企业官网建设流程全解析

1. 标书自动化为什么总卡在“Key 到处改”这一步

先说结论：OpenClaw 这类自动化框架本身能跑通“爬虫抓招标信息 → RPA 填充模板 → 模型生成正文”三段链路，真正让人崩溃的往往不是流程设计，而是每个环节都要单独配一次模型 Key。爬虫里写一个、RPA 脚本里写一个、正文生成再写一个，改一次密钥要翻五六个文件，这才是重复劳动的大头。

标书生成这个场景对自动化的要求其实挺特殊。它不像普通的批量文案，招标信息抓回来之后，需要模型做三件事：一是从一堆公告里判断哪些项目匹配自家业务，二是把招标文件里的资质要求、评分办法、技术参数抽成结构化字段，三是基于模板生成技术方案和服务承诺这类正文。这三件事分别发生在爬虫后处理、RPA 前置判断、正文生成三个阶段，如果每个阶段调的是不同厂商的模型接口，密钥管理就会变成一场灾难。

我试过把三段链路拆开单独跑，结果最耗时的不是写爬虫规则，而是每次换模型都要重新对一遍 Base URL 和 Key。后来把三段链路的模型调用统一收敛到一个入口，配置量直接降下来了。这篇就按“爬虫抓取 → RPA 填充 → 模型生成正文”的顺序，把 OpenClaw 的接入配置和端到端验证动作写清楚，目标是一次配置、多工具复用。

适合谁看：正在用 OpenClaw 或类似自动化框架做标书、投标文件批量生成的开发者；手里有爬虫和 RPA 脚本、但模型调用散落各处想统一管理的同学；以及想用一套 Key 同时喂给爬虫后处理、RPA 判断和正文生成三个环节的实践者。

核心检索词先明确：OpenClaw 标书自动生成、TaoToken 统一 Key、RPA 填充模板、爬虫抓取招标信息、模型生成正文。下面从环境准备开始，一步步把链路搭起来。

2. TaoToken 统一 Key 前置准备与 OpenClaw 环境接入

2.1 为什么要在 OpenClaw 里做统一 Key

OpenClaw 的 Skill 机制允许你把爬虫、文件处理、RPA 联动拆成独立模块，每个模块内部都可能发起模型请求。如果每个 Skill 各自维护一份 API Key，会出现三个问题：密钥轮换时要逐个改、不同 Skill 可能指向不同模型导致输出风格不一致、排查报错时分不清是哪个环节的 Key 失效。

TaoToken 的做法是提供一个统一的 API 入口，OpenClaw 里所有需要调模型的地方都指向同一个 Base URL 和同一个 Key，模型 ID 按需切换。这样爬虫后处理用便宜快速的模型做初筛，正文生成用能力更强的模型做长文，但底层凭证只有一份。

官网入口在这里：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，配置时直接填这个。

2.2 拿到 Key 之后先确认三件事

在控制台创建好 API Key 之后，别急着往 OpenClaw 里塞，先确认三件事。第一，Key 的权限范围是否覆盖你要用的模型，有些 Key 只开了部分模型权限，正文生成时切到另一个模型会报 403。第二，确认计费方式，标书生成这种场景单次请求的 token 量不小，尤其是把整份招标文件塞进去做抽取的时候，提前看清楚是按量还是套餐。第三，把 Key 存到环境变量里，不要硬编码进 Skill 代码。

控制台地址：https://taotoken.net/console?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，API Keys 管理页：https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= 。

2.3 OpenClaw 侧的环境变量约定

OpenClaw 的 Skill 运行在 Node 环境里，推荐用.env文件管理凭证，然后在 Skill 里通过process.env读取。这样爬虫 Skill、RPA 联动 Skill、正文生成 Skill 读的是同一份配置，改 Key 只改一处。

# .env 放在 OpenClaw 项目根目录 TAOTOKEN_API_KEY=sk-你的实际Key TAOTOKEN_BASE_URL=https://taotoken.net/api TAOTOKEN_MODEL_FAST=你的快速模型ID TAOTOKEN_MODEL_STRONG=你的强能力模型ID

这里把模型 ID 也抽成变量，是因为标书链路里不同阶段对模型的要求不一样。爬虫抓回来的公告做初筛，用快速模型就够；正文生成要写技术方案，需要强能力模型。两个变量指向同一个 Base URL 和 Key，切换只改模型 ID。

2.4 安装 OpenClaw 所需 Skill

按 excerpt 里的思路，标书链路需要爬虫、文件处理、PDF 生成、RPA 联动四类 Skill。安装命令如下：

pnpm add @openclaw/skill-crawler pnpm add @openclaw/skill-file pnpm add @openclaw/skill-pdf pnpm add @openclaw/skill-rpa

装完之后先别写业务逻辑，用一条最小请求验证 Key 能不能通。这一步很关键，很多人直接上完整流程，报错了分不清是 Key 问题还是 Skill 问题。

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

返回里能看到choices字段就说明 Key 和 Base URL 没问题。如果这里就报 401，先别往下走，去 API Keys 页面确认 Key 是否复制完整、有没有多余空格。

2.5 把统一配置注入 OpenClaw Skill

OpenClaw 的 Skill 里读取环境变量，封装一个统一的模型调用函数，后续爬虫后处理、RPA 判断、正文生成都调这个函数。

// skills/llm-client.js const BASE_URL = process.env.TAOTOKEN_BASE_URL; const API_KEY = process.env.TAOTOKEN_API_KEY; export async function callModel({ model, messages, temperature = 0.3 }) { const resp = await fetch(`${BASE_URL}/v1/chat/completions`, { method: "POST", headers: { "Authorization": `Bearer ${API_KEY}`, "Content-Type": "application/json" }, body: JSON.stringify({ model, messages, temperature }) }); if (!resp.ok) { const err = await resp.text(); throw new Error(`模型调用失败 ${resp.status}: ${err}`); } const data = await resp.json(); return data.choices[0].message.content; }

这个函数就是整条链路的模型出口。爬虫抓完公告调它做初筛，RPA 填充前调它判断字段，正文生成调它写方案。Key 只有一份，改的时候只改.env。

3. 可复制配置：爬虫、RPA、正文生成三段链路的 Key 复用

3.1 爬虫抓取招标信息后的模型初筛配置

爬虫 Skill 负责把招标公告和附件抓回来，但抓回来的原始数据是脏的，需要模型做一次结构化抽取和匹配度判断。这一步用快速模型，因为公告数量多、单条内容短。

// skills/tender-crawler.js import { skill, context } from "claw"; import { callModel } from "./llm-client.js"; @skill.register(name="招标数据抓取与初筛") export async function crawlTenderData() { const crawler = context.get_skill("crawler"); const tenderData = await crawler.crawl({ url: "https://www.cebpubservice.com/", keywords: ["私有化业务", "企业定制", "专属部署"], fileTypes: ["pdf", "docx", "xlsx"], savePath: "./tender_data" }); const filtered = []; for (const item of tenderData) { const prompt = `判断以下招标公告是否匹配私有化业务，匹配返回 JSON {"match": true, "reason": "..."}，不匹配返回 {"match": false}。 公告标题：${item.title} 公告摘要：${item.summary}`; const result = await callModel({ model: process.env.TAOTOKEN_MODEL_FAST, messages: [{ role: "user", content: prompt }] }); try { const parsed = JSON.parse(result.replace(/```json|```/g, "").trim()); if (parsed.match) filtered.push({ ...item, reason: parsed.reason }); } catch (e) { console.warn(`解析失败，跳过：${item.title}`); } } return `初筛完成，匹配 ${filtered.length} 条`; }

注意这里模型返回的是 JSON 字符串，实际用的时候要处理模型偶尔加 markdown 代码块的情况，上面用replace做了兜底。这一步的 Key 和 Base URL 全部来自llm-client.js，爬虫 Skill 本身不碰凭证。

3.2 RPA 填充模板前的字段抽取配置

RPA 联动环节，OpenClaw 通过 API 调用影刀或 UiBot 的脚本去填充 Word 模板。填充之前需要把招标文件里的关键字段抽出来，比如项目名称、预算金额、服务周期、资质要求。这一步同样调统一模型出口，但 prompt 要更严格，要求输出固定字段的 JSON。

// skills/tender-extract.js import { skill, context } from "claw"; import { callModel } from "./llm-client.js"; @skill.register(name="招标字段抽取") export async function extractTenderFields(filePath) { const fileSkill = context.get_skill("file"); const rawText = await fileSkill.readText(filePath); const prompt = `从以下招标文件中抽取字段，严格返回 JSON，不要额外解释： { "project_name": "项目名称", "budget": "预算金额，纯数字", "duration_months": "服务周期月数，纯数字", "qualification": ["资质要求1", "资质要求2"], "tech_requirements": ["技术参数1", "技术参数2"] } 招标文件内容： ${rawText.slice(0, 6000)}`; const result = await callModel({ model: process.env.TAOTOKEN_MODEL_FAST, messages: [{ role: "user", content: prompt }], temperature: 0.1 }); const fields = JSON.parse(result.replace(/```json|```/g, "").trim()); await fileSkill.saveJson(fields, "./tender_data/fields.json"); return fields; }

这里temperature压到 0.1，是因为字段抽取要的是稳定输出，不是创意。rawText.slice(0, 6000)是防止单次请求 token 超限，实际项目里如果招标文件很长，要做分段抽取再合并。

3.3 正文生成阶段的模型切换配置

正文生成是整条链路里 token 消耗最大的一步，也是唯一需要强能力模型的地方。技术方案、服务承诺、项目理解这些内容，快速模型写出来会比较干瘪。这里切到TAOTOKEN_MODEL_STRONG，但 Base URL 和 Key 不变。

// skills/bid-writer.js import { skill, context } from "claw"; import { callModel } from "./llm-client.js"; @skill.register(name="标书正文生成") export async function generateBidContent() { const fileSkill = context.get_skill("file"); const fields = await fileSkill.readJson("./tender_data/fields.json"); const template = await fileSkill.readText("./templates/bid_template.md"); const prompt = `你是投标文件撰写专家。根据以下项目信息和模板，生成技术方案正文。 项目信息：${JSON.stringify(fields, null, 2)} 模板结构：${template} 要求：技术方案部分不少于 800 字，突出私有化部署的安全性和定制化能力。`; const content = await callModel({ model: process.env.TAOTOKEN_MODEL_STRONG, messages: [{ role: "user", content: prompt }], temperature: 0.5 }); await fileSkill.saveText(content, "./bids/bid_content.md"); return "正文生成完成"; }

三段链路到这里就串起来了：爬虫 Skill 调快速模型做初筛，字段抽取 Skill 调快速模型做结构化，正文生成 Skill 调强能力模型写长文。三个 Skill 共用llm-client.js，Key 和 Base URL 只在.env里出现一次。

3.4 用 settings 片段固化模型映射

如果你不想在代码里到处写process.env.TAOTOKEN_MODEL_FAST，可以加一个settings.json把阶段和模型的映射固化下来。

{ "llm": { "baseUrl": "https://taotoken.net/api", "apiKeyEnv": "TAOTOKEN_API_KEY", "stages": { "crawl_filter": { "model": "你的快速模型ID", "temperature": 0.3 }, "field_extract": { "model": "你的快速模型ID", "temperature": 0.1 }, "content_generate": { "model": "你的强能力模型ID", "temperature": 0.5 } } } }

这样改模型只改这个文件，代码里通过settings.llm.stages.content_generate.model读取。Key 依然走环境变量，不写进 JSON，避免误提交到仓库。

4. 端到端跑通验证：从抓取到正文生成的成功结果

4.1 手动触发全流程

配置写完，先手动跑一次完整链路，确认每个环节都能通。在 OpenClaw 控制台输入总指令：

执行招标标书自动化流程： 1. 抓取中国招标投标公共服务平台私有化业务招标数据 2. 对抓取结果做模型初筛 3. 抽取匹配项目的关键字段 4. 基于模板生成标书正文 5. 输出正文文件路径

OpenClaw 会按 Skill 注册顺序依次调用。观察控制台输出，正常的话会看到类似这样的日志：

[招标数据抓取与初筛] 抓取到 23 条公告 [招标数据抓取与初筛] 初筛完成，匹配 5 条 [招标字段抽取] 抽取字段：project_name=某企业私有化部署项目, budget=680000 [标书正文生成] 正文生成完成，保存至 ./bids/bid_content.md

4.2 验证模型调用是否真的走了统一 Key

跑通之后要确认一件事：三个环节是不是真的都走了 TaoToken 的统一入口。最简单的办法是去控制台的调用记录里看，如果三个阶段的请求都出现在同一个 Key 的调用日志下，说明配置生效了。

模型对话页面也可以直接验证：https://taotoken.net/chat?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，在里面手动发一条和正文生成类似的 prompt，对比输出风格是否一致。

4.3 检查生成结果的结构完整性

正文生成完之后，别只看文件生成了没有，要检查内容结构。打开./bids/bid_content.md，确认技术方案部分有没有达到要求的字数，项目名称、预算金额这些字段有没有正确嵌入。如果发现字段是空的，回去看fields.json里对应字段是不是抽取失败。

# 快速检查字段文件 cat ./tender_data/fields.json | python -m json.tool # 检查正文文件字数 wc -m ./bids/bid_content.md

4.4 配置定时任务做持续抓取

手动跑通之后，把抓取环节挂到定时任务上，每天固定时间抓最新公告。OpenClaw 的 scheduler Skill 可以做到：

@skill.register(name="定时标书流程") export function scheduleBidProcess() { const scheduler = context.get_skill("scheduler"); scheduler.addJob({ func: crawlTenderData, trigger: "cron", hour: 9, args: [] }); }

定时任务只负责抓取和初筛，正文生成还是保留人工确认环节。标书这种东西，AI 生成完必须有人过一遍，尤其是资质要求和报价部分，不能全自动提交。

4.5 成功结果的判断标准

一次成功的端到端跑通，应该满足四个条件：爬虫抓到了公告、初筛匹配到了项目、字段抽取没有空值、正文生成文件存在且字数达标。四个条件里任何一个不满足，都说明对应环节的配置有问题，按下一节的排查表逐项检查。

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

5.1 401 Unauthorized：Key 没读到或格式不对

最常见的报错就是 401。在 OpenClaw 里跑 Skill 时如果看到：

模型调用失败 401: {"error":{"message":"Invalid API key"}}

先检查.env有没有被 OpenClaw 加载。Node 环境不会自动读.env，需要在入口文件里加dotenv：

import "dotenv/config";

然后确认 Key 没有多余空格，Bearer后面直接跟 Key，中间不要有换行。如果是在 Docker 里跑 OpenClaw，.env要挂载进容器，或者用-e传环境变量。

5.2 local proxy failed：Base URL 写错或网络不通

这个报错通常出现在 Base URL 配置错误的时候：

Error: local proxy failed: connect ECONNREFUSED 127.0.0.1:7890

说明请求被发到了本地某个端口，而不是https://taotoken.net/api。检查llm-client.js里的BASE_URL是不是被其他环境变量覆盖了，或者系统里有没有设置全局的HTTP_PROXY。OpenClaw 的 Skill 如果继承了 shell 的代理设置，会把请求转发到本地端口。解决办法是在 Skill 启动时清掉代理变量：

delete process.env.HTTP_PROXY; delete process.env.HTTPS_PROXY;

5.3 reading choices：返回结构不对或模型 ID 错误

报错信息里出现Cannot read properties of undefined (reading 'choices')，说明data.choices是 undefined。两种可能：一是模型 ID 写错了，接口返回了错误信息而不是正常响应；二是返回结构被中间层改过。

先打印完整响应体确认：

const data = await resp.json(); console.log(JSON.stringify(data, null, 2));

如果返回里有error字段，按错误信息处理。如果返回正常但没有choices，检查是不是把 Base URL 写成了带/v1的完整路径导致重复拼接。llm-client.js里拼的是${BASE_URL}/v1/chat/completions，所以BASE_URL只写到https://taotoken.net/api就行。

5.4 OAuth 相关报错：误用了需要 OAuth 的接入方式

如果你在 OpenClaw 里看到类似OAuth token expired或invalid_grant的报错，说明某个 Skill 走了 OAuth 接入而不是 API Key 接入。标书链路里所有模型调用都应该走 API Key，不需要 OAuth。检查是不是在某个 Skill 里误配了 Claude Code 或 Codex 的 OAuth 凭证。

如果你确实在用 Claude Code 做正文润色，那属于另一条接入路径，需要单独配置。Claude Code 的接入文档在这里：https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，里面写了 Base URL、Key、Model ID 三件套怎么填。但标书自动生成这条链路，用 API Key 直连就够了，不要混用 OAuth。

5.5 字段抽取返回空值：prompt 或截断问题

如果fields.json里某些字段是空字符串，先看招标文件原文里有没有这个信息。如果原文有但抽取为空，大概率是rawText.slice(0, 6000)把关键段落截掉了。把截断长度调大，或者改成按段落分段抽取再合并。

另一个原因是模型返回了带解释的文字而不是纯 JSON。在 prompt 里加一句“只返回 JSON，不要任何解释”，并且在解析前用正则把代码块标记去掉。

5.6 正文生成字数不达标：模型能力或 prompt 约束不够

正文生成出来只有两三百字，通常是两个原因：一是用了快速模型写长文，能力不够；二是 prompt 里没有明确字数要求。确认content_generate阶段用的是TAOTOKEN_MODEL_STRONG，并且在 prompt 里写清楚“技术方案部分不少于 800 字”。

如果换了强能力模型还是写不长，检查temperature是不是太低。正文生成可以适当调到 0.5 到 0.7，让模型有更多发挥空间。

6. 一次配置多工具复用：把 Key 管理收敛到一个入口

标书自动生成这条链路跑通之后，你会发现真正省下来的时间不是写爬虫规则，也不是调 RPA 脚本，而是不用再为每个环节单独配 Key。爬虫后处理、字段抽取、正文生成三个 Skill 共用一份凭证，模型切换只改模型 ID，Base URL 和 Key 始终不动。

这套做法可以继续往外扩。比如你后面要加一个“投标文件合规检查”的 Skill，或者接一个“历史标书中标率分析”的 Agent，只要它们都调llm-client.js，就自动复用同一份配置。长期做编码和 Agent 类任务的话，Coding Plan 页面有更完整的接入说明：https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= 。

最后留一个实操建议：把.env和settings.json分开管理，.env进.gitignore，settings.json可以提交到仓库。这样团队里其他人拉代码之后，只需要自己填一份 Key，模型映射和阶段配置直接复用。改 Key 的时候只改自己本地的.env，不会影响别人的配置，也不会把凭证推到远程仓库。