企业官网建设流程全解析

1. 项目概述

1.1 从一只“会动手的章鱼”说起

我最早接触 OpenClaw，是因为被朋友的演示视频种草：他用一条自然语言说出“帮我把某个群里的表格整理出来，再按优先级发到飞书”，随后 OpenClaw 就像个老练的运营助理一样，自己调用模型、检索上下文、组织消息，最后真的把整理好的表格发到了飞书群里。整个过程没有写一行代码，只在配置文件里改了几段 YAML。

这个项目本质上是一个通用 Agent 执行框架——你可以把它理解成“给大语言模型装上了手和脚”。它内置了消息收发、文件读写、会话管理、多轮工具调用等能力，对接不同的模型服务（DeepSeek、MiniMax、千问等）以及 IM/办公平台（飞书、微信、Discord 等），让模型不再只停留在“能聊天”，而是能真正执行任务、操作文件、回复消息。

很多人问我和 WorkBuddy 哪个好，我的看法是：WorkBuddy 更像一个开箱即用的成品工作室，OpenClaw 则更像一套可自由组合的积木。如果你希望深入控制 Agent 的行为、切换多个模型、对接私有服务，OpenClaw 更合适；如果你只想要一个现成的本地助手，那 WorkBuddy 可能更省心。本文会围绕 OpenClaw 的完整安装、MiniMax/DeepSeek 模型接入、飞书机器人接入这三条主线展开，适合刚接触 Agent 框架的开发者，也适合想在本地把 AI 真正用起来的人参考。

1.2 这次要解决的核心问题

我在实际部署前，其实踩了不少坑。最初的诉求很简单：本地跑一个 Agent，能通过飞书接收指令，用 DeepSeek/MiniMax 生成内容并发送表格。但真做下来发现，配置链路比想象中长：OpenClaw 本身需要先跑起来，模型服务要能连通，飞书那边要建应用、配事件订阅、处理回调，还要处理消息截断、会话锁冲突等问题。

所以这篇文档不只是把安装步骤罗列一遍，我会把每一步背后的取舍逻辑和踩坑记录也写出来。比如：

• 为什么我最终选择本地部署 OpenClaw，而不是直接依赖云端 IDE 或第三方托管；
• MiniMax H3 和 DeepSeek 的 API 接入方式有什么区别；
• 飞书机器人发送表格时，为什么经常被截断，要怎么通过 message 分段和富文本解决；
• 本地模型接入后“反应慢”到底慢在哪一环，如何定位瓶颈。

如果你是带着“我也要搭一套”的目的打开这篇文章，建议按顺序从环境准备开始走；如果你已经搭到一半，可以直接跳到 4、5 两节看问题排查和避坑清单。

2. 环境准备与安装方式

2.1 安装 OpenClaw 前的系统要求

先聊环境。OpenClaw 对系统的要求不算苛刻，但也不像普通 npm 包那样装完就跑。它在运行时会拉起多个子进程，还需要访问本机文件系统、网络端口以及外部 API。所以我建议至少满足以下条件：

• 操作系统：Linux（Ubuntu 22.04 或 Debian 12 最佳）、macOS、Windows（通过 WSL2）。我实测 Windows 原生跑容易出权限和路径问题，建议统一走 WSL2。
• CPU/内存：纯 API 模式（使用云端 DeepSeek/MiniMax）下，2C4G 的云主机也能跑；但如果你要接入本地大模型，建议内存 16G 以上，否则很容易 OOM。
• Node.js：OpenClaw 依赖较新的 Node.js 运行时，建议版本 ≥ 18。用 nvm 安装会省很多事。
• 网络：需要能访问 OpenAI/DeepSeek/MiniMax 等模型 API。国内直连部分服务稳定性较差，建议准备稳定的网络出口或反代，并做好超时设置。

为什么要提 Node.js 版本？因为 OpenClaw 的依赖列表里有不少 native 模块（比如 sharp、sqlite3），如果 Node 版本过老或过新，编译阶段就会直接报错。我的建议是直接用 nvm 锁定一个 LTS 版本，避免后面折腾。

2.2 安装包选择：npm 全局安装 vs 源码编译

OpenClaw 提供两种主要安装方式：

1. npm 全局安装：命令很简单：

npm install -g openclaw

装完直接openclaw --version验证。这种方式适合绝大多数用户，安装快、更新方便。

2. 源码编译安装：从 GitHub 拉取源码后自行构建：

git clone https://github.com/your-repo/openclaw.git cd openclaw npm install npm run build npm link

这种方式适合需要改源码、调试核心逻辑的开发者。我建议普通用户直接选第一种，因为源码编译会多出很多构建时间和潜在的依赖冲突问题，除非你有二次开发需求，否则没必要。

实际安装时有一个常见坑：npm 全局安装后，在 WSL2 里运行openclaw可能提示“command not found”。这通常是因为 npm 全局目录没有加入 PATH，需要把 npm prefix 配到.bashrc里：

echo 'export PATH="$(npm prefix -g)/bin:$PATH"' >> ~/.bashrc source ~/.bashrc

装好之后，我习惯先跑一遍openclaw doctor看环境是否健康。它会自动检测 Node 版本、网络连通性、配置文件格式等，比直接开跑更容易发现问题。

2.3 初始化配置目录

安装完成后，需要初始化配置目录。第一次运行：

openclaw init

这个命令会生成~/.openclaw/目录，里面至少包含：

• config.yaml：主配置文件，模型、通道、密钥都在这里修改；
• agents/：存放 Agent 定义文件（不同角色的 prompt、工具集、模型绑定）；
• sessions/：会话记录与上下文存储目录；
• logs/：运行日志。

我第一次初始化时，只改了 config.yaml，结果发现 Agent 的默认行为完全不是我想要的。后来才意识到 OpenClaw 是一个“多 Agent 架构”——你可以在 agents 目录下定义多个角色，每个角色可以绑定不同的模型、使用不同的工具。这个设计非常灵活，但也意味着你要理解它的配置层级，否则会像我一样以为“改一处就能全局生效”。

2.4 Linux 下的启动与守护

在 Linux 服务器上跑 OpenClaw，建议用 systemd 做成服务，避免关闭终端后进程退出。下面是一个最小 unit 文件，放在/etc/systemd/system/openclaw.service：

[Unit] Description=OpenClaw Agent Service After=network.target [Service] User=yourname WorkingDirectory=/home/yourname/.openclaw ExecStart=/usr/bin/openclaw start Restart=always RestartSec=5 [Install] WantedBy=multi-user.target

启用命令：

sudo systemctl daemon-reload sudo systemctl enable openclaw sudo systemctl start openclaw

用 systemd 管理的好处不只是“开机自启”，更重要的是日志集中到 journald，出问题时可以用journalctl -u openclaw -f实时跟踪，排查效率高很多。

3. 模型接入：MiniMax 与 DeepSeek

3.1 模型接入的整体思路

OpenClaw 本身不做模型推理，它只是把任务拆解成工具调用，再交给模型去决策。因此接入模型的核心，就是给 OpenClaw 配置模型 Provider、API Key和模型名称。

一个重要的概念是：OpenClaw 里的“模型”通常以 Chat Completion 接口为主，所以只要目标模型厂商提供 OpenAI 兼容接口，就可以直接配置。这也是为什么 DeepSeek、MiniMax、千问这些国内模型都能顺利接入——它们基本都做了 OpenAI 兼容层。

如果你只接一个模型，配置很简单；但如果你想在多个 Agent 间切换模型（比如简单摘要用 DeepSeek，复杂多媒体任务用 MiniMax），就需要理解 OpenClaw 的agents配置结构，给不同角色绑定不同的模型。

3.2 接入 DeepSeek 的完整配置

DeepSeek 的 API 兼容 OpenAI 格式，openclaw.yaml 里的配置大致如下：

model: provider: deepseek api_key: sk-xxxxxxxx model_name: deepseek-chat base_url: https://api.deepseek.com/v1

需要注意几个细节：

1. base_url必须带上/v1，如果只写到https://api.deepseek.com，部分接口会 404。
2. deepseek-chat是通用对话模型，适合大多数文本任务；如果要更强的推理能力，可以换成deepseek-reasoner，但响应会更慢。
3. 如果你开了fetch_timeout或类似参数，建议调到 120 秒以上，否则模型推理时间稍长就会被 OpenClaw 判定为超时，直接报agent failed。

DeepSeek 的接口并发限制相对较低。如果 OpenClaw 配置了多个 Agent 并行跑，建议在请求层做限流——OpenClaw 的max_concurrent_requests参数可以控制并发数，默认值可能偏大。

DeepSeek API 调用时，工具调用（tool call）场景下有一个很容易踩的坑：OpenClaw 要求消息中 tool call 必须立即被工具执行并回传结果，不能延迟到下一轮。如果你在日志里看到：

deepseek messages tool calls need immediate results

说明你用的模型或代理把工具调用结果延迟了，比如在中间加了缓存或人工审核。解决方式就是确保工具调用结果在同一个响应上下文里回传。

3.3 接入 MiniMax（含 H3 本地部署思路）

MiniMax 的接口整体也是 OpenAI 兼容的，配置示例：

model: provider: minimax api_key: sk-xxxxxxxx model_name: MiniMax-Text-01 base_url: https://api.minimax.io/v1

如果你是在国内访问，可能需要把 base_url 换成国际站或你所在区的对应地址，并且确认 API Key 和模型的区域匹配，否则会一直报鉴权失败。

MiniMax 除了云端 API，还有 H3 系列模型。H3 在视频生成、图像理解、多模态任务上表现不错，很多人会考虑本地部署。本地部署 H3 并不是一个轻量任务，官方推荐配置里通常需要高性能 GPU（显存越大越好），对 CPU、内存也有要求。

如果你真的要在本地跑 MiniMax H3，我的建议是：

1. 先用 ComfyUI 或类似工作流验证模型权重能否正常加载和推理；
2. 确认推理框架（如 vLLM、TensorRT-LLM）是否支持 H3 的算子和量化方式；
3. 不要一开始就接 OpenClaw，先把模型单独跑通一个 HTTP 接口，再用 OpenClaw 去请求这个接口。

MiniMax H3 本地部署对显存的要求很真实，普通单卡 3090/4090 跑小尺寸可能勉强，但想跑中大型尺寸会非常吃力。而且“能加载”不代表“适合生产使用”，推理速度、并发能力都是瓶颈。我自己的体验是：如果只是给 OpenClaw 接一个多模态/视频模型，优先用云端 API，别急着本地部署。

3.4 接入本地模型与 WorkBuddy 的对比

OpenClaw 还支持通过 OpenAI 兼容的本地推理服务接入模型，比如 vLLM、Ollama、LM Studio 等。配置一般如下：

model: provider: openai api_key: local-dummy-key model_name: my-model base_url: http://127.0.0.1:8000/v1

接入本地模型后反应慢是非常常见的现象。我在实际对比过 WorkBuddy 和 OpenClaw 后发现，慢不一定全在模型本身，有时候是 OpenClaw 的会话锁定、上下文轮询、工具调用拆解带来的额外延迟。如果你的日志里出现：

agent failed before reply: session file locked (timeout 60000ms)

那大概率不是模型慢，而是会话文件被其他进程占用了。这时需要检查是否启动了多个 OpenClaw 实例，或者关闭一些未正常退出的子进程。

本地模型的响应慢，还有一个原因是上下文长度。OpenClaw 会把历史消息一起传给模型，如果历史消息太长，本地模型的 prefill 时间会指数级上升。解决办法是在配置里限制max_context_tokens，或者开启会话摘要功能，让历史消息先被压缩再传给模型。

3.5 模型选择建议：DeepSeek 还是 MiniMax

如果你要我给一个明确建议，我会这样分场景说：

MiniMax 云端 API 在视频生成和多模态场景中真的很强，但它的文本工具调用稳定性，我在实际测试中感觉不如 DeepSeek 原生适配好。如果是长链路 Agent 任务，建议核心文本决策用 DeepSeek，多模态内容生成再单独调 MiniMax。

4. 飞书机器人接入与消息处理

4.1 创建飞书应用并获取凭证

飞书机器人接入的基础是“创建一个飞书应用”。步骤并不复杂，但每一步出错都可能让你在回调时一头雾水。

1. 创建应用

打开飞书开放平台，点击“创建企业自建应用”，填一个名称（比如“Claw Assistant”），然后进入应用详情。注意这里必须用真实企业账号创建，个人开发者账号部分权限受限。

2. 开启机器人能力

在应用详情页找到“添加应用能力”，选择“机器人”，点击启用。启用后你会得到一个App ID和App Secret，这两个值都会在 OpenClaw 配置里用到。

3. 配置事件订阅

飞书机器人要接收用户消息，需要配置“事件订阅”。在事件订阅页面：

• 请求地址 URL 填 OpenClaw 暴露的公网地址，比如https://yourdomain.com/openclaw/feishu；
• 添加事件im.message.receive_v1（接收消息事件）；
• 如果你要接收与消息相关的操作，还需要添加im.message.reaction_v1等事件。

这里需要特别强调：飞书要求事件订阅地址必须能通过公网访问，且响应要在 3 秒内完成。你可以先跑一个最简单的 HTTP 服务验证连通性，否则后续回调失败很难排查。OpenClaw 内置了飞书适配器，只要在配置里指定了正确的webhook_url和event_type，它自己就能处理回调验证逻辑。

4. 权限配置

在“权限管理”里至少要开启：

• im:message（发送消息）
• im:message:send_as_bot（以机器人身份发消息）
• im:resource（如果需要接收图片、文件）
• im:chat（读取群组信息）

如果不开启权限，你会在日志里看到类似“权限不足”的报错。这个报错很容易被误判为 token 问题，其实只是 scope 没勾选。

5. 发布版本

完成上述配置后，需要创建版本并发布。只有发布后的应用才有效。如果你在测试阶段，也可以使用“测试企业与人员”的方式，避免影响正常的生产应用。

4.2 OpenClaw 与飞书连接的最小配置

OpenClaw 里与飞书相关的配置大致长这样：

channels: feishu: app_id: "cli_xxxx" app_secret: "xxxx" event_type: "im.message.receive_v1" webhook_url: "https://yourdomain.com/openclaw/feishu" send_method: "message_api"

这里最关键的是send_method。如果你用message_api，OpenClaw 会调用飞书消息 API 发送文本或富文本；如果你改成webhook，就会用自定义机器人 Webhook 发送，但接收消息的能力会受限。

实际使用中，我推荐用message_api方式，配合飞书的/im/v1/messages接口，可以发送更丰富的消息类型，包括表格、卡片、富文本。用 webhook 的话，虽然配置简单，但没法精确控制消息结构，而且容易触发频率限制。

4.3 飞书机器人发送表格的实现

很多人遇到“飞书机器人发送表格”的需求，但 OpenClaw 默认发送消息时可能只是把表格内容当作纯文本贴在消息里，结果列一变宽，整条消息被飞书截断。这个问题在飞书里非常典型，因为普通文本消息长度上限有限。

我的解决方案是：在 OpenClaw 的工具调用中，先把表格内容渲染成 markdown 表格，然后转换为飞书富文本 post 消息，用post类型发送。飞书富文本对表格的支持有限，但可以用“文本块+缩进”的方式模拟表格，或者直接把表格转成图片再发送。

如果你只是需要快速把表格数据发给用户，最简单的方式是让 OpenClaw 生成 CSV 或 Excel 文件，然后用飞书文件消息接口发送。OpenClaw 的文件发送工具可以读取本地文件并调用飞书上传接口，这样对方拿到的是一个真正的文件，不会被截断，排版也不会乱。

我强烈建议：不要试图用纯文本消息承载结构化表格。飞书对消息长度有限制，而且中英文混排时换行经常出问题。用文件或图片方式发送表格，体验会好非常多。

4.4 飞书消息被截断的排查与对策

“OpenClaw 在飞书输出容易被截断”是群里被问得最多的问题之一。我总结了几种常见原因和处理方法：

在 OpenClaw 配置里，还有一个开关可以控制消息分段发送：

channels: feishu: max_message_length: 4096 split_message: true

开启split_message后，OpenClaw 会把超长消息自动拆成多段，避免因消息过长而被服务端拒绝。但要注意，拆段之后消息顺序可能被打乱，所以如果内容有严格顺序要求，最好在 prompt 里就要求模型输出精简的分点内容。

4.5 微信公众号与飞书的选择

在这个项目里，可能会有人问：能不能直接接微信公众号？答案是也能接，但微信公众号的被动回复有 5 秒超时限制，且消息类型和权限都不如飞书灵活。飞书在“机器人能力、事件订阅、富文本消息、文件上传”这些方面要完善很多，所以如果你只选一个 IM 平台做 Agent 出口，我推荐飞书。

从实际体验看，飞书机器人适合的工作流包括：定时推送日报、群内问答机器人、审批提醒、表格文件自动发送等。对比企业微信/钉钉，飞书的开放接口最接近“开发者友好”这几个字。

5. 常见问题与排查技巧实录

5.1 高频报错速查表

在部署和实施中，我整理了如下高频报错速查表。这张表的值在于：当你遇到“agent failed”或“session file locked”时，能快速定位方向，而不是盲目重启。

5.2 会话锁问题：从“盲目重启”到“正确定位”

我在最初部署时就遇到过agent failed before reply: session file locked (timeout 60000ms)。当时第一反应是重启服务，但重启后还是报同样的错。

后来排查发现，原来是我在调试的时候开了好几个 OpenClaw 进程：一个在 systemd 里，一个在终端手动启动，还有一个是 IDE 的终端残留。多个进程同时尝试写同一个 session 文件，就发生了锁竞争。解决办法很简单：

ps aux | grep openclaw kill <多余进程ID> rm ~/.openclaw/sessions/*.lock

然后只保留一个运行实例。

这里要提醒一点：session 锁不只是给会话文件加锁，还会影响整个 Agent 的响应流。如果你在飞书里发消息后长时间无响应，优先检查的就是锁文件是不是过期了。真的是模型慢还是锁冲突，从日志里就能看出来。

5.3 微信消息“发不出去/收不到”的原因

有很多同学想让 OpenClaw 直接接入微信，我也试过。一个典型的问题是：OpenClaw 能发消息到微信，但从微信发消息给 OpenClaw 却收不到回复。

原因是微信个人号的接入方式大多依赖非官方协议，这类 hook 方案在接收消息时经常出现登录态失效或者回调地址无法被公网访问的问题。OpenClaw 对微信的支持往往需要额外适配器，而适配器的稳定性取决于第三方库是否还在维护。

如果你一定要用微信，我的建议是：优先用企业微信或飞书，而不是个人微信。因为个人微信的协议不稳定，很容易被风控，消息收发都可能中断。飞书在这个场景下稳定太多，涉及的关键流程也更透明。

5.4 本地模型反应慢：模型本身还是链路问题？

另一个高频问题就是“接入本地模型后反应非常慢”。以我的排查经验看，慢在你自己的链路里经常是“多因一果”。

我做过一次实验：同样的模型，直接用 curl 调用本地推理服务的接口，首 token 延迟在 500ms 左右；但通过 OpenClaw 在飞书里发消息，首 token 延迟可能涨到 5 秒以上。这说明慢的不仅是模型，还有会话上下文准备、工具调用解析、消息通道回传等环节。

要定位瓶颈，建议分三段测：

1. 模型层：直接用curl调用模型的 HTTP API，看单次完整响应时间；
2. OpenClaw 层：去掉飞书和微信通道，用 OpenClaw 自带的 CLI 测试消息，看响应时间；
3. 通道层：通过飞书发送消息，观察端到端时间。

如果模型层快、OpenClaw 慢，重点查上下文长度和会话锁；如果 OpenClaw 快、飞书慢，重点查飞书事件订阅回调和网络链路。

另外一个容易忽略的点是：OpenClaw 的fetch_timeout如果设置得太短，飞书回调在 3 秒内没有响应，飞书会重试。重试机制本身没问题，但如果 OpenClaw 还没有处理完上一个请求，就会触发锁冲突。所以给飞书配置时，建议把event_callback_timeout和 OpenClaw 侧的request_timeout都放大一些。

5.5 关于“不能选择 channel”的问题

热词里有一条是“openclaw agent怎么选择channel”。这个问题其实是 OpenClaw 的多通道设计导致的。一个 Agent 可以同时关联多个 channel，比如同时挂飞书、微信、Discord。但如果你没有在 Agent 配置里显式指定 channel，OpenClaw 可能只会绑定默认 channel。

在agents/目录下，找到对应的 Agent 配置文件，例如agents/claw.yaml，里面会有类似：

channels: - feishu - wechat - discord

如果你发现 Agent 没有监听预期的 channel，先检查这个列表是否包含了你要的 channel，以及配置文件里对应 channel 是否已经启用。改完之后记得重启 OpenClaw。

另一个和 channel 选择相关的坑是：不同 channel 的消息格式、事件类型可能不一样。比如飞书的消息事件是im.message.receive_v1，而微信可能是另一种格式。如果 Agent 在飞书里能正常回复，到微信里没反应，多半是事件类型适配没对上。

6. 实测过程与优化建议

6.1 一次完整的实测：飞书问答 + 表格文件发送

我以一次完整实测为例，说明从请求到返回的链路。场景是：在飞书群里 @机器人，发一句“把这几条销售数据整理成 CSV 发给我”。

1. 飞书把消息事件推送到 OpenClaw 的 webhook 地址；
2. OpenClaw 鉴权后，把消息内容转成 Agent 的输入；
3. Agent 调用 DeepSeek 模型，识别出意图是“生成 CSV 文件”；
4. Agent 调用内置文件工具，生成一个 CSV 文件；
5. OpenClaw 调用飞书文件上传接口，把 CSV 上传后发送到聊天中。

整个过程大概 6~15 秒，取决于模型响应速度和文件生成复杂度。如果消息比较长或者模型输出量大，时间会显著增加。

这里我特别推荐一个优化点：为 Agent 设置专门的系统 prompt。我通常会在 prompt 里写明“如果用户要求发送文件，请生成 CSV 而不是在文本里贴表格；如果内容过多，请分点输出 3 条以内的摘要”。这样模型就不会自作主张输出一大段 markdown 表格，导致飞书里被截断。

6.2 tools 调用失败的常见原因

OpenClaw 的底层依赖是大模型的工具调用能力，如果模型不支持工具调用，或者模型输出格式不规范，工具调用就会失败。速查项我自己反复遇到的：

• 消息里包含多个 tool call：部分模型一次只能处理一个工具调用，建议在配置里限制max_tool_calls: 1。
• 工具结果太长：工具返回结果超长会撑爆上下文，部分 Agent 会直接失败。建议在工具实现里对返回内容做截断或摘要。
• 工具调用顺序错误：OpenClaw 在某些版本里对工具调用顺序敏感，比如先发送消息再调用工具，会直接报错。这时需要看日志里的堆栈，确认哪个工具调用环节出的问题。

关于max_tool_calls，我在模型接入本地时特别体会过。本地模型对多工具并行调用的支持不如 DeepSeek 稳定，经常只执行第一个工具就停下来，导致任务卡住。后来把max_tool_calls限制为 1，反而更稳定。

6.3 性能优化：并发、缓存与上下文控制

如果你打算把 OpenClaw 用于团队或长期运行，以下几个参数的优化很关键：

另外，我建议开启请求级缓存（如果 OpenClaw 支持cache_response）。飞书群里的重复问题很多，如果相同问题能命中缓存，能省不少 API 费用。但要注意缓存开关会导致逻辑类问题结果不更新，所以只对“固定知识类”问题开启比较好。

6.4 从“能跑”到“好用”的配置心得

OpenClaw 这套系统，搭起来是门槛，真正花时间的是调优。以下几点是我从多次实验中沉淀出来的心得，比较主观，但是真话：

• 别把 Agent 当搜索引擎：它更适合有明确任务结构的自动化流程，而不是每次都要模型自由发挥。
• 系统 prompt 越具体越好：你越清楚告诉它什么能做什么不能做，它就越少胡说八道。
• 飞书的事件订阅地址一定要先测通：这个环节最容易出问题，而且报错信息不直观。
• 用日志定位问题，别靠猜：OpenClaw 的日志比报错信息有效得多，先看日志再做操作。

如果你和我一样想把 DeepSeek + MiniMax + 飞书整套跑通，其实并不复杂，真正拉开体验差距的是这些细节。我现在的用法是：日常文本任务走 DeepSeek，图像/多模态任务临时切到 MiniMax 云端 API，飞书作为统一入口，大大提升了团队协作里的自动化效率。

7. 最后再分享一点个人体会

这套 OpenClaw 部署方案，我在本地 Linux 服务器上已经稳定跑了将近一个月。踩过的最大坑其实不是配置本身，而是“看着文档装完之后，不知道下一步怎么调”。所以我特别建议你安装完第一件事不是急着接飞书，而是先用 CLI 跑通一个最简单的文本对话，确认模型链路没问题，再逐步加 channel、加工具。

第二次建议是：所有外部服务的密钥、回调地址，一定要集中管理，不要散落在多个配置文件里。我之前因为密钥散落，排查权限问题时浪费了不少时间。OpenClaw 的配置层级不复杂，但一旦多 Agent、多模型、多通道叠加，配置的“可溯源”就很重要。

最后，我自己觉得 OpenClaw 最值得玩的地方，是它的扩展性和组合性。你可以把 DeepSeek 当“大脑”，MiniMax 当“眼睛和耳朵”，飞书当“手脚”，再通过工具调用把它们真正组织起来。这个过程有点像搭乐高，初看复杂，但搭顺手之后会上瘾。希望这篇文档能帮你少走一些弯路。