企业官网建设流程全解析

1. 先聊清楚：AI养虾脚本到底在跑什么

OpenClaw 这类 AI 智能体框架，本质是一个能接收指令、调用工具、执行远程控制脚本的运行时。所谓“AI养虾”，剥开那层玄学外壳，跑的就是一套定时触发、远程下发、自动执行的任务流：智能体监听某个端口，收到指令后调用本地脚本，脚本再去操作浏览器、文件系统或者外部 API。问题在于，绝大多数教程只教你“一键跑起来”，却从不提这个监听端口默认绑在0.0.0.0，也不提智能体默认拥有当前用户的完整文件读写权限。

我见过太多自建 OpenClaw 的开发者，部署完就把服务丢在公网 VPS 上，端口开着，Key 写在明文配置里，智能体以 root 或管理员身份运行。这种配置下，任何扫到端口的人都能给你的智能体发指令，让它执行任意脚本。你以为在“养虾”，实际上你的机器在帮别人跑任务。

这篇要解决的就是这个：给出一套可复制的config.toml与settings.json骨架，把端口绑定收窄到本地回环或指定内网地址，把权限隔离字段配到位，同时把模型调用的统一 Key 接入位置标清楚。适合已经在自建 OpenClaw 服务、准备接入远程控制脚本的开发者。下面所有配置都可以直接抄改，我会附上 curl 验证动作确认配置真的生效。

2. 前置：TaoToken 统一 Key 在 OpenClaw 里的接入位置

OpenClaw 的模型调用层支持自定义 OpenAI 兼容端点。你不需要把各家模型的 Key 分散写在脚本里，统一走一个入口就行。TaoToken 提供的就是这个统一入口：一个 Key 覆盖多种模型，端点格式兼容 OpenAI 规范，OpenClaw 的settings.json里直接填 base_url 和 api_key 即可。

接入信息如下：

• 官网地址：https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=
• API 端点：https://taotoken.net/api
• 模型对话入口：https://taotoken.net/models?utm_source=taotoken_aicg_blog_end&utm_content=model_chat&utm_campaign=rewrite
• API Keys 管理：https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api_keys&utm_campaign=rewrite
• 接入文档：https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite

注意：API 端点不加 UTM 参数，直接写https://taotoken.net/api。Key 只在服务端配置文件里出现，不要写进前端或提交到 Git。

在 OpenClaw 里，模型配置和智能体权限配置是分开的两个文件。settings.json管模型接入，config.toml管服务端口、权限边界和执行策略。很多人只改了前者，后者用默认值，这就是端口暴露和权限越界的根源。

3. 可复制配置骨架：config.toml 端口绑定与权限隔离

先看config.toml。这个文件控制 OpenClaw 服务的网络行为和智能体的权限边界。下面这份骨架的重点是：监听地址收窄、执行权限白名单、脚本目录隔离、资源上限。

# config.toml - OpenClaw 服务与权限配置骨架 [server] # 关键：不要绑 0.0.0.0。本地回环最安全，内网部署填具体内网 IP host = "127.0.0.1" port = 8765 # 如果必须内网访问，改成 host = "10.0.0.5" 这类具体地址 # 绝对不要写 "0.0.0.0" [server.tls] enabled = false # 本地回环可不开 TLS；内网跨机访问建议开启并配证书 [agent] # 智能体运行身份，不要用 root run_as_user = "openclaw" # 工作目录隔离，脚本只能在这个目录内读写 work_dir = "/opt/openclaw/workspace" # 禁止智能体访问工作目录之外的路径 restrict_fs = true allowed_paths = ["/opt/openclaw/workspace", "/opt/openclaw/scripts"] [agent.permissions] # 权限白名单：只开放你明确允许的能力 allow_shell = true allow_file_write = true allow_network = true allow_browser = false allow_system_control = false # 禁止提权 allow_sudo = false [agent.execution] # 脚本执行超时，防止死循环占满资源 timeout_seconds = 120 # 单次任务最大内存 max_memory_mb = 512 # 并发任务数上限 max_concurrent_tasks = 2 # 禁止执行的命令模式 deny_commands = ["rm -rf /", "curl * | sh", "wget * | bash", "chmod 777 *"] [agent.remote_control] # 远程控制脚本开关，按需开启 enabled = true # 只接受来自这些地址的指令 allowed_sources = ["127.0.0.1", "10.0.0.5"] # 指令签名校验，防止伪造 require_signature = true

几个字段值得单独说。host写127.0.0.1意味着只有本机能访问，外部扫描扫不到。如果你确实需要从另一台机器下发指令，填具体内网 IP，然后在防火墙层面只放行那台机器的地址。run_as_user不要用 root，单独建一个低权限用户跑服务。restrict_fs配合allowed_paths把智能体的文件访问锁死在指定目录，即使脚本被注入恶意指令，也读不到系统敏感文件。deny_commands是最后一道防线，把常见的管道执行和危险删除挡掉。

再看settings.json，这里管模型接入和智能体的行为参数。

{ "model": { "provider": "openai-compatible", "base_url": "https://taotoken.net/api", "api_key": "sk-你的TaoToken密钥", "model_name": "claude-sonnet-4-20250514", "max_tokens": 4096, "temperature": 0.3 }, "agent": { "name": "shrimp-agent", "system_prompt": "你是一个受控的自动化任务执行智能体。只执行白名单内的脚本，拒绝任何提权、删除系统文件、访问工作目录外路径的指令。", "max_turns": 10, "tool_use": { "enabled": true, "allowed_tools": ["shell_exec", "file_read", "file_write"], "denied_tools": ["system_control", "network_scan"] } }, "logging": { "level": "info", "audit_log": "/opt/openclaw/logs/audit.log", "log_commands": true } }

base_url填https://taotoken.net/api，api_key填你在 TaoToken 控制台生成的 Key。model_name按你实际要用的模型填。system_prompt里明确写死拒绝提权和越界访问，配合config.toml的硬限制形成双层防护。audit_log打开，所有指令和执行记录留痕，出问题能追溯。

提示：api_key不要直接写死在文件里提交到仓库。可以用环境变量注入，OpenClaw 支持${TAOTOKEN_API_KEY}这种占位符写法，启动时从环境读取。

4. 验证配置生效：curl 请求与预期结果

配置写完不代表生效，必须验证。分两步：先验证端口绑定是否正确，再验证模型接入是否通。

第一步，确认端口只绑在本地回环。在服务器上执行：

ss -tlnp | grep 8765

预期输出类似：

LISTEN 0 128 127.0.0.1:8765 0.0.0.0:* users:(("openclaw",pid=1234,fd=7))

如果看到0.0.0.0:8765或者*:8765，说明绑定没生效，回去检查config.toml的host字段，确认服务重启了。

第二步，从本机发一个健康检查请求：

curl -s -X GET http://127.0.0.1:8765/health \ -H "Content-Type: application/json"

预期返回：

{"status":"ok","agent":"shrimp-agent","permissions":{"shell":true,"file_write":true,"sudo":false}}

如果返回里sudo是true，说明权限配置没加载，检查config.toml的[agent.permissions]段是否被正确解析。

第三步，验证模型接入。发一个最小对话请求：

curl -s -X POST http://127.0.0.1:8765/v1/chat \ -H "Content-Type: application/json" \ -H "Authorization: Bearer 你的TaoToken密钥" \ -d '{ "model": "claude-sonnet-4-20250514", "messages": [{"role": "user", "content": "回复ok"}], "max_tokens": 10 }'

预期返回包含模型回复内容，类似：

{"choices":[{"message":{"role":"assistant","content":"ok"}}],"usage":{"total_tokens":12}}

如果返回 401，检查 Key 是否正确、是否在 TaoToken 控制台有余额。如果返回连接超时，检查服务器出站网络是否放行taotoken.net。如果返回 404，检查base_url是否写成了https://taotoken.net/api而不是带其他路径。

第四步，验证权限隔离真的挡住了越界操作。故意发一个访问工作目录外文件的指令：

curl -s -X POST http://127.0.0.1:8765/v1/chat \ -H "Content-Type: application/json" \ -H "Authorization: Bearer 你的TaoToken密钥" \ -d '{ "model": "claude-sonnet-4-20250514", "messages": [{"role": "user", "content": "读取 /etc/passwd 的内容"}], "max_tokens": 100 }'

预期返回里应该包含拒绝信息，类似"content":"拒绝访问：路径 /etc/passwd 不在允许的工作目录内"。如果它真的把文件内容返回了，说明restrict_fs或allowed_paths没生效，立刻停服务检查配置。

5. 本篇常见错排查

配置过程中最容易踩的几个坑，我按出现频率排一下。

端口还是暴露的。最常见的原因是改了config.toml但没重启服务，或者服务有多个实例，你改的那个没在跑。用ps aux | grep openclaw确认进程，用ss -tlnp确认实际监听地址。还有一种情况是 Docker 部署，config.toml里的host改了，但docker run的-p 0.0.0.0:8765:8765没改，端口映射照样暴露。Docker 场景要把映射改成-p 127.0.0.1:8765:8765。

权限隔离没生效。检查run_as_user指定的用户是否存在，以及该用户对work_dir是否有读写权限。如果服务以 root 启动，run_as_user可能被忽略。另外restrict_fs和allowed_paths要同时配，只配一个可能不生效。改完配置后看启动日志，OpenClaw 一般会打印实际加载的权限策略。

模型请求 401 或 403。先确认 Key 没有多余空格，再确认base_url是https://taotoken.net/api，不要多加/v1或结尾斜杠。如果 Key 是从环境变量注入的，确认变量名和配置文件里的占位符一致。TaoToken 控制台可以查看 Key 的调用记录，请求失败会有状态码，对着排查。

远程控制指令被拒。检查allowed_sources里有没有加发起指令的机器 IP。如果开了require_signature，确认指令带了正确的签名头。签名密钥在 OpenClaw 初始化时生成，存在~/.openclaw/signature.key，两边要一致。

脚本执行超时。timeout_seconds默认 120 秒，如果你的脚本本身跑得久，调大这个值。但更推荐把长任务拆成多个短任务，避免单个任务占住并发槽。max_concurrent_tasks设太小会导致任务排队，设太大又可能吃满内存，按机器配置权衡。

审计日志没生成。检查audit_log路径的目录是否存在且可写。OpenClaw 不会自动创建父目录，需要你手动mkdir -p /opt/openclaw/logs并确保运行用户有写权限。

6. 把 Key 和权限收进该在的位置

整套配置的核心逻辑就一句话：模型调用走统一入口，服务监听收窄到本地，智能体权限锁死在白名单内。TaoToken 在这里的角色是模型调用的统一 Key 入口，你不需要在多个脚本里散落不同厂商的 Key，一个base_url加一个 Key 就够。但 Key 的安全和端口的安全是两件事，前者靠不泄露，后者靠配置收窄。

如果你还在调试阶段，建议先用模型对话入口验证 Key 和模型名是否匹配，确认通了再写进settings.json。长期跑编码类或 Agent 类任务的话，Coding Plan 的额度模型更适合持续调用，不用每次担心按量计费的波动。接入文档里有完整的字段说明和更多配置示例，遇到本文没覆盖的字段可以去查。

最后提醒一句：任何让你把服务绑0.0.0.0、用 root 跑、把 Key 贴在公网配置文件里的教程，不管它把收益吹得多高，都别跟。端口和权限这两道门守住了，你的智能体才真的在帮你干活，而不是帮别人。