企业官网建设流程全解析

1. OpenClaw 多龙虾协作一键部署包：从 gateway 入口到 agents 集群的完整链路

OpenClaw 多龙虾协作一键部署包，本质上是把「一个 gateway 入口 + 多只 agents 分工」的协作模式打包成可复制的目录结构和脚本，让你不用从零理解每个模块的关系，直接改配置就能跑起来。它适合三类人：一是想让多个模型各司其职、又不想手动维护一堆会话的开发者；二是需要把写作、开发、设计、运维拆成独立 agent 的小团队；三是已经在用 OpenClaw 单 agent、想升级到集群协作的老用户。核心检索词就是 OpenClaw、一键部署、集群脚本、agents、gateway。

我试过把这套流程从零搭一遍，最耗时间的不是写脚本，而是搞清 gateway 和 agents 之间到底谁连谁。gateway 是统一入口，负责接收外部请求、做路由转发、管理 token 鉴权；agents 是真正干活的执行单元，每个 agent 绑定一个模型和一组能力。默认配置里，agents 会各自去连官方通道，Key 分散在多个地方，改一次模型要动好几处。把 gateway 与 agents 的接入配置统一改到 TaoToken 的 Key/API 通道后，所有 agent 共用一条出口，模型切换和额度管理都集中在一个地方，这才是「一键部署包」真正省事的地方。

下面这套部署包目录结构是我实测下来比较顺手的组织方式，你可以直接照着建：

openclaw-cluster/ ├── gateway/ │ ├── gateway.toml # gateway 入口配置 │ └── start-gateway.sh # 网关启动脚本 ├── agents/ │ ├── main.json # 总管龙虾 │ ├── write.json # 写作龙虾 │ ├── dev.json # 开发龙虾 │ ├── design.json # 设计龙虾 │ └── ops.json # 运维龙虾 ├── cluster/ │ ├── join-node.sh # 节点加入脚本 │ └── status.sh # 集群状态检查 └── openclaw.json # 全局协作配置

这个结构的好处是 gateway 和 agents 的配置物理隔离，改通道只动 gateway 层，agents 只声明自己用哪个模型 ID，不碰 Key。很多人踩的坑是把 Key 写进每个 agent 的配置里，结果换通道时要改五份文件，漏一个就报 401。

关于 TaoToken 的定位，它是一个统一的模型 API 通道，官网入口在 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 。你需要先在控制台创建一个 Key，然后把这个 Key 填到 gateway 的配置里，agents 通过 gateway 转发，不再各自持有 Key。这样做的直接收益是：新增一只龙虾只要在 agents 目录加一个 json，不用再申请新 Key；模型 ID 换成 TaoToken 支持的任意模型，gateway 层改一行即可。

部署包的第一段脚本负责创建五只分工龙虾，命令和官方 CLI 一致，直接复制运行：

# 1. 总管龙虾（调度、分配任务、汇总结果） openclaw agents add main --name "总管龙虾" # 2. 写作龙虾（文案、报告、搜索） openclaw agents add write --name "写作龙虾" # 3. 开发龙虾（代码、调试、部署） openclaw agents add dev --name "开发龙虾" # 4. 设计龙虾（图片、视频、封面） openclaw agents add design --name "设计龙虾" # 5. 运维龙虾（监控、定时、发布） openclaw agents add ops --name "运维龙虾" # 查看创建结果 openclaw agents list

运行完openclaw agents list应该能看到五条记录，id 分别是 main、write、dev、design、ops。如果某一条没出现，先检查~/.openclaw/目录是否有写权限，Windows 下对应%USERPROFILE%\.openclaw\。这一步只是注册 agent 元数据，还没绑定模型通道，所以不会报网络错误。

接下来是 gateway 入口配置，这是整个部署包的关键。默认 gateway 会去连官方通道，我们要把它改到 TaoToken。新建gateway/gateway.toml：

[gateway] host = "0.0.0.0" port = 18789 token = "claw123456" [gateway.upstream] # 统一出口改到 TaoToken API 通道 base_url = "https://taotoken.net/api" api_key = "sk-你的TaoToken密钥" provider = "openai-compatible" [gateway.routing] mode = "auto" timeout = 300000 max_retries = 2 [gateway.log] level = "info" path = "./logs/gateway.log"

这里base_url必须是https://taotoken.net/api，不要带 UTM 参数，否则部分客户端会把 query 拼进请求路径导致 404。api_key填你在控制台创建的 Key，provider用openai-compatible是因为 TaoToken 的接口兼容 OpenAI 格式，agents 侧不用改协议。token是集群节点加入时用的握手凭证，和 API Key 是两回事，别混。

gateway 启动脚本gateway/start-gateway.sh：

#!/usr/bin/env bash set -e cd "$(dirname "$0")" echo "[gateway] 启动入口，端口 18789" openclaw gateway start \ --config ./gateway.toml \ --port 18789 \ --token claw123456 echo "[gateway] 已启动，检查日志 ./logs/gateway.log"

给脚本加执行权限chmod +x gateway/start-gateway.sh，然后运行。启动成功的标志是终端输出gateway listening on 0.0.0.0:18789，同时logs/gateway.log里出现upstream connected: https://taotoken.net/api。如果日志里出现local proxy failed，八成是 base_url 写成了带 UTM 的完整链接，去掉 query 即可。

agents 侧的配置要引用 gateway，而不是直连模型。以写作龙虾agents/write.json为例：

{ "id": "write", "name": "写作龙虾", "model": "anthropic/claude-3-sonnet", "gateway": "http://127.0.0.1:18789", "gatewayToken": "claw123456", "maxConcurrent": 2, "timeout": 300000, "systemPrompt": "你是写作龙虾，负责文案、报告和搜索汇总。" }

开发龙虾agents/dev.json把 model 换成deepseek-coder，设计龙虾换成qwen3-vl，运维龙虾换成openai/gpt-4o-mini。注意 model 字段用的是 TaoToken 支持的模型 ID，不是官方原始 ID，具体可用列表在控制台的模型页能查到。gateway 和 gatewayToken 两个字段必须和 gateway.toml 里一致，否则 agent 注册时会报 401。

全局协作配置openclaw.json负责把五只龙虾串起来，路由规则决定什么任务发给谁：

{ "agents": { "list": [ { "id": "main", "name": "总管龙虾", "model": "openai/gpt-4o", "maxConcurrent": 3, "timeout": 300000 }, { "id": "write", "name": "写作龙虾", "model": "anthropic/claude-3-sonnet", "maxConcurrent": 2 }, { "id": "dev", "name": "开发龙虾", "model": "deepseek-coder", "maxConcurrent": 2 }, { "id": "design", "name": "设计龙虾", "model": "qwen3-vl", "contextWindow": 131072 }, { "id": "ops", "name": "运维龙虾", "model": "openai/gpt-4o-mini", "maxConcurrent": 2 } ], "subagents": { "enabled": true, "maxConcurrent": 5, "timeout": 300000 }, "router": { "enabled": true, "mode": "auto", "rules": [ { "trigger": "写作|文案|文章|报告|搜索", "target": "write" }, { "trigger": "代码|开发|编程|部署", "target": "dev" }, { "trigger": "图片|设计|封面|视频", "target": "design" }, { "trigger": "监控|发布|定时|运维", "target": "ops" } ] } } }

把这段覆盖到~/.openclaw/openclaw.json（Linux/Mac）或%USERPROFILE%\.openclaw\openclaw.json（Windows）。覆盖前先备份原文件，避免路由规则冲突。router 的 trigger 是正则匹配，任务描述里出现关键词就会自动转发到对应 agent，不用手动指定。

集群脚本部分，如果你只有一台机器，gateway 和 agents 都在本地，跳过这节也能跑。跨设备时，云端主节点跑 gateway，本地设备用cluster/join-node.sh加入：

#!/usr/bin/env bash set -e GATEWAY_URL="${1:-http://127.0.0.1:18789}" GATEWAY_TOKEN="${2:-claw123456}" echo "[cluster] 加入网关 $GATEWAY_URL" openclaw node join --gateway "$GATEWAY_URL" --token "$GATEWAY_TOKEN" echo "[cluster] 当前节点状态" openclaw node status

运行./cluster/join-node.sh http://你的网关IP:18789 claw123456，成功会输出node joined, id=node-xxxx。cluster/status.sh就是简单包一层openclaw node status，方便定时检查。

2. TaoToken 前置准备：Key、模型 ID 与通道地址怎么填

在改 gateway 配置之前，先把 TaoToken 侧的三样东西准备好：API Key、模型 ID、通道地址。这三样填错任何一个，后面 agents 注册都会失败，而且报错信息不一定直观，所以这一步值得单独说清楚。

API Key 在控制台创建，路径是登录后进入 API Keys 页面，点新建，复制生成的sk-开头的字符串。这个 Key 只在创建时完整显示一次，关掉页面就看不到了，建议先存到密码管理器。Key 的权限默认覆盖你账号下可用的模型，如果只想给集群用部分模型，可以在创建时勾选范围。注意 Key 不要提交到 git，部署包里我建议用环境变量注入，而不是硬编码在 gateway.toml 里。

模型 ID 是 agents 配置里model字段要填的值。TaoToken 的模型命名和官方有差异，比如写作场景常用的anthropic/claude-3-sonnet、开发场景的deepseek-coder、设计场景的qwen3-vl、通用调度的openai/gpt-4o，这些都要以控制台模型列表为准。填错模型 ID 的典型报错是model not found或invalid model，gateway 日志里能看到具体是哪个 agent 请求的。我的做法是先在模型对话页面手动发一条测试消息，确认模型可用，再写进 agents 配置。

通道地址就是https://taotoken.net/api。这里有个细节：gateway 的 base_url 填这个，agents 的 gateway 字段填的是本地 gateway 地址http://127.0.0.1:18789，两者不要搞反。agents 不直接连 TaoToken，而是连本地 gateway，由 gateway 转发到 TaoToken。这样设计的原因是 Key 只存在 gateway 一处，agents 配置可以随便分享不怕泄露。

把 Key 注入 gateway 的推荐做法是用环境变量，改gateway.toml：

[gateway.upstream] base_url = "https://taotoken.net/api" api_key = "${TAOTOKEN_API_KEY}" provider = "openai-compatible"

启动脚本里 export：

export TAOTOKEN_API_KEY="sk-你的密钥" ./gateway/start-gateway.sh

这样 gateway.toml 可以进版本库，Key 留在本地环境。如果你用 systemd 或 docker 跑 gateway，把环境变量配到 service 文件或 compose 的 environment 里即可。

前置准备做完，可以用一条 curl 验证通道是否通：

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

返回 JSON 里能看到模型列表就说明 Key 和通道都正常。如果返回 401，检查 Key 是否复制完整、有没有多余空格；如果返回 404，检查 base_url 是不是多带了路径或 query。这一步过了再往下配 agents，能省很多排查时间。

3. 可复制配置：gateway 与 agents 的完整 settings 片段

这一节把前面散落的配置集中成可直接复制的片段，路径和原文一致，你按顺序粘贴即可。先确认目录：Linux/Mac 下是~/.openclaw/，Windows 下是%USERPROFILE%\.openclaw\。部署包目录可以放在任意位置，我放在~/openclaw-cluster/。

gateway 配置~/openclaw-cluster/gateway/gateway.toml：

[gateway] host = "0.0.0.0" port = 18789 token = "claw123456" [gateway.upstream] base_url = "https://taotoken.net/api" api_key = "${TAOTOKEN_API_KEY}" provider = "openai-compatible" [gateway.routing] mode = "auto" timeout = 300000 max_retries = 2 [gateway.log] level = "info" path = "./logs/gateway.log"

agents 配置我建议每个 agent 一个文件，放在~/openclaw-cluster/agents/。总管龙虾main.json：

{ "id": "main", "name": "总管龙虾", "model": "openai/gpt-4o", "gateway": "http://127.0.0.1:18789", "gatewayToken": "claw123456", "maxConcurrent": 3, "timeout": 300000, "systemPrompt": "你是总管龙虾，负责调度其他 agent、分配任务、汇总结果。" }

写作龙虾write.json：

{ "id": "write", "name": "写作龙虾", "model": "anthropic/claude-3-sonnet", "gateway": "http://127.0.0.1:18789", "gatewayToken": "claw123456", "maxConcurrent": 2, "timeout": 300000, "systemPrompt": "你是写作龙虾，负责文案、报告和搜索汇总。" }

开发龙虾dev.json：

{ "id": "dev", "name": "开发龙虾", "model": "deepseek-coder", "gateway": "http://127.0.0.1:18789", "gatewayToken": "claw123456", "maxConcurrent": 2, "timeout": 300000, "systemPrompt": "你是开发龙虾，负责代码编写、调试和部署。" }

设计龙虾design.json：

{ "id": "design", "name": "设计龙虾", "model": "qwen3-vl", "gateway": "http://127.0.0.1:18789", "gatewayToken": "claw123456", "contextWindow": 131072, "systemPrompt": "你是设计龙虾，负责图片、视频和封面生成。" }

运维龙虾ops.json：

{ "id": "ops", "name": "运维龙虾", "model": "openai/gpt-4o-mini", "gateway": "http://127.0.0.1:18789", "gatewayToken": "claw123456", "maxConcurrent": 2, "timeout": 300000, "systemPrompt": "你是运维龙虾，负责监控、定时任务和发布。" }

全局协作配置~/.openclaw/openclaw.json用第 1 节给的那份，覆盖前先备份。这里再强调三件套的对应关系：Base URL 是https://taotoken.net/api，Key 是sk-开头的 TaoToken 密钥，Model ID 是控制台模型列表里的值。这三样在 gateway 和 agents 配置里各出现一次，Base URL 和 Key 在 gateway，Model ID 在 agents，别填串。

如果你用 Cline MCP 或 Codex 的 auth.json 方式接入，配置形态不同但三件套一致。Codex 的auth.json里填：

{ "base_url": "https://taotoken.net/api", "api_key": "sk-你的TaoToken密钥", "model": "openai/gpt-4o" }

Cline MCP 的 settings 里对应apiProvider选 openai-compatible，baseUrl填https://taotoken.net/api，apiKey填 Key，modelId填模型 ID。CC Switch 切换配置时也是改这三项。不管哪种客户端，只要 Base URL、Key、Model ID 三件套对齐，通道就能通。

配置写完，启动顺序是：先起 gateway，再注册 agents，最后跑协作指令。启动 gateway：

export TAOTOKEN_API_KEY="sk-你的密钥" cd ~/openclaw-cluster/gateway chmod +x start-gateway.sh ./start-gateway.sh

注册 agents：

cd ~/openclaw-cluster/agents for f in main write dev design ops; do openclaw agents apply --config "$f.json" done openclaw agents list

openclaw agents apply会把 json 里的 gateway 和 gatewayToken 写进 agent 运行时，agents list能看到五只龙虾且状态是 online 就对了。

4. 验证请求：检查 agents 注册与 gateway 转发是否正常

配置跑起来后，验证分两层：先确认 agents 注册成功，再确认 gateway 转发到 TaoToken 正常。这两层都过了，才算部署包真正可用。

第一层，agents 注册检查：

openclaw agents status

正常输出类似：

main online model=openai/gpt-4o gateway=http://127.0.0.1:18789 write online model=anthropic/claude-3-sonnet gateway=http://127.0.0.1:18789 dev online model=deepseek-coder gateway=http://127.0.0.1:18789 design online model=qwen3-vl gateway=http://127.0.0.1:18789 ops online model=openai/gpt-4o-mini gateway=http://127.0.0.1:18789

如果某个 agent 显示 offline，先看 gateway 是否在跑，再看该 agent 的 gatewayToken 是否和 gateway.toml 一致。常见错误是 token 拼写不一致，报 401 unauthorized。

第二层，gateway 转发验证。切到总管龙虾，发一条测试任务：

openclaw use main session_send write "写一段100字的AI行业观察"

然后看 gateway 日志：

tail -f ~/openclaw-cluster/gateway/logs/gateway.log

正常日志会依次出现recv request from agent=write、forward to https://taotoken.net/api、response 200。如果卡在forward没有response，检查网络和 Key 额度；如果出现reading choices相关报错，说明返回体解析失败，多半是模型 ID 不被支持或返回了错误结构，换一个模型 ID 再试。

再验证一次完整协作链路，让总管分派多个任务：

openclaw use main session_send write "搜集近期AI热点并写一份300字报告" session_send design "根据报告主题生成一张封面" session_send ops "监控任务完成状态并汇总" openclaw agents status

观察 gateway 日志里是否出现三条并发的forward记录，以及 agents status 里各 agent 的 lastActive 时间是否更新。如果三条都转发成功，说明 gateway 的多路复用和 agents 的并发都正常。

还有一个容易忽略的验证点：跨设备集群。如果你跑了cluster/join-node.sh，在网关侧执行：

openclaw node status

应该能看到本地节点和远程节点都在列表里，状态 online。远程节点上的 agent 发起的请求，会先到本地 gateway 再转发 TaoToken，日志里能看到node=node-xxxx的标记。如果远程节点显示 offline，检查网关 IP 是否可达、防火墙是否放行 18789 端口、token 是否一致。

验证通过后，你可以把常用协作流程写成一个脚本cluster/run-collab.sh：

#!/usr/bin/env bash set -e openclaw use main session_send write "搜集近期AI热点并写报告" session_send design "根据报告生成封面" session_send ops "监控任务完成状态" openclaw agents status

以后每次协作直接跑这个脚本，不用重复敲命令。

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

部署过程中最容易撞上的四类报错，我按出现频率排一下，每个都给定位方法和修复动作。

401 unauthorized。出现位置通常是 agents 注册或 gateway 转发。先分清楚是 gateway 连 TaoToken 报 401，还是 agent 连 gateway 报 401。看日志前缀：upstream 401是 Key 问题，agent auth 401是 gatewayToken 问题。Key 问题检查三处：Key 是否复制完整、是否有多余空格、是否已过期或被删。gatewayToken 问题检查 agents json 里的gatewayToken和 gateway.toml 里的token是否逐字符一致。我踩过的坑是复制 Key 时带了个换行，肉眼看不出来，用echo -n "$TAOTOKEN_API_KEY" | wc -c数一下长度能发现。

local proxy failed。这个报错基本锁定在 base_url 格式。gateway.toml 里base_url必须是https://taotoken.net/api，不能带 UTM 参数，不能带/v1后缀，不能带尾部斜杠。带 query 的链接会被某些 HTTP 客户端当成路径的一部分，导致代理层解析失败。修复就是把 base_url 改成纯净地址，重启 gateway。

reading choices 相关报错。完整形态可能是error reading choices: unexpected end of JSON input或cannot read choices[0]。这是返回体解析失败，原因通常是模型 ID 不被 TaoToken 支持，或者请求参数里带了该模型不认的字段。定位方法是在 gateway 日志里找到对应的请求体，看 model 字段的值，然后去控制台模型列表核对。修复是换成列表里存在的模型 ID。另一个可能是 max_tokens 设得过大被上游拒绝，把 agents 配置里的 timeout 和 maxConcurrent 调小再试。

OAuth 相关报错。如果你之前用官方 OAuth 登录过，本地可能残留了旧的凭证文件，gateway 启动时会优先读它，导致和 TaoToken 的 Key 冲突。表现是日志里出现oauth token expired或refresh failed。修复是清掉旧凭证：Linux/Mac 下rm -rf ~/.openclaw/credentials/，Windows 下删%USERPROFILE%\.openclaw\credentials\，然后重新用 Key 启动 gateway。清之前确认没有其他项目依赖这份凭证。

除了这四类，还有两个小坑值得提。一是端口占用，18789 被别的进程占了，gateway 起不来，用lsof -i:18789查一下，换端口要同步改 agents 的 gateway 字段。二是并发超限，五只龙虾同时跑大任务时，subagents 的 maxConcurrent 默认 5 可能不够，报concurrency limit exceeded，把 openclaw.json 里的 maxConcurrent 调到 10 再试。

排查时养成看日志的习惯，gateway 日志在~/openclaw-cluster/gateway/logs/gateway.log，agents 日志在~/.openclaw/logs/。日志级别设成 info 就够，debug 会刷屏。遇到不确定的报错，先把 gateway 日志最后 50 行贴出来，大部分问题能直接定位。

6. 把 gateway 与 agents 统一到 TaoToken 后的长期用法

配置改到 TaoToken 统一通道后，日常维护会轻很多。新增一只龙虾，只要在 agents 目录加一个 json，model 填 TaoToken 支持的 ID，gateway 和 gatewayToken 复用现有的，然后openclaw agents apply即可，不用再申请新 Key。换模型也是改 agents json 里的 model 字段，gateway 层不动。额度管理集中在 TaoToken 控制台，哪个模型用了多少一目了然，不用在多个平台之间对账。

长期跑集群的话，建议把 gateway 做成开机自启。Linux 下用 systemd：

[Unit] Description=OpenClaw Gateway After=network.target [Service] Environment=TAOTOKEN_API_KEY=sk-你的密钥 ExecStart=/usr/local/bin/openclaw gateway start --config /home/user/openclaw-cluster/gateway/gateway.toml Restart=always [Install] WantedBy=multi-user.target

Windows 下可以用任务计划程序，触发条件设为登录时，操作指向start-gateway.sh的等价 bat 脚本。这样机器重启后集群自动恢复，不用手动敲命令。

协作指令方面，总管龙虾的调度能力依赖 router 规则。如果你的任务类型比较固定，可以把 trigger 正则写得更精确，减少误路由。比如把「写作|文案|文章|报告|搜索」拆成两条，写作类走 write，搜索类单独走一个 search agent。规则越细，路由越准，但维护成本也越高，按实际任务分布权衡。

最后给一个日常检查清单，每周花两分钟过一遍：openclaw agents status看五只龙虾是否 online；openclaw node status看集群节点是否齐全；tail -20 gateway.log看有没有 401 或 reading choices 报错；TaoToken 控制台看额度消耗是否正常。这四步做完，集群基本不会出意外。

需要创建 Key 或查模型列表，去控制台 https://taotoken.net/console ；接入文档在 https://taotoken.net/doc ；想先手动验证模型可用性，用模型对话 https://taotoken.net/chat ；长期跑编码和 Agent 协作，Coding Plan 更划算 https://taotoken.net/coding-plan 。API 地址统一用 https://taotoken.net/api ，配置里别带多余参数。