企业官网建设流程全解析

1. 摄影人像生成的老问题：为什么你的提示词总在“开盲盒”

如果你用过文生图做过人像，大概率遇到过这种情况：输入“生成一张专业人像”，出来的东西构图飘忽、光线忽明忽暗、皮肤像塑料、换一张脸就完全不是同一个人。这不是模型不行，而是输入的信息密度太低——模型只能自己补全大量摄影变量，每次补全的结果都不一样。

Photography Portrait Generator 这个技能在 ClawHub 上被关注，核心原因不是“让 AI 画人像”这件事本身，而是它把摄影语言拆成了结构化变量。你可以把它理解成在自然语言和图像模型之间加了一层“摄影导演”：你负责说用途和审美，它负责翻译成模型能执行的摄影规格。

具体拆开来看，它控制的变量包括主体姿态与表情、构图与机位、光线方向与光比、镜头焦段与光圈、场景与背景材质、输出画幅与负面约束。这些变量单独看都是摄影里的常识，但组合成一套可重复执行的流程，就能把“灵感式提示词”变成“可复用工作流”。

适合谁用？摄影爱好者想把脑中的画面稳定落地、设计师需要批量产出统一风格的头像草案、内容团队要做系列形象照预演、开发者想把图像生成能力接入自己的 Agent 工作流——这些场景都能用上。但前提是，你得先把它接进一个稳定的 API 通道，否则技能再规范，底层调用不稳定也是白搭。

这篇就按“技能解析 → 环境准备 → 配置片段 → CLI 调用 → 连通性验证 → 报错排查”的顺序走一遍，每一步都给可复制的命令和配置。

2. TaoToken 前置准备：统一 Key 与 API 通道怎么配

在把 Photography Portrait Generator 接进 OpenClaw 之前，先要把底层模型调用通道准备好。TaoToken 在这里的角色是统一 Key 和 API 入口——你不需要为每个模型单独申请账号、单独管 Key，用一个 Key 走同一个 Base URL 就能切换不同模型。

先明确三个东西：

• Base URL：https://taotoken.net/api（注意 API 调用不加 UTM 参数）
• API Key：在控制台创建，格式通常是sk-开头
• Model ID：根据你要用的模型填，比如claude-sonnet-4-20250514这类标识

创建 Key 的入口在控制台的 API Keys 页面，登录后新建一个 Key，复制出来存到环境变量里，不要写进代码或提示词。我试过把 Key 直接写在 SKILL.md 里，结果技能文件被同步到工作目录后 Key 就暴露了，这个坑别踩。

配置方式有两种，看你习惯：

方式一：环境变量（推荐）

export TAOTOKEN_API_KEY="sk-你的Key" export TAOTOKEN_BASE_URL="https://taotoken.net/api"

方式二：写进 OpenClaw 的配置文件

OpenClaw 的 CLI 支持工作目录和技能目录配置，你可以在项目根目录建一个.openclaw/config.toml：

[api] provider = "taotoken" base_url = "https://taotoken.net/api" api_key_env = "TAOTOKEN_API_KEY" default_model = "claude-sonnet-4-20250514" [workspace] skill_dir = "./skills" work_dir = "./workspace"

这样配置的好处是，技能调用时自动读取base_url和api_key_env，你不需要在每个技能里重复写。如果你用的是 Claude Code 类的环境，配置片段类似，把 Base URL、Key、Model ID 三件套填全就行。

配完之后先做一次最简连通性检查，别等到跑技能时才发现 Key 不对：

curl -s https://taotoken.net/api/v1/models \ -H "Authorization: Bearer $TAOTOKEN_API_KEY" \ | head -c 500

返回模型列表就说明通道通了。如果返回 401，先检查 Key 有没有复制完整、有没有多余空格。

3. 可复制配置：SKILL.md 与 settings 片段怎么写

Photography Portrait Generator 的实质是一组面向代理的说明和资源，核心文件是SKILL.md。这个文件决定了技能怎么理解你的需求、怎么组织摄影参数、怎么调用底层模型。下面给一份可复制的配置骨架，你可以直接放到技能目录里改。

先看目录结构：

skills/ photography-portrait-generator/ SKILL.md config/ settings.json prompts/ base-portrait.md

SKILL.md的内容大致长这样：

# Photography Portrait Generator ## 用途 将用户的自然语言人像需求翻译为结构化摄影参数，并调用底层图像模型生成。 ## 输入要求 - 用途（profile / creative / concept） - 画幅比例（如 4:5、1:1、16:9） - 参考图（可选，但身份一致性场景必填） - 风格倾向（自然 / 商业 / 胶片） ## 输出规格 - 主体姿态与表情 - 构图与机位 - 光线方向与光比 - 镜头焦段与光圈 - 场景与背景 - 负面约束 ## 调用配置 - base_url: https://taotoken.net/api - api_key_env: TAOTOKEN_API_KEY - model: claude-sonnet-4-20250514

然后是config/settings.json，这里放的是可调参数：

{ "default_aspect_ratio": "4:5", "default_lens": "85mm", "default_aperture": "f/2.8", "key_light": "large softbox, 45 degrees camera-left", "fill_light": "subtle, ratio 1:4", "background": "warm-gray seamless paper", "identity_reference": "required", "variation_seed": "fixed-if-supported", "negative_constraints": [ "different identity", "distorted facial features", "asymmetrical eyes", "waxy skin", "excessive retouching", "extra fingers", "text", "logo", "watermark" ] }

这份配置的关键在于：它把“摄影语言”变成了可校验的字段。比如key_light写的是“45 度柔光”，而不是“好看的光”；aperture写的是f/2.8，而不是“背景虚化”。模型拿到这种输入，执行起来偏差会小很多。

如果你用的是 Cline MCP 或 Codex 的auth.json体系，配置逻辑一样，把 Base URL、Key、Model ID 三件套对应填进去：

{ "provider": "taotoken", "base_url": "https://taotoken.net/api", "api_key": "${TAOTOKEN_API_KEY}", "model": "claude-sonnet-4-20250514" }

注意api_key这里用环境变量引用，不要写明文。CC Switch 用户也是同样的三件套逻辑，切换 provider 时确保 Base URL 指向https://taotoken.net/api。

4. CLI 调用与验证：从命令到成片的完整链路

配置写完之后，用 CLI 跑一次完整调用。OpenClaw 的 CLI 支持无交互模式，适合脚本化调用。

先确认技能被正确加载：

openclaw skill list --dir ./skills

输出里应该能看到photography-portrait-generator。如果没看到，检查SKILL.md的文件名大小写和目录层级。

然后跑一次基础调用：

openclaw skill run photography-portrait-generator \ --input "用途: professional-profile, 画幅: 4:5, 风格: 自然商业" \ --output ./workspace/portrait-001.png \ --no-interactive

这条命令做的事是：技能读取SKILL.md和settings.json，把输入扩展成结构化摄影参数，再通过https://taotoken.net/api调用模型生成图像，最后写到指定路径。

如果你想直接看技能扩展出来的提示词长什么样，加一个--dry-run：

openclaw skill run photography-portrait-generator \ --input "用途: professional-profile, 画幅: 4:5" \ --dry-run

输出会类似：

[主体] professional head-and-shoulders portrait [构图] vertical 4:5, eye-level camera [光线] large softbox key light 45 degrees camera-left, subtle fill [光学] 85mm, f/2.8, shallow controlled DOF [背景] warm-gray seamless paper [负面] different identity, waxy skin, extra fingers, text, watermark

这一步很关键——你能看到技能到底把你的需求翻译成了什么。如果翻译结果不对，改settings.json里的默认值，而不是每次在输入里重复描述。

有参考图的场景，调用时加上参考图路径：

openclaw skill run photography-portrait-generator \ --input "用途: creative-portrait, 画幅: 1:1" \ --reference ./workspace/ref-face.jpg \ --output ./workspace/portrait-002.png \ --no-interactive

技能会先分析参考图的朝向、光线方向和取景范围，再把这些信息作为身份约束传给模型。注意：文字约束只能提高一致性，不能提供密码学意义上的身份保证。如果用途涉及证件或实名场景，生成图不应被当作真实照片。

验证成功的标志有三个：命令返回 0、输出文件存在且能打开、图像内容与输入规格基本吻合。如果返回非 0，看下一节的报错对照。

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

这一节按真实报错来对照，每个都给排查路径。

报错一：401 Unauthorized

Error: request failed with status 401 {"error":{"message":"invalid api key","type":"authentication_error"}}

原因通常是 Key 没读到或格式不对。排查顺序：

1. 确认环境变量已导出：echo $TAOTOKEN_API_KEY，看有没有值
2. 确认 Key 没有多余空格或换行：echo -n $TAOTOKEN_API_KEY | wc -c
3. 确认settings.json里的api_key_env拼写和实际环境变量名一致
4. 确认 Base URL 是https://taotoken.net/api，没有多写/v1或漏写

如果用的是auth.json体系，检查api_key字段是不是写成了明文但带了引号导致解析失败。

报错二：local proxy failed

Error: local proxy failed: dial tcp 127.0.0.1:7890: connect: connection refused

这个报错说明你的环境里配了本地代理，但代理服务没起来。排查：

1. 检查HTTP_PROXY/HTTPS_PROXY环境变量：env | grep -i proxy
2. 如果有值但代理没运行，取消这些变量：unset HTTP_PROXY HTTPS_PROXY
3. 检查 OpenClaw 配置里有没有硬编码的 proxy 字段，删掉
4. 重新跑连通性检查：curl -s https://taotoken.net/api/v1/models -H "Authorization: Bearer $TAOTOKEN_API_KEY"

TaoToken 的 API 通道不需要额外代理配置，直连即可。如果你所在网络环境有特殊要求，按实际网络策略处理，但不要在技能配置里写代理地址。

报错三：reading choices 相关错误

Error: failed to read choices from response unexpected response format: missing 'choices' field

这个通常出现在模型返回格式和技能预期不一致时。排查：

1. 确认model字段填的是 TaoToken 支持的 Model ID，不是随便写的名字
2. 用 curl 直接调一次对话接口，看返回结构：

curl -s https://taotoken.net/api/v1/chat/completions \ -H "Authorization: Bearer $TAOTOKEN_API_KEY" \ -H "Content-Type: application/json" \ -d '{"model":"claude-sonnet-4-20250514","messages":[{"role":"user","content":"hi"}]}' \ | head -c 800

3. 如果返回里没有choices字段，说明模型 ID 不对或该模型不支持当前接口格式
4. 检查技能里的响应解析逻辑，确认它读的是choices[0].message.content还是别的路径

报错四：OAuth 相关错误

Error: oauth token expired or invalid

如果你之前用的是 OAuth 方式接入，切到 TaoToken 的 Key 方式后要把旧的 OAuth 配置清掉。排查：

1. 检查auth.json里有没有残留的oauth字段，删掉
2. 检查环境变量里有没有OAUTH_TOKEN之类的残留，unset掉
3. 确认provider字段是taotoken，不是旧的服务商名
4. 重新生成 Key 并更新环境变量

报错五：技能加载失败

Error: skill not found: photography-portrait-generator

排查：确认SKILL.md在skills/photography-portrait-generator/目录下、文件名大小写正确、openclaw skill list --dir ./skills能列出。如果目录对但列不出，检查SKILL.md开头有没有合法的元信息块。

6. 把技能接进你的工作流：从单次调用到可复用管线

单次调用跑通之后，下一步是把它变成可复用的管线。核心思路是：把settings.json里的基线固定下来，每次只改一个变量，记录每次的输入和输出。

一个最小可复现实验的记录格式：

task_id: portrait-20250601-001 model: claude-sonnet-4-20250514 aspect_ratio: "4:5" lens: "85mm" aperture: "f/2.8" key_light: "large softbox, 45 degrees camera-left" background: "warm-gray seamless paper" identity_reference: "./workspace/ref-face.jpg" variation_seed: 42 output: "./workspace/portrait-001.png" status: success

每次迭代只改一个字段，比如先固定身份，再调背景，最后调服装和色彩。这样即使结果不理想，你也能定位到是哪项修改导致的。

批量场景下，把输入写成 CSV 或 JSON 数组，用脚本循环调用：

while IFS=, read -r purpose ratio style; do openclaw skill run photography-portrait-generator \ --input "用途: $purpose, 画幅: $ratio, 风格: $style" \ --output "./workspace/portrait-${purpose}-${ratio}.png" \ --no-interactive done < batch-input.csv

质量门禁这块，自动检查可以覆盖分辨率、宽高比、文件损坏和明显的多脸问题；身份相似度、手部异常、文字伪影仍需人工复核。不要把单一的人脸相似度分数当作最终判断。

隐私方面，人脸属于高度敏感数据。安装或调用任何社区技能前，检查SKILL.md、脚本、网络请求和所需环境变量。不要把 API Key 写进提示词、日志或图片元数据。企业环境还应明确存储期限和删除机制。

如果你需要长期跑编码或 Agent 类任务，Coding Plan 比按次调用更划算；如果只是验证模型效果，模型对话页面可以直接试；接入和排障相关的文档在接入文档里能查到。三个入口按需选：

• 验证模型效果：模型对话
• 长期编码/Agent 任务：Coding Plan
• 接入与排障：API Keys + 接入文档

最后一步，把审查过的技能版本锁定，升级时重新审查差异。同类社区人像技能曾被第三方安全分析指出会把提示词发送到外部服务，功能描述和真实数据流并不总是等价。技能商店页面不能替代代码审计和供应商条款审查。