企业官网建设流程全解析

1. 从“养虾”到数据分析：开源AI项目到底能帮你做什么

如果你最近刷到过“养虾”这个词，别误会，它说的不是水产养殖，而是开源AI智能体框架 OpenClaw 的社区昵称。这个项目的核心思路很直接：让大模型不再只是聊天框里回答问题，而是能真正接管你的电脑、调用本地工具、按步骤把一件事从头做完。与此同时，另一条线是 DeepAnalyze 这类数据分析 Agent，你上传一份 CSV，用自然语言说“帮我看看近三个月哪类订单在下滑”，它就能自动清洗、建模、出图、写报告。这两类项目放在一起看，恰好代表了开源AI从趣味实验走向真实生产力的完整路径。

这篇文章面向的是想在自己机器上跑通这些项目的人。你可能已经看过不少介绍，但真正动手时卡在 Docker 端口映射、模型 API 接不上、容器起来了却报 401 这些地方。我会以 OpenClaw 和 DeepAnalyze 为例，把 Docker 部署和 AI Agent 编排的链路拆开讲清楚，给你可以直接复制的 Docker Compose 配置，以及一次完整的数据分析任务验证过程。读完之后，你应该能在本地或自己的服务器上跑通一个能干活的开源 AI Agent，而不是只停留在“部署成功但不知道下一步干嘛”。

先说清楚这两个项目各自的定位。OpenClaw 是本地优先、自托管的 AI Agent 平台，它负责的是“调度”——连接大模型、调用本地工具、执行多步骤工作流，数据不出你的机器。DeepAnalyze 则是清华和人大联合研发的端到端数据分析 Agent，它专注的是“分析”——从数据清洗到特征工程、建模、可视化、报告生成，全程不需要你写一行代码。一个管执行，一个管分析，两者组合起来就是一条从任务编排到数据洞察的完整链路。

我试过把这套链路跑在一台 4 核 8G 的云服务器上，整体资源占用可控，但有几个坑必须提前说：Docker 的端口映射别写错，模型 API 的 Base URL 和 Key 要配对，容器内的路径挂载要提前建好目录，否则启动就报错。下面按步骤来。

2. TaoToken 前置准备：给 Agent 接上稳定的大模型 API

OpenClaw 和 DeepAnalyze 本身不包含大模型，它们需要外接一个模型服务来驱动推理。你可以选择本地跑 Ollama，也可以接云端 API。本地跑的好处是数据完全不出域，缺点是 7B 级别的模型在复杂分析任务上表现有限；云端 API 的好处是模型能力强、响应快，适合数据分析这种需要多步推理的场景。这里我以 TaoToken 的 API 接入为例，因为它兼容 OpenAI 接口格式，配置起来最省事。

你需要准备三样东西：Base URL、API Key、Model ID。Base URL 填https://taotoken.net/api，注意末尾不要多加斜杠。API Key 在控制台的 API Keys 页面生成，生成后立刻复制保存，页面刷新后就看不到了。Model ID 根据你的任务选，数据分析类任务建议用推理能力强的模型，日常编排用轻量模型即可。

拿到这三样之后，先别急着配到 OpenClaw 里，用一条 curl 命令验证 API 是否通。这一步很关键，因为后面容器里报的错，八成都是这里没通导致的。

curl -X POST https://taotoken.net/api/v1/chat/completions \ -H "Content-Type: application/json" \ -H "Authorization: Bearer sk-你的Key" \ -d '{ "model": "你的ModelID", "messages": [{"role": "user", "content": "回复ok"}], "max_tokens": 10 }'

如果返回的 JSON 里有choices字段，说明 API 通了。如果返回 401，检查 Key 有没有复制完整、有没有多余空格。如果返回local proxy failed或连接超时，检查你的网络环境是否能正常访问该域名，以及 Base URL 有没有写错。这一步过了，再往下走。

注意：API Key 不要硬编码在会提交到 Git 的配置文件里。建议用环境变量或.env文件管理，.env记得加进.gitignore。

对于需要长期跑 Agent 任务的场景，比如让 OpenClaw 定时整理文件、生成周报，或者让 DeepAnalyze 批量处理数据集，建议用 Coding Plan 这类按周期计费的方式，比按 token 计费更划算，也不会因为单次任务 token 超限被中断。如果你只是想先验证模型对话效果，可以直接在模型对话页面测试，不用写代码。

3. 可复制配置：Docker Compose 跑通 OpenClaw + DeepAnalyze

这一节给你完整的 Docker Compose 配置，包含 OpenClaw 和 DeepAnalyze 两个服务，以及它们共用的模型 API 环境变量。先建目录结构：

mkdir -p /data/openclaw/{data,logs,skills} mkdir -p /data/deepanalyze/{data,uploads,logs}

然后创建docker-compose.yml：

version: "3.8" services: openclaw: image: openclaw/openclaw:latest container_name: openclaw restart: always ports: - "8080:8080" environment: - OPENAI_API_BASE=https://taotoken.net/api - OPENAI_API_KEY=sk-你的Key - OPENAI_MODEL=你的ModelID - OPENCLAW_DATA_DIR=/app/data - OPENCLAW_LOG_LEVEL=info volumes: - /data/openclaw/data:/app/data - /data/openclaw/logs:/app/logs - /data/openclaw/skills:/app/skills networks: - ai-net deepanalyze: image: deepanalyze:latest container_name: deepanalyze restart: always privileged: true ports: - "7860:7860" environment: - LLM_API_BASE=https://taotoken.net/api - LLM_API_KEY=sk-你的Key - LLM_MODEL=你的ModelID - DATA_DIR=/app/data - UPLOAD_DIR=/app/uploads volumes: - /data/deepanalyze/data:/app/data - /data/deepanalyze/uploads:/app/uploads - /data/deepanalyze/logs:/app/logs networks: - ai-net networks: ai-net: driver: bridge

几个关键点解释一下。OpenClaw 的端口是 8080，DeepAnalyze 是 7860，两个不冲突。OPENAI_API_BASE和LLM_API_BASE都指向https://taotoken.net/api，注意这里不要加/v1，因为不同项目的拼接逻辑不一样，加了反而容易 404。privileged: true是 DeepAnalyze 需要的，因为它要调用一些系统资源做数据处理，OpenClaw 如果不需要接管系统工具可以不加。

如果你用的是 Claude Code 这类需要 Anthropic 接口格式的工具，Base URL 和 Key 的填法类似，但 Model ID 要换成对应的模型标识。Cline 或 CC Switch 里配置 MCP 时，也是同样的三件套：Base URL、Key、Model ID，缺一不可。Codex 的auth.json里则是把 Key 和 Base URL 写进对应字段，格式略有不同，但逻辑一致。

启动服务：

docker compose up -d docker compose ps

看到两个容器都是Up状态就对了。如果 OpenClaw 起不来，先看日志：

docker compose logs -f openclaw

常见的是环境变量没读到，或者挂载目录权限不对。DeepAnalyze 如果反复重启，多半是privileged没加或者端口被占用。

4. 验证请求：跑通一次完整的数据分析任务

容器起来之后，先验证 OpenClaw 的 Agent 编排能力。访问http://你的服务器IP:8080，进入 OpenClaw 的 Web 界面。第一次进去会让你配置模型，如果环境变量已经填了，这里应该能直接看到模型列表。新建一个任务，输入“列出当前目录下的文件，并统计文件数量”，看它能不能调用本地工具完成。这一步验证的是 Agent 的工具调用链路是否通。

然后验证 DeepAnalyze。访问http://你的服务器IP:7860，上传一份 CSV 文件。我用一份模拟的销售数据做测试，字段包括日期、地区、产品类别、销售额、订单量。上传后在对话框输入：“分析近三个月各地区的销售额趋势，找出下滑最明显的地区，并生成可视化图表。”

DeepAnalyze 的执行过程会分几步：先读取 CSV 并做数据清洗，处理缺失值和异常值；然后按地区和月份做聚合；接着做趋势分析，识别下滑地区；最后生成图表和文字报告。整个过程你可以在界面上看到进度。如果卡在某一步，通常是模型 API 响应超时，检查 Key 的额度是否充足，或者换一个响应更快的 Model ID。

验证成功的标志是：页面上出现一张折线图，横轴是月份，纵轴是销售额，不同地区用不同颜色区分，下方有一段文字说明哪个地区下滑最明显、可能的原因是什么。到这一步，说明从 Docker 部署到 AI Agent 编排再到数据分析的完整链路已经跑通了。

如果你想用 API 方式调用 DeepAnalyze 的分析能力，而不是通过 Web 界面，可以走它的接口：

curl -X POST http://你的服务器IP:7860/api/analyze \ -H "Content-Type: application/json" \ -d '{ "file_path": "/app/uploads/sales.csv", "query": "分析近三个月各地区销售额趋势" }'

返回的 JSON 里会包含分析结果和图表链接。这样你就可以把 DeepAnalyze 集成到自己的自动化流程里，比如定时跑数据、自动发报告。

5. 本篇常见错排查：401、local proxy failed、reading choices

这一节把部署和验证过程中最容易遇到的几个报错集中说一下，都是真实踩过的坑。

401 Unauthorized：这个最常见，九成是 API Key 的问题。检查三个地方：Key 有没有复制完整（有时候复制会漏掉最后几位）、Key 前面有没有多余空格、Key 有没有过期。如果 Key 是在环境变量里配的，进容器里echo $OPENAI_API_KEY看一下实际读到的值对不对。还有一种情况是 Base URL 写成了https://taotoken.net/api/v1，而项目本身会再拼一次/v1，导致路径变成/api/v1/v1/chat/completions，这时候返回的也可能是 401 或 404。统一用https://taotoken.net/api就好。

local proxy failed：这个报错通常出现在容器内访问外部 API 时。先确认容器能不能解析域名：docker exec -it openclaw ping taotoken.net。如果解析不了，检查 Docker 的 DNS 配置。如果解析正常但连接失败，检查服务器本身的出网策略。另外，如果你在环境变量里配了HTTP_PROXY或HTTPS_PROXY，容器会走这个代理，代理不通就会报这个错。把代理环境变量去掉再试。

reading choices 报错：这个通常出现在 API 返回的 JSON 结构不符合预期时。比如你用的 Model ID 不支持 chat completions 格式，或者返回的是流式数据但代码按非流式解析。先确认 Model ID 是否正确，然后用第 2 节里的 curl 命令直接测一下，看返回的 JSON 里有没有choices数组。如果没有，说明模型或接口选错了。

OAuth 相关报错：如果你用的是 Claude Code 或类似工具，可能会遇到 OAuth token 过期的问题。这类工具通常需要重新走一次授权流程，或者换成 API Key 方式接入。在 CC Switch 里配置时，确认 Base URL 和 Key 填在了正确的字段，Model ID 也要对应上。

容器启动后端口访问不了：先docker compose ps看容器状态，如果是Exit状态，看日志。如果是Up但访问不了，检查防火墙有没有放行 8080 和 7860 端口，云服务器还要检查安全组规则。另外，如果你改了docker-compose.yml里的端口映射，记得docker compose down再up -d，直接restart不会重新读端口配置。

DeepAnalyze 分析到一半卡住：多半是模型响应超时。数据分析任务通常需要多轮推理，token 消耗比较大。如果用的是按量计费的 Key，检查额度是否充足。另外可以把max_tokens调大一些，避免模型输出被截断。如果还是卡，换一个推理能力更强的 Model ID 试试。

6. 把 Agent 用起来：从验证到日常任务的落地建议

跑通验证只是第一步，真正有价值的是把它变成日常能用的工具。OpenClaw 适合做那些重复性的、多步骤的电脑操作，比如每天定时整理下载文件夹、把散落的文件按类型归档、生成简单的日报。你可以在它的技能目录里放自定义脚本，让它按计划调用。DeepAnalyze 则适合处理周期性的数据分析任务，比如每周跑一次销售数据、每月生成一份运营报告。把这两者结合，你可以搭一个“数据自动拉取 → Agent 清洗分析 → 生成报告 → 自动发送”的流水线。

一个实用的技巧是：先用 OpenClaw 做任务编排，让它去调用 DeepAnalyze 的 API，而不是手动操作两个界面。这样你只需要在一个地方定义任务流程，剩下的交给 Agent 自动执行。比如你可以在 OpenClaw 里配一个定时任务，每周一早上 9 点触发，先调用数据接口拉取最新 CSV，再调用 DeepAnalyze 的分析接口，最后把报告发到指定邮箱。

资源方面，如果任务不密集，一台 4 核 8G 的机器足够跑这两个服务。如果 DeepAnalyze 要处理的数据量很大，建议把内存加到 16G，并且给/data/deepanalyze/uploads挂一块单独的盘，避免日志和上传文件把系统盘写满。OpenClaw 的资源占用相对小，但如果它要接管大量本地工具调用，CPU 会吃紧，可以限制一下并发任务数。

最后提醒一点：API Key 的额度管理要上心。Agent 任务和手动对话不一样，它可能会在你不注意的时候跑很多轮推理。建议在控制台设置额度告警，或者用 Coding Plan 这类有周期限额的方案，避免意外超支。模型对话页面可以用来快速测试新模型的效果，确认没问题再配到 Agent 里用。接入文档里有各语言和工具的详细配置示例，遇到不确定的字段先去查一下，比盲目试错快得多。