企业官网建设流程全解析

1. 项目概述：当“剥龙虾”遇上“中医技能”，一次跨界AI智能体实战

最近在折腾一个挺有意思的事儿，一边处理着手里的小龙虾，一边琢磨着怎么用AI做个能“起号”的中医技能。这听起来有点风马牛不相及，但核心逻辑其实很清晰：用当下最火的AI智能体（Agent）技术，把一个垂直领域的专业知识（比如中医方剂）封装成一个可交互、能传播的数字化产品。这不仅是技术上的尝鲜，更是一种低成本验证内容方向和获取初始流量的实战策略。

“起号”是内容创作者和运营者永恒的课题，无论是短视频、公众号还是知识星球，冷启动阶段总是最难的。传统方式要么靠持续输出高质量内容硬扛，要么靠投放，成本都不低。而AI智能体提供了一个新思路：做一个有用、有趣、能解决特定问题的“数字助手”，让它成为你内容的延伸和流量入口。中医，作为一个拥有深厚群众基础和文化认同，同时又存在大量信息不对称的领域，无疑是绝佳的试验田。用户有查询方剂、了解药材、咨询简单养生建议的需求，而一个设计得当的AI技能，可以7x24小时、标准化地满足这些需求，积累精准用户。

在这个过程中，我选择了OpenClaw作为核心开发框架。它不是一个具体的应用，而是一个开源的AI智能体开发与部署平台，你可以把它理解为一个“乐高积木箱”，提供了连接大模型、定义工具（Tools）、编排工作流（Workflow）、并最终发布为API或交互界面的能力。相比从零开始写代码调用大模型API，OpenClaw这类框架大幅降低了智能体开发的门槛，让开发者能更专注于业务逻辑本身。我这次的目标，就是利用OpenClaw，构建一个能理解自然语言中医咨询、检索方剂知识库并生成美观“方剂卡片”的智能体。

2. 核心思路与方案选型：为什么是OpenClaw+中医知识库？

这个项目的核心是构建一个“中医问答-卡片生成”智能体。拆解开来，需要解决几个关键问题：如何让AI理解中医问题？如何获取准确的中医方剂数据？如何将结果结构化、可视化地呈现？以及，如何低成本地部署和分享？

2.1 技术栈选型背后的考量

1. 智能体框架：OpenClaw

   • 为什么是它？在众多AI智能体框架（如LangChain、Semantic Kernel、Dify、Coze）中，OpenClaw吸引我的点在于其“开箱即用”的部署体验和清晰的架构。它原生支持Docker容器化部署，这对于后期上云、扩缩容极其友好。其设计理念强调“工具”的封装和“工作流”的编排，与我们想做的“查询-处理-输出”流水线非常契合。从热搜词也能看出，它的安装、部署是社区关注的热点，说明生态在活跃成长，遇到问题更容易找到解决方案。
   • 避坑提示：正如热词中提到的错误openclaw gateway could not start the cli，OpenClaw对运行环境（尤其是Python版本、依赖包冲突）比较敏感。建议从一开始就使用Docker或严格的虚拟环境（如conda）来隔离，避免污染系统环境。

2. 大模型基座：选择与调整

   • 核心需求：需要模型具备较强的中文理解能力、指令遵循能力以及一定的推理能力。中医术语和描述相对专业，模型需要能准确捕捉用户意图（例如，“我咳嗽有黄痰，喉咙痛”应关联到“风热感冒”及相关方剂）。
   • 实践方案：我测试了多个开源和闭源模型。对于快速原型验证，GPT-3.5-Turbo或GPT-4的API是可靠的选择，效果稳定。若考虑长期成本和数据隐私，可以在OpenClaw中接入开源的Qwen（通义千问）、ChatGLM或Llama系列模型的本地部署版本。OpenClaw的良好兼容性使得切换模型基座变得相对容易。

3. 知识库构建：中医方剂数据

   • 数据来源：准确是生命线。我使用了公开的《方剂学》教材数据、药典资料以及经过审核的权威中医药网站信息，整理成结构化的JSON或CSV文件。关键字段包括：方剂名称、出处、组成、用法、功效、主治、方解（简要）、禁忌等。
   • 知识检索：并非所有问题都需要大模型“凭空”生成。我们将方剂知识库作为外部数据源（Tool）。当用户提问时，智能体首先将问题转换为查询关键词，在知识库中进行语义搜索（可用OpenClaw集成的向量数据库如Chroma、Milvus，或简单的关键词匹配），找到最相关的几个方剂，再将结果交给大模型进行总结、比对和最终回答。这保证了信息的准确性，并减少了模型的“幻觉”。

4. 输出呈现：方剂卡片生成

   • 设计目标：生成的结果不能只是一段文字。一张设计精良、信息清晰的卡片，更利于用户在社交媒体上分享和传播，这正是“起号”所需要的素材。
   • 技术实现：OpenClaw的智能体可以调用一个“卡片生成工具”。这个工具可以是一个简单的Python函数，它接收结构化方剂数据，使用模板引擎（如Jinja2）或绘图库（如Pillow、reportlab），生成一张包含关键信息的图片。更进阶的做法，可以集成前端库，直接输出一个HTML片段或小程序卡片代码。

2.2 整体工作流设计

最终的智能体工作流被设计成一个清晰的管道：

用户输入（自然语言中医问题） ↓ OpenClaw智能体接收，调用“意图理解”模块 ↓ 解析出核心症状、证型等关键实体 ↓ 调用“方剂知识库检索工具”，获取候选方剂列表 ↓ 大模型对候选列表进行精炼、对比、解释，生成个性化建议文本 ↓ 调用“方剂卡片生成工具”，将文本与数据转化为图片 ↓ 输出给用户：文本建议 + 方剂卡片图片

这个流程确保了从用户问题到最终成果的每一步都是可控、可解释的。

3. 实操搭建：从零部署OpenClaw到技能上线

理论清晰后，我们进入动手环节。以下是我在Linux服务器（Ubuntu 20.04）上的实操记录。

3.1 环境准备与OpenClaw部署

注意：官方文档是首要参考，但以下记录包含了我实际踩坑后的优化步骤。

步骤1：基础环境搭建确保系统已安装Docker和Docker Compose。这是最推荐的方式，能避免绝大多数环境冲突。

# 更新包列表并安装依赖 sudo apt-get update sudo apt-get install -y docker.io docker-compose git python3-pip # 将当前用户加入docker组，避免每次sudo sudo usermod -aG docker $USER newgrp docker # 或注销重新登录生效

步骤2：获取OpenClaw直接从GitHub克隆官方仓库。建议检查最新的Release版本，以获得稳定体验。

git clone https://github.com/openclaw-ai/openclaw.git cd openclaw

步骤3：配置与启动OpenClaw的Docker部署非常简洁。核心配置文件是.env和docker-compose.yml。

# 复制环境变量示例文件 cp .env.example .env

编辑.env文件，最关键的是配置大模型的连接。如果你使用OpenAI API：

# .env 文件关键配置 LLM_PROVIDER=openai OPENAI_API_KEY=sk-your-actual-openai-api-key-here OPENAI_BASE_URL=https://api.openai.com/v1 # 如果使用代理或自定义端点，可修改

如果你打算使用本地部署的Ollama（例如运行了Qwen2.5），配置可能如下：

LLM_PROVIDER=ollama OLLAMA_BASE_URL=http://host.docker.internal:11434 # 从Docker容器内访问主机服务 OLLAMA_MODEL=qwen2.5:7b

实操心得：host.docker.internal这个主机名在Linux的Docker Desktop中很好用，但在纯Linux Docker环境下可能无法解析。如果遇到连接问题，一个更通用的方法是使用宿主机的实际IP地址（如172.17.0.1），或者创建一个共享网络。

配置完成后，一键启动：

docker-compose up -d

使用docker-compose logs -f可以查看实时日志，确认服务是否正常启动。访问http://你的服务器IP:3000应该能看到OpenClaw的Web管理界面。

3.2 构建中医方剂知识库工具

OpenClaw的核心功能之一是“工具（Tools）”。我们将把中医方剂查询封装成一个工具。

步骤1：准备数据将收集整理的中医方剂数据保存为formulas.json，结构如下：

[ { "name": "麻黄汤", "source": "《伤寒论》", "composition": "麻黄9g，桂枝6g，杏仁6g，甘草3g", "usage": "水煎服，温覆取微汗", "efficacy": "发汗解表，宣肺平喘", "indication": "外感风寒表实证。恶寒发热，头身疼痛，无汗而喘，舌苔薄白，脉浮紧。", "analysis": "麻黄为君，发汗解表；桂枝为臣，助麻黄发汗；杏仁为佐，降利肺气；甘草为使，调和诸药。", "contraindication": "表虚自汗、外感风热、阴虚咳喘者忌用。" }, // ... 更多方剂 ]

步骤2：创建知识库检索工具在OpenClaw的管理界面中，进入“Tools”部分，创建新的自定义工具。这里我们编写一个Python函数来实现语义搜索。OpenClaw支持直接上传Python文件。

创建一个文件tcm_knowledge_tool.py：

import json from typing import List, Dict, Any import numpy as np from sentence_transformers import SentenceTransformer # 需要安装 # 初始化模型（小型句子编码器，用于计算语义相似度） model = SentenceTransformer('paraphrase-multilingual-MiniLM-L12-v2') class TCMFormulaTool: def __init__(self, data_path: str = 'formulas.json'): with open(data_path, 'r', encoding='utf-8') as f: self.formulas = json.load(f) # 为所有方剂的“indication”（主治）和“name”（名称）生成嵌入向量 self.texts = [f"{f['name']}：{f['indication']}" for f in self.formulas] self.embeddings = model.encode(self.texts, convert_to_tensor=True) def search(self, query: str, top_k: int = 3) -> List[Dict[str, Any]]: """根据查询语句，返回最相关的top_k个方剂""" query_embedding = model.encode(query, convert_to_tensor=True) # 计算余弦相似度 similarities = np.dot(self.embeddings, query_embedding) / ( np.linalg.norm(self.embeddings, axis=1) * np.linalg.norm(query_embedding) ) top_indices = np.argsort(similarities)[-top_k:][::-1] # 取相似度最高的k个 results = [self.formulas[i] for i in top_indices] return results # 实例化工具，供OpenClaw调用 tcm_tool = TCMFormulaTool() def search_formulas(query: str) -> str: """OpenClaw工具的标准入口函数，返回格式化字符串""" results = tcm_tool.search(query) if not results: return "未找到相关方剂。" output = [] for i, formula in enumerate(results, 1): output.append(f"{i}. 【{formula['name']}】") output.append(f" 组成：{formula['composition']}") output.append(f" 功效：{formula['efficacy']}") output.append(f" 主治：{formula['indication']}") output.append("") return "\n".join(output)

将这个文件上传到OpenClaw，并配置工具名称（如search_tcm_formulas）、描述和参数（query）。OpenClaw会自动将其包装成智能体可调用的工具。

注意事项：首次运行会下载Sentence Transformer模型，可能需要一定时间。对于生产环境，可以考虑将模型提前下载好并挂载到容器中，或者使用更轻量级的检索方式（如TF-IDF）作为初版。

3.3 创建智能体与编排工作流

有了知识库工具，我们就可以在OpenClaw的图形化界面中组装智能体了。

步骤1：创建智能体在“Agents”页面，点击创建。给智能体起个名字，比如“中医方剂小助手”，并选择基础大模型（如GPT-3.5-Turbo）。

步骤2：编排工作流在智能体的编辑界面，我们可以通过拖拽或配置的方式定义其行为。

1. 系统提示词（System Prompt）：这是智能体的“人格”和基础指令。我使用的提示词如下：

   你是一位资深中医师助手，专业、严谨且富有耐心。你的核心任务是帮助用户根据症状查询和了解中医方剂。 工作流程： 1. 仔细分析用户描述的症状（如恶寒、发热、咳嗽、痰的颜色质地、舌苔、脉象等）。 2. 调用`search_tcm_formulas`工具，以症状关键词进行查询。 3. 收到工具返回的方剂列表后，结合你的中医知识，向用户解释这些方剂中哪个（或哪几个）可能最对症，并简要说明方义和适用情况。 4. 最后，提醒用户：中医讲究辨证论治，此建议仅供参考，实际用药请咨询注册中医师。 回答风格：亲切、清晰、有条理，避免使用过于晦涩的古文。

   这段提示词明确了角色、步骤和边界，能很好地引导模型行为。

2. 工具绑定：在智能体配置中，将我们之前创建的search_tcm_formulas工具添加进来。这样，智能体在推理过程中，就能在需要时自主调用这个工具了。

3. 测试与迭代：在界面的聊天窗口直接测试。输入“我最近感冒了，怕冷，不出汗，还有点咳嗽”，观察智能体是否成功调用工具并给出了合理的方剂（如麻黄汤）和建议。根据测试结果，反复调整系统提示词和工具的描述，直到行为符合预期。

3.4 实现方剂卡片生成与输出

文本回答有了，我们还需要视觉化的卡片。这需要再创建一个工具。

步骤1：创建卡片生成工具新建一个Python文件generate_card.py，使用Pillow库来生成图片。

from PIL import Image, ImageDraw, ImageFont import json import textwrap def generate_formula_card(formula_data: dict, output_path: str = "formula_card.png") -> str: """ 根据方剂数据生成卡片图片。 formula_data: 包含方剂信息的字典 output_path: 图片输出路径 返回：图片保存路径 """ # 卡片尺寸和背景 width, height = 800, 1000 background_color = (255, 250, 240) # 米白色 title_color = (139, 0, 0) # 深红色 text_color = (50, 50, 50) # 深灰色 img = Image.new('RGB', (width, height), color=background_color) draw = ImageDraw.Draw(img) # 加载字体（确保服务器上有中文字体，如SimHei.ttf） try: title_font = ImageFont.truetype("SimHei.ttf", 40) header_font = ImageFont.truetype("SimHei.ttf", 28) body_font = ImageFont.truetype("SimHei.ttf", 24) except: # 备用字体 title_font = ImageFont.load_default() header_font = ImageFont.load_default() body_font = ImageFont.load_default() # 绘制标题 title = formula_data.get('name', '中医方剂') draw.text((width//2, 50), title, fill=title_color, font=title_font, anchor="mm") # 绘制信息栏 y_offset = 130 line_height = 40 info_items = [ ("【出处】", formula_data.get('source', '')), ("【组成】", formula_data.get('composition', '')), ("【用法】", formula_data.get('usage', '')), ("【功效】", formula_data.get('efficacy', '')), ("【主治】", formula_data.get('indication', '')), ("【禁忌】", formula_data.get('contraindication', '暂无')), ] for header, content in info_items: # 绘制标题头 draw.text((50, y_offset), header, fill=title_color, font=header_font) # 绘制内容，自动换行 content_lines = textwrap.wrap(content, width=30) # 每行约30个汉字 for line in content_lines: draw.text((80, y_offset + 5), line, fill=text_color, font=body_font) y_offset += line_height y_offset += 10 # 段间距 # 底部提示 footer = "温馨提示：本方剂信息仅供参考，用药请遵医嘱。" draw.text((width//2, height - 50), footer, fill=(150, 150, 150), font=body_font, anchor="mm") img.save(output_path) return output_path # OpenClaw工具函数 def create_formula_card(formula_name: str, formula_json: str) -> str: """OpenClaw工具入口：根据方剂名和JSON数据生成卡片，返回图片路径或URL""" data = json.loads(formula_json) # 在实际部署中，output_path应指向一个Web可访问的目录 card_path = generate_formula_card(data, f"/tmp/{formula_name}_card.png") # 假设我们有一个静态文件服务，可以返回图片的URL image_url = f"https://你的域名/static/cards/{formula_name}_card.png" # 这里简化处理，直接返回路径。实际需将图片上传到云存储或指定目录。 return f"方剂卡片已生成，图片地址（示例）: {image_url}。卡片关键信息已在上文展示。"

同样，将这个工具上传到OpenClaw，命名为generate_formula_card。

步骤2：修改智能体工作流现在，我们需要让智能体在给出文本建议后，自动为最推荐的方剂生成卡片。这需要修改系统提示词，并可能涉及更复杂的工作流编排（如果OpenClaw支持多步骤工作流）。一个简单的方法是增强提示词：

在原有系统提示词末尾添加：

5. 在推荐了最合适的方剂后，调用`generate_formula_card`工具，传入该方剂的名称和详细信息，为它生成一张美观的总结卡片。 6. 在回复中，除了文本解释，还要告诉用户卡片已生成，并提供查看或下载卡片的指引。

这样，智能体在推理过程中，会在适当的时候链式调用两个工具：先搜索，再生成卡片。

4. 部署发布与“起号”应用

智能体在OpenClaw后台运行良好后，我们需要把它暴露出去，让用户能访问。

4.1 提供访问接口

OpenClaw通常提供几种方式：

1. API接口：OpenClaw可以为智能体生成专用的API端点。我们可以获取这个API URL和密钥，集成到自己的小程序、H5页面或公众号后台。
2. Webhook：可以配置当智能体收到消息时，触发一个Webhook到我们的服务器，进行更复杂的业务处理。
3. 嵌入网页：一些框架支持生成可嵌入的聊天窗口组件。

对于“起号”这个场景，最直接的方式是：

• 方案A（轻量）：将OpenClaw生成的聊天窗口嵌入到一个简单的静态网页中，将这个网页发布到GitHub Pages、Vercel等免费平台。在抖音、小红书、公众号的文章中引导用户访问这个网页与“中医助手”对话。
• 方案B（集成）：将OpenClaw的API对接到微信公众号的自动回复或小程序中，用户体验更原生。

4.2 内容运营与“起号”策略

技术实现只是基础，如何让这个技能带来流量才是关键。

1. 内容素材生成：主动使用自己的智能体，输入各种典型症状（如“熬夜上火怎么办”、“湿气重有什么表现”），将智能体生成的文本建议和精美的方剂卡片保存下来。这些就是现成的、高质量的图文内容。
2. 多平台分发：
   • 小红书：适合发布精美的方剂卡片，配上“AI中医助手推荐”等标签，文案强调实用性和趣味性。
   • 抖音/视频号：可以将与智能体的对话过程录屏，配上解说，制作成“用AI看中医”的短视频。
   • 公众号：可以撰写文章，介绍这个AI技能的创作过程，并嵌入交互入口，吸引技术爱好者和中医爱好者。
3. 引导互动与沉淀：在所有内容中，明确引导用户去你的专属页面体验完整的AI问诊对话。可以设置“打卡”机制，比如体验后回复关键词获取“体质自测报告”，将公域流量引导至私域社群。

4.3 成本考量与优化

• 大模型API成本：如果使用GPT-4，交互成本较高。建议初期使用GPT-3.5-Turbo，或切换到本地部署的7B-14B参数开源模型，在效果和成本间取得平衡。
• 算力成本：如果使用本地模型，需要一台带有GPU的服务器。云服务器按量计费是灵活的选择。
• 优化方向：
  • 缓存：对常见问题（如“感冒怎么办”）的答案和卡片进行缓存，避免重复调用模型和工具。
  • 知识库压缩：使用更高效的向量数据库和索引，提升检索速度。
  • 流量控制：在免费体验页面设置简单的排队或每日次数限制，防止被刷爆。

5. 常见问题与排查实录

在开发和部署过程中，我遇到了不少问题，这里记录下最典型的几个及其解决方法。

5.1 OpenClaw部署与启动问题

5.2 智能体行为不符合预期

• 问题：智能体不调用工具，而是自己胡编乱造方剂。
  • 排查：检查系统提示词是否清晰指令了调用工具的步骤和条件。模型有时会“偷懒”。可以在提示词中强调“你必须调用search_tcm_formulas工具来获取信息”，并设定不调用工具时的惩罚性描述。
• 问题：调用工具返回的结果，智能体解读错误。
  • 排查：这可能是工具返回的数据格式太复杂，或者模型理解能力有限。优化工具返回的数据，使其更简洁、结构化（例如，用清晰的Markdown列表）。同时，在提示词中指导模型如何解读这些数据：“工具返回了一个方剂列表，每个方剂包含名称、组成、功效。请你比较它们的主治描述与用户症状的匹配度。”
• 问题：生成的方剂卡片图片，中文显示为乱码。
  • 排查：这是Docker容器内缺少中文字体导致的。解决方案是将宿主机的字体文件挂载到容器中。

    # 在 docker-compose.yml 中，为运行工具的服务添加卷挂载 services: openclaw-backend: # 假设是你的后端服务名 volumes: - /usr/share/fonts:/usr/share/fonts:ro # 挂载系统字体目录 - ./local_fonts:/app/fonts:ro # 或挂载项目内的字体文件

    然后在Python代码中指定字体路径：ImageFont.truetype("/app/fonts/SimHei.ttf", 40)。

5.3 性能与扩展性问题

• 响应慢：首次调用工具加载模型慢，或者检索大量数据慢。
  • 优化：将Sentence Transformer模型提前下载并挂载到容器，避免每次启动下载。对于知识库，考虑使用专业的向量数据库（如Qdrant），并建立索引。
• 多人同时访问卡顿：
  • 优化：OpenClaw本身可能不是为高并发设计。对于公开服务，可以考虑在其前端加一个负载均衡，或者将智能体API封装到性能更好的后端服务（如FastAPI）中，由后端服务来管理并发和队列。

这个项目从“剥龙虾”时的突发奇想，到一步步实现，让我深刻感受到，AI智能体不再是遥不可及的技术概念。它就像一套现代化的木工工具，让每个有想法的人，即使不是编程专家，也能动手打造出解决特定问题的数字产品。中医方剂卡片只是一个起点，同样的模式可以复制到法律咨询、考研规划、宠物养护等无数个垂直领域。关键在于，你是否能精准地定义问题、整理知识、并设计出流畅的人机交互流程。最后，再啰嗦一句，医疗健康领域无小事，我们做的这个“技能”务必在显著位置声明“仅供参考，不能替代专业医疗建议”，这是技术的边界，也是开发者的责任。