企业官网建设流程全解析

1. AutoClaw 澳龙本地部署：macOS 与 Windows 双端 Agent 一键安装实战

AutoClaw（中文名“澳龙”）是智谱推出的本地版 OpenClaw 一键安装工具，定位是让普通开发者在自己的电脑上快速跑起一个可用的 Agent 运行环境。它预置了 50 多个热门 Skills，覆盖文件操作、浏览器自动化、即时通讯接入等场景，并且同时支持 macOS 和 Windows 两个平台。如果你之前折腾过 OpenClaw 的源码编译、依赖冲突、Node 版本对不上这些问题，AutoClaw 的价值就很直接：把环境准备、依赖安装、初始配置这几步压缩成一条命令，一分钟左右就能看到 Agent 服务在本地起来。

这篇文章面向的是想在自己机器上跑本地 Agent 的开发者，尤其是用 macOS 或者 Windows 做日常开发、又不想在环境配置上耗太多时间的人。我会把安装命令、环境变量、配置文件片段都写成可以直接复制粘贴的形式，然后演示启动之后怎么做连通性检查，最后把几个高频报错（401、local proxy failed、reading choices、OAuth 相关）逐个拆开讲清楚排查思路。

需要先说明一点：AutoClaw 负责的是本地 Agent 运行时的安装和托管，它本身不是一个模型。Agent 要真正干活，背后得有一个能调用大模型 API 的通道。所以安装完成之后，你还需要配置模型接入信息，这部分我会在第三节给出完整的配置片段。整个流程走下来，你会得到一个本地可用的 Agent 服务，能通过命令行或者 HTTP 接口触发任务。

我试过在 macOS 和 Windows 上各跑一遍，两边的体验基本一致，差异主要在安装脚本的调用方式和个别路径写法上。下面按平台分开写，你对照自己的系统操作就行。

2. 安装前的准备：TaoToken 接入与 OpenClaw Agent 环境依赖

在正式装 AutoClaw 之前，先把模型接入这一层准备好，否则装完 Agent 起来之后调用模型会直接报 401。AutoClaw 的 Agent 运行时需要三个核心信息：Base URL、API Key、Model ID。这三个信息来自你使用的模型服务通道。

我这边用的是 TaoToken 作为模型接入层，它的 API 地址是https://taotoken.net/api，兼容 OpenAI 风格的接口格式，AutoClaw 和 OpenClaw 都能直接对接。你需要先去控制台创建一个 API Key，然后确认你要用的模型 ID。对于 Agent 场景，建议选支持长上下文和工具调用的模型，因为 OpenClaw 的 Skills 机制会频繁发起多轮请求。

获取 Key 的入口在控制台的 API Keys 页面，创建之后复制出来，注意它只显示一次。模型 ID 可以在模型对话页面确认当前可用的模型列表。如果你打算长期跑编码类 Agent 任务，可以关注一下 Coding Plan，它在高频调用场景下更划算。

环境依赖方面，AutoClaw 的安装脚本会自动处理大部分依赖，但有两个前提你需要手动确认：

第一，Node.js 版本。OpenClaw 运行时要求 Node 18 以上，推荐 20 LTS。你可以在终端执行node -v检查。如果版本太低，macOS 上用brew install node@20，Windows 上用官方安装包或者winget install OpenJS.NodeJS.LTS。

第二，网络出口。Agent 调用模型 API 需要能正常访问你配置的 Base URL。如果你在公司内网，确认一下出口策略是否放行了对应域名。

把这两件事确认完，就可以进入安装环节了。下面第三节给出双平台的具体命令和配置文件。

3. 双端一键安装与配置文件：AutoClaw settings.json 完整片段

macOS 上的安装，官方提供了一键脚本。打开终端，执行：

curl -fsSL https://taotoken.net/api/autoclaw/install.sh | bash

脚本执行过程中会做几件事：检测 Node 版本、下载 AutoClaw 运行时、创建默认配置目录~/.autoclaw/、写入初始的settings.json。整个过程大概 30 到 60 秒，取决于网络速度。

Windows 上推荐用 PowerShell，以管理员身份运行：

irm https://taotoken.net/api/autoclaw/install.ps1 | iex

如果你更习惯用包管理器，Windows 上也可以走 winget：

winget install AutoClaw.AutoClaw

安装完成后，核心配置文件在~/.autoclaw/settings.json（Windows 是%USERPROFILE%\.autoclaw\settings.json）。这个文件决定了 Agent 用哪个模型、走哪个通道。下面是一份可以直接用的配置片段，把your-api-key-here换成你在控制台创建的 Key：

{ "agent": { "name": "local-openclaw", "runtime": "openclaw", "skills_dir": "~/.autoclaw/skills", "max_concurrent_tasks": 3 }, "model": { "provider": "openai-compatible", "base_url": "https://taotoken.net/api", "api_key": "your-api-key-here", "model_id": "your-model-id", "timeout_ms": 60000, "max_retries": 2 }, "server": { "host": "127.0.0.1", "port": 8765, "auth_token": "" }, "logging": { "level": "info", "file": "~/.autoclaw/logs/agent.log" } }

几个参数说明一下。base_url填https://taotoken.net/api，注意结尾不要多加斜杠，否则部分 HTTP 客户端会拼出双斜杠导致 404。model_id填你在模型对话页面确认的可用模型 ID。timeout_ms对于 Agent 任务建议不低于 60000，因为多步骤任务单轮响应可能比较慢。server.port默认 8765，如果被占用可以改。

如果你用的是 Claude Code 或者 Cline 这类工具，配置逻辑是一样的，都是 Base URL + API Key + Model ID 三件套。AutoClaw 的 settings.json 只是把这几个字段结构化了一下。

配置写完之后，还需要设置一个环境变量，让 AutoClaw 能找到配置文件：

export AUTOCLAW_HOME=~/.autoclaw

Windows 上：

$env:AUTOCLAW_HOME="$env:USERPROFILE\.autoclaw"

到这里安装和配置就完成了。下一节验证服务是否真的起来了。

4. 启动与连通性验证：OpenClaw Agent 本地服务检查步骤

配置写好后，启动 AutoClaw 服务。macOS 和 Windows 命令一致：

autoclaw start

正常的话你会看到类似这样的输出：

[INFO] AutoClaw runtime starting... [INFO] Loading skills from ~/.autoclaw/skills [INFO] Loaded 52 skills [INFO] Model provider: openai-compatible [INFO] Server listening on 127.0.0.1:8765 [INFO] Agent ready.

看到Agent ready就说明运行时起来了。接下来做两步验证。

第一步，检查 HTTP 服务是否响应：

curl -s http://127.0.0.1:8765/health

预期返回：

{"status":"ok","agent":"local-openclaw","skills_loaded":52}

第二步，发一个真实的模型请求，确认模型通道是通的：

curl -s -X POST http://127.0.0.1:8765/v1/chat \ -H "Content-Type: application/json" \ -d '{ "messages": [ {"role": "user", "content": "用一句话说明你当前运行在本地环境"} ] }'

如果返回里包含choices字段和模型生成的文本，说明整条链路——本地 Agent 运行时、模型接入通道、API Key 鉴权——全部正常。这一步很关键，因为/health只检查了本地服务，不检查模型通道。很多人装完看到 health 是 ok 就以为完事了，结果真正跑任务时报 401，就是漏了这一步。

再进一步，你可以测试一个带 Skill 的任务，比如让 Agent 列一下当前目录的文件：

curl -s -X POST http://127.0.0.1:8765/v1/tasks \ -H "Content-Type: application/json" \ -d '{ "skill": "file.list", "params": {"path": "."} }'

返回里应该能看到当前工作目录的文件列表。这一步验证的是 Skills 机制是否正常加载和执行。

如果以上三步都通过，你的本地 OpenClaw Agent 就已经可用了。接下来可以接入飞书或者其他即时通讯工具，或者直接在命令行里通过autoclaw run "你的任务描述"触发任务。

5. 常见报错排查：401、local proxy failed、reading choices 与 OAuth 问题

这一节把几个高频报错逐个拆开。这些错误我在不同机器上都遇到过，排查思路是通用的。

401 Unauthorized。这个最直接，就是 API Key 不对或者没生效。先确认settings.json里的api_key字段填的是完整的 Key，没有多余空格。然后确认这个 Key 在控制台里是启用状态。如果 Key 没问题，检查base_url是否写成了https://taotoken.net/api/（结尾多了斜杠），有些 HTTP 客户端会把路径拼成//v1/chat，服务端可能返回 401 而不是 404。改法就是把结尾斜杠去掉。

local proxy failed。这个报错通常出现在 Agent 尝试通过本地代理转发请求时。AutoClaw 默认不走系统代理，但如果你机器上设置了HTTP_PROXY或HTTPS_PROXY环境变量，运行时可能会读取到。排查方法：

echo $HTTP_PROXY echo $HTTPS_PROXY

如果有值，临时清掉再启动：

unset HTTP_PROXY HTTPS_PROXY autoclaw restart

Windows 上用Remove-Item Env:HTTP_PROXY。这个问题的本质是本地代理配置和 Agent 的网络请求路径冲突，清掉环境变量就能恢复。

reading choices 相关报错。典型信息是error reading choices: unexpected end of JSON input或者cannot read property 'choices' of undefined。这说明请求发出去了，但返回的内容不是预期的 JSON 格式。常见原因有三个：一是模型 ID 写错了，服务端返回了一个错误页而不是 JSON；二是 Base URL 路径不对，请求打到了错误的端点；三是响应被中间层截断了。排查顺序是先确认model_id在模型对话页面里是可用状态，然后用 curl 直接打一次 API 看原始返回：

curl -s -X POST https://taotoken.net/api/v1/chat/completions \ -H "Authorization: Bearer your-api-key-here" \ -H "Content-Type: application/json" \ -d '{"model":"your-model-id","messages":[{"role":"user","content":"hi"}]}'

如果这个 curl 返回正常 JSON，说明通道没问题，问题在 AutoClaw 的配置解析上；如果 curl 也报错，那就是 Key 或模型 ID 的问题。

OAuth 相关报错。如果你在配置过程中看到 OAuth token 过期或者授权失败的提示，通常是因为某些工具（比如 Claude Code 的某些版本）默认走 OAuth 流程，而 AutoClaw 走的是 API Key 鉴权。这两条路径不要混用。解决办法是确认你的配置里用的是api_key字段而不是 OAuth 相关的 token 字段。如果你之前用 Claude Code 登录过，它的凭据可能缓存在~/.claude/下，AutoClaw 不会读取那个目录，所以不会冲突，但你要确保settings.json里的鉴权方式是 API Key。

Codex auth.json 相关。如果你同时装了 Codex 并且它写了一个auth.json，注意不要让两个工具的配置互相覆盖。AutoClaw 的配置独立在~/.autoclaw/settings.json，Codex 的在它自己的目录下，正常情况下不冲突。但如果你手动把 Base URL 配到了同一个文件里，就可能出现鉴权信息串台。排查方法是分别检查两个配置文件里的base_url和api_key是否各自独立。

把上面这几类报错对应的检查点过一遍，基本上 90% 的启动问题都能定位到。剩下的如果还搞不定，可以去接入文档页面看最新的配置说明，或者直接在模型对话里描述你的报错信息，让模型帮你分析日志。

6. 从本地 Agent 到长期运行：AutoClaw 接入 Coding Plan 与文档入口

本地 Agent 跑起来之后，下一步通常是让它承担一些重复性的开发任务，比如代码审查、文件整理、定时抓取。这类任务的特点是调用频率高、单次请求可能不长，但一天下来累计的 token 消耗不小。如果你打算长期这么用，可以了解一下 Coding Plan，它在高频编码场景下的成本结构比按量计费更可控。

接入方式不复杂，在控制台里开通之后，把settings.json里的base_url和api_key换成 Coding Plan 对应的信息就行，model_id保持不变。改完autoclaw restart一次即可生效。

如果你在配置过程中遇到本文没覆盖的报错，或者想确认某个模型 ID 当前是否可用，可以直接去模型对话页面发一条测试消息，确认通道正常之后再回来改配置。接入相关的完整参数说明在接入文档里，API Key 的创建和管理在 API Keys 页面。

最后给一个实用建议：把~/.autoclaw/logs/agent.log加到你的日常检查清单里。Agent 跑长任务的时候，日志里会记录每一步的 Skill 调用和模型请求，出问题的时候这是最快的定位入口。日志级别默认是 info，如果排查细节可以临时改成 debug，但记得排查完改回来，不然日志文件会涨得很快。