企业官网建设流程全解析

1. 为什么单模型写不出好文章，我踩过的坑

如果你用 OpenClaw 跑过写作任务，大概率遇到过这种场景：一个模型既要理解选题、又要搭结构、还要润色文字，最后输出一篇"什么都沾一点、什么都不精"的稿子。问题不在模型能力，而在任务结构——现实中的写作团队从来不是一个人干完所有事，而是选题、撰写、审校分工协作。

OpenClaw 的 Multi-Agent 架构正好能解决这个问题。它允许你在 CLI 里创建多个独立 Agent，每个 Agent 有自己的 workspace、模型配置和人格定义（SOUL.md），再通过 agentToAgent 工具让它们互相调用。这篇文章带你从 0 到 1 搭一个三 Agent 写作团队：选题 Agent 负责发散创意，撰写 Agent 负责成文，审校 Agent 负责质量把关，三个 Agent 统一走 TaoToken 的 API 通道，用一个 Key 管理所有模型调用。

适合谁看：已经装好 OpenClaw CLI、想跑多 Agent 协作但卡在配置环节的开发者；或者你只是想看看 Multi-Agent 在写作场景里到底怎么落地，不想看纯理论。全文给出可直接复制的 config.toml 和 settings.json 骨架，以及一次完整协作流程的验证动作和预期输出。

先说清楚一个前提：OpenClaw 的 Agent 之间通信依赖工具调用，不是简单的消息转发。这意味着每个 Agent 的模型必须支持 function calling，否则协作链路会断。这也是为什么统一 API 通道很重要——如果三个 Agent 走三个不同的 Key，排查问题时你根本不知道是哪个环节挂了。

2. TaoToken 前置：统一 Key 接入三个 Agent

在创建 Agent 之前，先把 API 通道配好。OpenClaw 支持多种模型提供商，但如果你想让三个 Agent 共用一套 Key 和计费，用 TaoToken 做统一入口是最省事的方式。它的 API 地址是https://taotoken.net/api，兼容 OpenAI 格式，OpenClaw 可以直接对接。

先去控制台创建一个 API Key。打开https://taotoken.net/console，登录后在 API Keys 页面生成一个新 Key，复制保存。这个 Key 后面会写进 OpenClaw 的配置文件，三个 Agent 共用。

如果你还没决定用哪个模型，可以先在模型对话页面试一下不同模型的表现，再决定每个 Agent 分配什么模型。写作场景里，选题 Agent 适合用发散性强、温度稍高的模型，撰写 Agent 适合用长文本能力好的，审校 Agent 适合用逻辑严谨的。TaoToken 的好处是同一个 Key 可以调用多个模型，切换成本很低。

拿到 Key 之后，在 OpenClaw 的全局配置里设置环境变量。推荐写在~/.openclaw/.env文件里：

# ~/.openclaw/.env TAOTOKEN_API_KEY=sk-你的Key TAOTOKEN_BASE_URL=https://taotoken.net/api

然后在~/.openclaw/config.toml里声明 provider：

# ~/.openclaw/config.toml [providers.taotoken] type = "openai-compatible" base_url = "https://taotoken.net/api" api_key_env = "TAOTOKEN_API_KEY"

这样配置的好处是：Key 不硬编码在 Agent 配置里，换 Key 只改一个地方；三个 Agent 共享同一个 provider，计费和限流统一管理。如果你之前每个 Agent 单独配 Key，迁移过来只需要把 provider 指向 taotoken 就行。

注意：base_url末尾不要加/v1，OpenClaw 会自动拼接路径。加了会导致 404。

3. 可复制配置：三个 Agent 的 config.toml 与 settings.json 骨架

现在开始创建 Agent。OpenClaw 的 Agent 配置分两层：全局的config.toml定义 provider 和工具开关，每个 Agent 的settings.json定义模型、workspace 和人格文件路径。

先创建三个 Agent 的目录结构：

mkdir -p ~/.openclaw/agents/{topic,writer,reviewer} mkdir -p ~/.openclaw/workspace-{topic,writer,reviewer}

3.1 全局 config.toml：开启 Agent 间通信

# ~/.openclaw/config.toml [providers.taotoken] type = "openai-compatible" base_url = "https://taotoken.net/api" api_key_env = "TAOTOKEN_API_KEY" [tools.agentToAgent] enabled = true allow = ["topic", "writer", "reviewer"] [agents] config_dir = "~/.openclaw/agents"

agentToAgent.allow列表里必须包含所有参与协作的 Agent ID，漏掉一个，那个 Agent 就无法被其他 Agent 调用。这是最常见的配置错误。

3.2 选题 Agent：settings.json

{ "id": "topic", "name": "选题策划", "model": "taotoken/glm-4.5-air", "workspace": "~/.openclaw/workspace-topic", "soul": "~/.openclaw/workspace-topic/SOUL.md", "temperature": 0.9, "max_tokens": 2048, "tools": ["agentToAgent"] }

选题 Agent 温度设高一点（0.9），鼓励发散。它的职责是给出 3-5 个不同角度的选题方向，而不是直接写文章。

3.3 撰写 Agent：settings.json

{ "id": "writer", "name": "内容撰写", "model": "taotoken/glm-4.5-air", "workspace": "~/.openclaw/workspace-writer", "soul": "~/.openclaw/workspace-writer/SOUL.md", "temperature": 0.7, "max_tokens": 8192, "tools": ["agentToAgent"] }

撰写 Agent 需要长输出，max_tokens给到 8192。温度 0.7 平衡创造性和稳定性。

3.4 审校 Agent：settings.json

{ "id": "reviewer", "name": "质量审校", "model": "taotoken/glm-4.5-air", "workspace": "~/.openclaw/workspace-reviewer", "soul": "~/.openclaw/workspace-reviewer/SOUL.md", "temperature": 0.3, "max_tokens": 4096, "tools": ["agentToAgent"] }

审校 Agent 温度压到 0.3，要的是稳定和严谨，不是创意。

3.5 三个 SOUL.md 人格定义

SOUL.md 是 OpenClaw 里定义 Agent 行为风格的文件，相当于给 Agent 写"岗位说明书"。放在各自 workspace 根目录。

选题 Agent 的~/.openclaw/workspace-topic/SOUL.md：

# 选题策划 ## 角色 你是写作团队的选题策划，负责在动笔前找到最有价值的角度。 ## 工作方式 - 先发散再收敛：每次给出 3-5 个不同方向的选题 - 每个选题附一句话说明目标读者和核心观点 - 如果需求模糊，先提 2-3 个澄清问题再动手 - 不写正文，只输出选题清单和推荐理由 ## 输出格式 1. 选题标题 2. 目标读者 3. 核心观点（一句话） 4. 推荐指数（1-5）

撰写 Agent 的~/.openclaw/workspace-writer/SOUL.md：

# 内容撰写 ## 角色 你是资深技术内容作者，负责把选题写成可读性强的文章。 ## 风格 - 开头用具体场景或问题切入，不用"随着...的发展" - 段落短小，每段不超过 5 行 - 多用类比解释复杂概念 - 代码块必须标注语言 - 结尾给可执行的下一步，不做空洞总结 ## 禁忌 - 不用 emoji - 不堆砌术语 - 不写"综上所述""总之"

审校 Agent 的~/.openclaw/workspace-reviewer/SOUL.md：

# 质量审校 ## 角色 你是终审编辑，负责在发布前找出问题。 ## 检查清单 1. 事实性错误：命令、参数、路径是否准确 2. 逻辑漏洞：论证是否有跳跃 3. 可执行性：读者能否照着做出来 4. 语言问题：是否有 AI 套话、重复表达 5. 格式问题：代码块语言标注、标题层级 ## 输出格式 - 问题列表（按严重程度排序） - 每条问题附修改建议 - 最后给一个总体评分（1-10）

4. 验证请求：跑一次完整的三 Agent 协作流程

配置写完后，先验证 Agent 是否都被正确加载：

openclaw agents list

预期输出类似：

ID NAME MODEL WORKSPACE topic 选题策划 taotoken/glm-4.5-air ~/.openclaw/workspace-topic writer 内容撰写 taotoken/glm-4.5-air ~/.openclaw/workspace-writer reviewer 质量审校 taotoken/glm-4.5-air ~/.openclaw/workspace-reviewer

如果某个 Agent 没出现，检查settings.json的 JSON 格式是否合法（用jq . settings.json验证）。

4.1 单 Agent 冒烟测试

先单独测选题 Agent，确认 API 通道通：

openclaw run --agent topic "帮我策划一篇关于 OpenClaw 多 Agent 协作的技术文章，目标读者是后端开发者"

预期输出是一份 3-5 个选题的清单，每个带目标读者和核心观点。如果报 401，说明 TaoToken Key 没读到，检查.env文件路径和api_key_env名称是否一致。

4.2 触发多 Agent 协作

现在让选题 Agent 把结果传给撰写 Agent。在 OpenClaw 的交互模式里，用@语法调用其他 Agent：

openclaw chat --agent topic

进入交互后输入：

@writer 根据我上面的选题清单，选第 2 个方向写一篇 800 字的文章，要求有代码示例

预期行为：topic Agent 把上下文传给 writer Agent，writer 生成文章后返回。如果提示 "agent not allowed"，回到config.toml检查agentToAgent.allow列表。

4.3 完整链路：选题 → 撰写 → 审校

最省事的验证方式是用一条命令串起三个 Agent：

openclaw run --agent topic "策划一篇 OpenClaw 多 Agent 协作文章" \ --pipe writer "根据选题写 800 字正文" \ --pipe reviewer "审校上面的文章，列出问题"

--pipe参数会把上一个 Agent 的输出作为下一个 Agent 的输入。预期输出分三段：选题清单、文章正文、审校报告。审校报告里应该能看到具体的问题列表和修改建议，而不是笼统的"文章不错"。

如果审校 Agent 输出的是空泛评价，说明它的 SOUL.md 没生效，检查soul路径是否指向了正确的文件。

5. 本篇常见错排查

配置多 Agent 协作时，报错集中在几个地方。下面按出现频率排序。

报错一：Error: agent 'writer' not found in allow list

原因：config.toml的agentToAgent.allow里没写 writer。修复：

[tools.agentToAgent] enabled = true allow = ["topic", "writer", "reviewer"]

改完重启 OpenClaw 进程，配置不会热加载。

报错二：401 Unauthorized或Invalid API key

原因：TaoToken Key 没被正确读取。排查顺序：先确认~/.openclaw/.env里TAOTOKEN_API_KEY的值没有多余空格或引号；再确认config.toml里api_key_env写的是TAOTOKEN_API_KEY而不是别的名字；最后确认启动 OpenClaw 时.env被加载了（可以用openclaw doctor检查）。

报错三：Agent 之间调用超时

原因：某个 Agent 的max_tokens设太小，输出被截断，导致下一个 Agent 拿不到完整输入。撰写 Agent 建议至少 4096，长文场景给 8192。另外检查 TaoToken 账户余额，余额不足会返回 402。

报错四：审校 Agent 输出格式混乱

原因：SOUL.md 里的输出格式定义不够具体。把"列出问题"改成"按严重程度排序的问题列表，每条附修改建议"，格式会稳定很多。温度也可以再降到 0.2。

报错五：settings.json解析失败

原因：JSON 里有多余逗号或注释。JSON 不支持注释，用jq . ~/.openclaw/agents/writer/settings.json验证，报错行号会直接指出来。

报错六：Agent 回复里出现"作为 AI 助手"之类的套话

原因：SOUL.md 没有覆盖到这类表达。在禁忌部分明确写"不使用'作为 AI''我是语言模型'等自我指涉表达"，实测能压下去。

6. 把写作流水线跑起来之后

三个 Agent 跑通之后，你可以按需扩展。比如加一个"配图建议" Agent，专门根据文章内容生成图片描述；或者加一个"标题优化" Agent，在审校之后对标题做 A/B 测试。每个新 Agent 只需要三步：建目录、写 settings.json、写 SOUL.md，然后在agentToAgent.allow里加上它的 ID。

统一 Key 的价值在扩展时会体现得更明显。如果每个 Agent 单独配 Key，加到第五个 Agent 时你要管理五套凭证和五份账单。走 TaoToken 的话，所有 Agent 共用一个 Key，在控制台能看到统一的调用量和费用分布，哪个 Agent 消耗最多一目了然。

如果你想把这条流水线接到长期运行的编码或内容生产流程里，可以看看 Coding Plan 的接入方式，它针对持续调用的场景做了额度优化。需要单独调试某个 Agent 的模型表现时，模型对话页面可以快速切换模型对比输出。所有接入细节在接入文档里有完整说明。

最后给一个实用建议：把三个 Agent 的 SOUL.md 纳入版本管理。人格定义是流水线里最需要迭代的部分，每次发现输出不理想，先改 SOUL.md 而不是换模型。我试过同一个模型在 SOUL.md 优化前后，审校报告的质量差距比换模型还大。