企业官网建设流程全解析

1. 销售场景为什么需要多 Agent 协作

做 ToB 销售的朋友大概率都遇到过这种局面：市场部丢过来一份 800 行的线索表，销售挨个查官网、翻聊天记录、判断意向，一天下来真正能跟进的没几个；好不容易聊上的客户，跟进记录散落在微信、飞书、CRM 三个地方，下次沟通前得花半小时回忆上次聊到哪；到了出方案阶段，又要重新翻需求、拼卖点、套模板，一份方案磨两三天。

单 Agent 的做法通常是给一个大模型塞一堆提示词，让它同时干提取、判断、写话术、出方案。实测下来问题很明显：任务一多上下文就串味，线索提取的字段跑到方案里去了；一个环节报错整条链路挂掉，没法单独重试；更麻烦的是没法给不同环节配不同的模型和参数，线索提取要稳、话术生成要活，一个模型很难两头兼顾。

OpenClaw 的思路是把销售链路拆成线索挖掘、客户跟进、方案生成三条独立链路，每条链路下面再挂专职 Agent，通过编排引擎共享上下文、按优先级调度、失败单独重试。这篇就按工程化落地的角度，把可复制的 Agent 编排配置骨架、settings.json 关键字段、以及从线索到跟进的状态流转验证动作讲清楚，你可以在自己的环境里跑通端到端流程。适合已经了解 OpenClaw 基础概念、想把它真正用到销售业务里的开发者和销售运营同学。

2. TaoToken 前置：给多 Agent 提供稳定的模型出口

多 Agent 协作对模型调用的要求比单 Agent 高得多。三条链路并发跑，线索挖掘 Agent 可能在批量处理 50 条线索，跟进 Agent 同时在整理会议纪要，方案 Agent 在生成文档，如果模型出口不稳定，整条流水线就会卡在某个环节。

我这边用的是 TaoToken 作为统一模型出口，它兼容 OpenAI 风格的接口，OpenClaw 的模型适配器可以直接对接，不用改 Agent 内部逻辑。官网在 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，API 地址是 https://taotoken.net/api ，注意 API 地址不带 UTM 参数，配置的时候别写错。

具体操作上，先去控制台创建 API Key，地址是 https://taotoken.net/console/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api-keys&utm_campaign=rewrite ，创建完把 Key 复制出来，后面填到 settings.json 里。如果你对模型能力还没把握，可以先用模型对话页面 https://taotoken.net/models?utm_source=taotoken_aicg_blog_end&utm_content=models&utm_campaign=rewrite 试几条销售场景的提示词，看看提取和生成效果再决定用哪个模型。

这里要提醒一句：多 Agent 场景下建议给不同链路配不同的模型。线索挖掘和跟进记录整理这类结构化提取任务，用稳定、便宜的模型就够；方案生成和话术包装这类需要语言表达的任务，再上能力更强的模型。TaoToken 的好处是同一个 Key 可以调不同模型，切换成本低。

3. 可复制的 Agent 编排配置骨架

3.1 目录结构

先把工程目录搭起来，后面所有配置都往这个骨架里填：

openclaw-sales/ ├── settings.json # 全局配置，模型、Key、并发 ├── agents/ │ ├── lead_agent.yaml # 线索挖掘 Agent │ ├── follow_agent.yaml # 客户跟进 Agent │ └── proposal_agent.yaml# 方案生成 Agent ├── skills/ │ ├── lead_extract.md # 线索提取提示词 │ ├── follow_track.md # 跟进整理提示词 │ └── proposal_gen.md # 方案生成提示词 ├── data/ │ ├── leads.csv # 原始线索 │ └── records/ # 沟通记录 └── output/ ├── leads_tracked.csv # 线索跟进表 └── follow_list.csv # 客户跟进清单

3.2 settings.json 关键字段

这是整篇最核心的配置，多 Agent 能不能协同起来全看这里：

{ "llm": { "provider": "openai-compatible", "base_url": "https://taotoken.net/api", "api_key": "sk-你的TaoToken密钥", "default_model": "gpt-4o-mini", "timeout": 60, "max_retries": 3 }, "orchestrator": { "max_concurrency": 4, "task_queue": "priority", "context_sharing": true, "fail_fast": false }, "agents": { "lead_agent": { "model": "gpt-4o-mini", "temperature": 0.3, "max_tokens": 2048 }, "follow_agent": { "model": "gpt-4o-mini", "temperature": 0.4, "max_tokens": 3072 }, "proposal_agent": { "model": "gpt-4o", "temperature": 0.6, "max_tokens": 4096 } }, "state": { "store": "sqlite", "path": "./data/state.db", "checkpoint_interval": 10 } }

几个字段值得单独说。context_sharing打开后，线索 Agent 提取的客户信息会自动进入共享上下文，跟进 Agent 不用重新读一遍原始文件。fail_fast设成 false，意思是某条线索处理失败不影响其他线索，失败任务进重试队列。task_queue用 priority，高意向线索会被优先调度。checkpoint_interval是每处理 10 条落一次盘，中途挂了不用从头再来。

3.3 线索挖掘 Agent 配置

name: lead_agent description: 从原始线索中提取客户信息并判断意向 skill: skills/lead_extract.md input: - data/leads.csv output: - output/leads_tracked.csv fields: - customer_name - industry - contact - title - demand - intent_level - priority - next_action

对应的skills/lead_extract.md提示词骨架：

你是销售线索分析助手。基于输入的线索数据，逐条完成： 1. 提取客户名称、行业、联系人、职位、需求线索 2. 判断意向等级（高/中/低），并给出一句判断依据 3. 按意向等级分配优先级 P0/P1/P2 4. 为每条线索生成一句首次触达话术 输出严格按 CSV 表头：customer_name,industry,contact,title,demand,intent_level,intent_reason,priority,first_touch 不要输出解释性文字，只输出 CSV 行。

3.4 客户跟进 Agent 配置

name: follow_agent description: 整理沟通记录并判断销售阶段 skill: skills/follow_track.md input: - data/records/ - output/leads_tracked.csv output: - output/follow_list.csv fields: - customer_name - stage - stage_reason - concerns - objections - next_step - next_date

跟进 Agent 的关键是状态流转。销售阶段建议固定成五个枚举值：初步接触、需求分析、方案评估、商务谈判、成交。Agent 只能在这五个值里选，避免模型自由发挥导致下游统计口径混乱。

3.5 方案生成 Agent 配置

name: proposal_agent description: 基于客户需求生成方案框架与汇报话术 skill: skills/proposal_gen.md input: - output/follow_list.csv - data/product.md output: - output/proposal_{customer_name}.md fields: - core_demand - solution_framework - value_match - talk_track

4. 验证请求与状态流转

配置写完不能直接上生产，得先验证链路通不通。分三步走。

4.1 验证模型出口

先确认 TaoToken 的 Key 能正常调用：

curl https://taotoken.net/api/v1/chat/completions \ -H "Authorization: Bearer sk-你的密钥" \ -H "Content-Type: application/json" \ -d '{ "model": "gpt-4o-mini", "messages": [{"role": "user", "content": "回复 OK"}] }'

返回里能看到choices字段就说明出口正常。如果报 401，检查 Key 有没有复制全；报 404，检查 base_url 是不是写成了带路径的形式。

4.2 验证单 Agent 执行

拿 5 条测试线索跑线索挖掘 Agent：

claw run lead_agent --input data/leads.csv --limit 5

跑完看output/leads_tracked.csv，重点检查三件事：字段有没有缺列、意向等级是不是只出现高/中/低、优先级是不是只出现 P0/P1/P2。如果模型输出了「较高」「P0-P1」这种模糊值，说明提示词里的枚举约束不够硬，回去把可选值用引号包起来再强调一遍。

4.3 验证状态流转

这是多 Agent 协作最容易出问题的地方。线索 Agent 输出的customer_name必须和跟进 Agent 读取的键完全一致，否则共享上下文对不上。验证方法：

claw run follow_agent --input output/leads_tracked.csv --dry-run

--dry-run只做匹配不调模型，输出里会列出每条线索匹配到的沟通记录。如果出现unmatched的客户名，八成是线索表里写了「智慧制造有限公司」而沟通记录里写的是「智慧制造」，需要加一层名称归一化，或者在 settings.json 里打开context_sharing的 fuzzy_match 选项。

状态流转验证通过的标准是：线索表里的每条 P0 客户，都能在跟进清单里找到对应的阶段记录，且阶段值在五个枚举值之内。

5. 本篇常见错排查

报错一：context key not found: customer_name

线索 Agent 和跟进 Agent 的字段名不一致。检查两个 yaml 里的fields列表，客户名统一用customer_name，别一个写name一个写customer。

报错二：rate limit exceeded

并发设太高了。settings.json 里max_concurrency从 4 降到 2，或者给 orchestrator 加retry_backoff: 2，失败后指数退避重试。

报错三：方案生成 Agent 输出里混进了线索提取的字段

context_sharing打开后所有 Agent 共享上下文，方案 Agent 可能读到不该读的字段。解决办法是在 proposal_agent.yaml 里显式声明context_filter，只允许读取core_demand和product两类键。

报错四：CSV 输出中文乱码

OpenClaw 默认按 UTF-8 写文件，但 Excel 打开会乱码。在 settings.json 的 output 段加"encoding": "utf-8-sig"，或者用iconv转一下。

报错五：跟进阶段判断来回跳

同一个客户两次运行给出了不同阶段。这是 temperature 太高导致的，跟进 Agent 的 temperature 压到 0.2 以下，并在提示词里要求「阶段只能前进不能后退，除非有明确证据」。

6. 把链路跑成日常

三条链路单独跑通只是第一步，真正省时间的是把它们串成一条命令。在项目根目录建一个run_all.sh：

#!/bin/bash set -e claw run lead_agent --input data/leads.csv claw run follow_agent --input output/leads_tracked.csv claw run proposal_agent --input output/follow_list.csv --top 5 echo "链路完成，输出在 output/ 目录"

--top 5表示只给优先级最高的 5 个客户生成方案，避免一次性生成几十份没人看。每天早上跑一次，销售上班直接看output/follow_list.csv就知道今天该跟谁、聊什么、带什么方案。

如果团队里有人长期跑编码类任务或者要接 Agent 做自动化，可以看下 Coding Plan https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding-plan&utm_campaign=rewrite ，按量计费比单次调用划算。接入文档在 https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite ，里面有多 Agent 并发调用的示例，配置字段和这篇的 settings.json 能对上。

最后说个踩过的坑：别一上来就把全量线索丢进去跑。先用 20 条跑一周，把提示词里的枚举值、字段名、阶段定义磨稳定了，再放量。多 Agent 协作的稳定性不取决于模型多强，取决于字段约定有多死。