企业官网建设流程全解析

1. 法律人为什么要折腾 OpenClaw 多 Agent 协作系统

法律文书这件事，单靠一个通用大模型对话窗口，最大的问题不是它不会写，而是它写得太顺、太自信。一份起诉状里法条引用错一个条款号，或者把已废止的司法解释当成现行有效来用，后果不是"重写一遍"这么轻松。我一开始也是拿单个模型硬扛，后来发现真正缺的不是模型能力，而是分工与制衡：起草的人、挑错的人、评估风险的人必须是不同的角色，各自带着不同的检查清单干活。

OpenClaw 这套东西能做什么？简单说，它让你把"一个万能助手"拆成"一个团队"。核心机制是sessions_spawn——你可以把它理解成"派生一个带独立人格和独立上下文的分身去干一件具体的事"，干完把结果交回来。配合 TTL 缓存，把那些反复要用的背景信息（当事人信息、常用法条模板、标题公式）缓存起来，避免每个分身都从头问一遍、烧一遍 token。

适合谁？适合已经会用命令行、能看懂 Python 脚本、手头有法律文书处理需求的律师、法务、法律自媒体作者。你不需要是专业程序员，但得愿意动手改配置文件。下面这套配置我实测跑通过，从角色定义到缓存参数都能直接抄。

2. TaoToken 前置准备：把模型通道和 Key 配好

多 Agent 系统要跑起来，第一步不是写角色，而是把模型调用通道打通。OpenClaw 本身是调度框架，真正干活的还是背后的大模型。我这边统一走 TaoToken 的 API 通道，好处是一个 Key 能覆盖多个模型，切换模型不用改一堆环境变量。

先去控制台把 Key 建出来。打开 https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api_keys&utm_campaign=rewrite ，新建一个 API Key，复制下来。注意这个 Key 只在创建时完整显示一次，丢了就得重建。

然后确认你的接入地址。OpenClaw 里配置模型端点时，Base URL 填https://taotoken.net/api，不要带任何多余路径。模型 ID 按你实际要用的填，比如claude-sonnet-4-5这类。如果你不确定有哪些模型可用，可以先去模型对话页面 https://taotoken.net/models?utm_source=taotoken_aicg_blog_end&utm_content=models&utm_campaign=rewrite 看一眼列表，确认模型 ID 拼写。

环境变量建议这样设，避免把 Key 硬编码进脚本：

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

如果你用的是 Claude Code 这类工具做辅助开发，接入文档在 https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite ，里面有 Base URL、Key、Model ID 三件套的完整填法。我踩过的坑是：Base URL 后面手滑加了/v1，结果一直 404，排查了半天才发现是路径重复。记住，https://taotoken.net/api就是完整地址。

这一步做完，先别急着搭 Agent，用一条最简单的请求验证通道是通的：

curl https://taotoken.net/api/v1/chat/completions \ -H "Authorization: Bearer $TAOTOKEN_API_KEY" \ -H "Content-Type: application/json" \ -d '{ "model": "claude-sonnet-4-5", "messages": [{"role": "user", "content": "回复两个字：通了"}] }'

返回里有choices字段且内容正常，说明通道没问题。如果这里就报 401，先回去检查 Key 有没有复制完整、有没有多余空格。通道不通，后面所有 Agent 配置都是白搭。

3. 可复制的 Agent 配置与 TTL 缓存参数

这一节是核心，直接给能抄的配置。先说目录结构，所有角色定义放在/root/.openclaw/workspace/agents/下，检查清单放checklists/，缓存模块放src/cache/。

3.1 五个角色的职责划分

我设计了五个角色：主助理（傻龙）负责和你沟通、汇总；律师负责法条检索和文书起草；码农负责把需求用脚本实现；作家负责把成果写成自媒体文章；审核员负责质量把关；再加一个魔鬼代言人专门唱反调、找方案漏洞。这个"唱反调"角色很关键，它能防止其他 Agent 出现群体思维，也能防止你自己被 AI 的自信带偏。

3.2 角色定义文件（以律师为例）

# Lawyer-Agent 律师分身 ## 身份定位 - 专业领域：法律文书起草、案号分析、法条检索 - 人格特质：严谨、保守、注重证据链完整性 - 思维模式：先找法条 → 再套事实 → 最后下结论 ## 执业边界 ### 可以做 - 法律文书起草（起诉状、答辩状、代理词等） - 案号分析与证据梳理 - 法条检索与条款引用 ### 禁止做 - 不给出确定性胜诉承诺 - 不编造法条或案例 ## 输出标准 ### 法条引用 - 必须完整：《法律名称》第 X 条第 X 款 - 必须核实有效性 ### 事实描述 - 必须标注证据来源 - 必须区分"已证实事实"与"待证事实"

其余四个角色（writer.md、coder.md、reviewer.md、devils_advocate.md）按同样结构写，重点是把"禁止做"写死，这是防止 AI 幻觉的第一道闸。

3.3 sessions_spawn 调用逻辑

基础调用就是派生一个分身干一件事：

from openclaw import sessions_spawn response = sessions_spawn( task="起草一份民间借贷起诉状", role="lawyer", timeoutSeconds=300 )

圆桌会议是并行派生多个分身，各自从专业视角分析同一个任务：

tasks = [ {"role": "lawyer", "task": "法律风险分析"}, {"role": "writer", "task": "传播效果分析"}, {"role": "coder", "task": "技术可行性分析"} ] results = [] for task in tasks: result = sessions_spawn( task=task["task"], role=task["role"], timeoutSeconds=300 ) results.append(result) final_output = summarize(results)

超时时间按任务类型配，别一刀切：

def get_timeout(task_type: str) -> int: timeout_config = { "simple_query": 60, "consultation": 180, "review": 180, "scripting": 300, "ops": 300, "complex_dev": 600 } return timeout_config.get(task_type, 300)

3.4 TTL 缓存配置

缓存用 SQLite 存，带压缩、带锁、带自动过期。建表语句：

CREATE TABLE cache ( id INTEGER PRIMARY KEY AUTOINCREMENT, key TEXT UNIQUE NOT NULL, value BLOB NOT NULL, created_at REAL NOT NULL, ttl INTEGER NOT NULL, category TEXT DEFAULT 'default', access_count INTEGER DEFAULT 0, last_access_at REAL ); CREATE INDEX idx_key ON cache(key); CREATE INDEX idx_category ON cache(category); CREATE INDEX idx_expires ON cache(created_at + ttl);

TTL 参数怎么定，我按数据时效性分了三档：

核心的get_or_set方法，第一次取不到就调函数拉数据并写入缓存，第二次直接命中：

def get_or_set(self, key: str, fetch_func: callable, ttl: int = 3600): cached = self.get(key) if cached is not None: return cached value = fetch_func() self.set(key, value, ttl) return value

用法：

from src.cache.ttl_cache import TtlCache cache = TtlCache("/root/.openclaw/workspace/cache/cache.db") cache.set("complaint_template", template, ttl=86400) data = cache.get_or_set("github_stars", fetch_github_data, ttl=7200)

注意每个 key 要独立加锁，否则高并发时缓存击穿，大量请求直接打到数据库。这个坑我在压测时踩过，加了 per-key 锁之后才稳住。

4. 验证请求：一次多 Agent 协同处理法律文书的完整流程

配置写完，得跑一次真实流程验证。我拿"起草一份民间借贷起诉状"当例子，走一遍完整链路。

第一步，主助理接收任务，解析背景。这一步只做一次，把当事人信息、借款事实、证据清单整理成结构化上下文，写进共享上下文，避免每个分身重复解析。

第二步，并行派生律师、作家、码农三个分身。律师负责起草起诉状正文，作家负责评估这份文书如果做成普法文章怎么讲，码农负责检查有没有需要脚本自动化的部分（比如批量生成证据目录）。三个分身拿到的是同一份共享上下文，但各自只处理自己专业范围内的部分。

第三步，审核员介入。律师输出起诉状后，审核员按lawyer_checklist.md逐项检查：法条名称是否完整、条款号是否正确、法条是否有效、是否区分了已证实事实与待证事实。任何一项"致命问题"命中，直接打回重写。

第四步，魔鬼代言人评估风险。它专门找方案漏洞，比如"如果被告主张借款已还清，证据链是否完整""诉讼时效是否已过"。这一步输出的是风险清单和替代方案，不是否定，而是补强。

第五步，主助理汇总，把审核通过的文书、风险提示、备选方案一起交给你。

验证成功的标志：起诉状里每一条法条引用都能在现行有效法律里找到对应条款，审核员没有报"致命问题"，魔鬼代言人给出的风险点都有对应的应对说明。跑通一次之后，你会发现整个流程的耗时比单模型反复对话短很多，因为背景信息只解析一次，缓存命中后重复任务几乎秒回。

5. 本篇常见报错排查

跑这套系统，报错基本集中在几个地方，我按真实遇到的顺序列出来。

401 Unauthorized：最常见。先查TAOTOKEN_API_KEY有没有复制完整，有没有多余空格或换行。再查 Base URL 是不是https://taotoken.net/api，有没有手滑加/v1。如果 Key 是在别的环境生成的，确认它没被删除或过期。

local proxy failed：这个报错通常出现在你本地配了代理但代理没起来，或者环境变量里残留了HTTP_PROXY。检查env | grep -i proxy，把不需要的清掉。OpenClaw 走的是直连 API，不需要额外代理层。

reading choices 相关报错：一般是返回体结构和你代码里解析的字段对不上。先打印完整响应看结构，确认choices[0].message.content路径正确。有时候是模型返回了空内容，加个判空再解析。

OAuth 相关报错：如果你用的是 Claude Code 这类带 OAuth 的工具，报 OAuth 失败通常是 token 过期或回调地址不对。重新走一遍授权流程，确认回调地址和配置里一致。

缓存命中率低：不是报错但很影响体验。检查 key 的生成逻辑是否稳定，如果每次 key 里带了时间戳或随机数，那永远命中不了。key 必须是确定性的，同样的输入生成同样的 key。

审核员放行太快：这是逻辑问题不是报错。原因是检查清单没强制逐项执行。解决方法是让审核员必须输出每一项的检查结果，不能跳过，代码里加断言，清单项数对不上就报错。

6. 长期跑这套系统，我的接入建议

如果你只是偶尔处理几份文书，单模型对话够用。但如果你每周都要产出法律文书、还要同步做自媒体内容，那这套多 Agent 系统的边际成本会越来越低——角色定义和检查清单是一次性投入，缓存是持续省 token。

长期编码和 Agent 调度这类需求，建议直接上 Coding Plan，https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding_plan&utm_campaign=rewrite ，比按量计费更适合这种高频调用的场景。模型对话验证去 https://taotoken.net/chat?utm_source=taotoken_aicg_blog_end&utm_content=chat&utm_campaign=rewrite ，接入文档在 https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite 。

最后说一个真实经验：这套系统里最值钱的不是代码，是那几份检查清单。律师检查清单里"法条是否有效"这一条，帮我拦下过至少三次引用已废止条款的错误。清单是你专业经验的固化，AI 只是执行者。先把清单写扎实，再谈自动化。