一个。修复方式是按index建 map，或者像 openclaw 那样在检测到新id时先finishCurrentBlock()。

报错三：toolcall_start事件重复推送

Completions API 的第一个 delta 里id和name同时出现，后续 delta 只有arguments。如果你的判断条件是toolCall.id存在就新建块，那第一个 delta 之后每个带id的都会误判。openclaw 的判断是!currentBlock || currentBlock.type !== "toolCall" || toolCall.id，注意toolCall.id只在真正新调用时才有值。

报错四：请求 404 或路径拼接错误

baseURL末尾带了斜杠，SDK 又拼了/v1/chat/completions，结果变成//v1/...。统一写成https://taotoken.net/api，不要带尾斜杠。

报错五：工具结果回填后模型不继续

检查toolResult的格式是否匹配当前 API 模式。Responses API 要转成function_call_output，Completions API 要转成role: "tool"的消息，且必须带tool_call_id。格式不对模型会当成普通文本忽略。

7. 接入与后续：按场景选通道

排障和接入阶段，重点是把 Key 和文档对齐，建议直接看 API Keys 管理页和接入文档，参数对照着改适配层配置：

• API Keys：https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api-keys&utm_campaign=rewrite
• 接入文档：https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite

如果你只是想快速验证某个模型返回的工具调用结构对不对，不用写代码，在模型对话页发一句带工具意图的 prompt 就能看到原始响应：https://taotoken.net/models?utm_source=taotoken_aicg_blog_end&utm_content=models&utm_campaign=rewrite

长期跑编码类 Agent、需要稳定长连接和额度管理的，走 Coding Plan 更合适，省得每次手动换 Key：https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding-plan&utm_campaign=rewrite

最后说个我踩过的坑：适配层的parseStreamingJson()一定要用 try-catch 包住，并且对空字符串返回{}而不是null。因为toolcall_delta阶段上层可能随时读取arguments做 UI 渲染，返回null会让渲染层直接报错。这个细节在源码里体现为stringifyJsonLike(item.arguments, "{}")的默认值处理，抄配置的时候别漏了。