企业官网建设流程全解析

1. 为什么要在 Docker 里折腾 openclaw 和自定义 Skills

openclaw 是一个可以跑在本地容器里的智能体网关，它能对接大模型、管理会话、加载技能插件，适合想把 AI 能力私有化部署、又不想被某个云平台绑死的开发者。Skills 是它最灵活的部分：你可以用 Python 写一个脚本，再配一份 SKILL.md 说明，Agent 就会在合适的时候调用它，而不是自己瞎编代码。这套组合特别适合做数据处理、文件分析、内部工具调用这类需要确定性结果的场景。

但实际部署时，很多人卡在三个地方：容器反复重启、模型通道接不进去、Skills 写了却不触发。我试过把 openclaw 跑在 Docker 里，再用 TaoToken 的统一 Key 通道接模型，最后挂一个 Python 写的 Excel 分析技能，整个过程踩了不少坑。这篇就把从 config.toml 骨架到技能验证的完整路径写清楚，你照着做能跑通一次可用的技能扩展。

核心检索词先摆出来：Docker 部署 openclaw、config.toml 配置、TaoToken 统一 Key、Python 自定义 Skills、SKILL.md 注册验证。适合已经装好 Docker、想给本地 Agent 加技能的人，也适合想把模型调用收敛到一个通道的团队。

2. 前置准备：TaoToken 通道与 openclaw 镜像

TaoToken 在这里的角色是统一模型入口。你不需要在 openclaw 里分别填各家模型的地址和 Key，而是把 base_url 指向 TaoToken 的 API 地址，用同一个 Key 调用不同模型。这样 config.toml 里只维护一份凭证，换模型只改模型名，不动通道配置。

官网入口在 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，API 基址是 https://taotoken.net/api ，注意这个地址后面不加 UTM 参数，直接作为 base_url 使用。

你需要先拿到一个 API Key。登录后进控制台，在 API Keys 页面创建一个新 Key，复制出来备用。这个 Key 就是后面 config.toml 里填的凭证。如果你还没决定用哪个模型，可以先去模型对话页面试一下调用效果，确认通道通不通。

镜像方面，openclaw 官方镜像在 ghcr.io/openclaw/openclaw:latest。拉取前建议关掉不必要的进程，这个镜像解压和启动都比较吃内存，16G 的机器拉取时内存会明显上涨。拉取命令：

docker pull ghcr.io/openclaw/openclaw:latest

拉完后在 Docker 桌面端的镜像列表里能看到它。接下来创建容器，注意路径要换成你自己的，别放在系统盘根目录下，除非你只有一个盘。下面这条命令把宿主机的 .openclaw 目录挂载到容器内，端口映射 18789：

docker run -d --name openclaw-agent -p 18789:18789 -v /your/path/.openclaw:/root/.openclaw -u root --restart unless-stopped ghcr.io/openclaw/openclaw:latest

Windows 用户路径写成C:\Users\你的用户名\.openclaw:/root/.openclaw。启动后容器状态应该是 running，18789 旁边会出现跳转图标，点进去就是网关仪表盘。如果容器一直重启，先别急着改配置，大概率是配置文件格式错了或者网关没起来，后面排障章节会讲。

3. config.toml 骨架：把模型通道指向 TaoToken

openclaw 的模型配置有两种方式：交互式openclaw configure --section model，或者直接写 config.toml。交互式适合第一次跑通，但要做版本管理和多环境切换，还是得落到文件上。下面这份骨架你可以直接复制，改三个地方：api_key、base_url 已经填好 TaoToken 的地址、model 换成你要用的模型名。

# config.toml - openclaw 模型通道配置骨架 [gateway] host = "0.0.0.0" port = 18789 token = "你的网关令牌，从 openclaw.json 里复制" [model] provider = "openai-compatible" base_url = "https://taotoken.net/api" api_key = "sk-你的TaoToken密钥" model = "claude-3-5-sonnet" timeout = 120 max_tokens = 4096 [model.params] temperature = 0.7 top_p = 0.9 [skills] enabled = true dir = "/root/.openclaw/skills" auto_reload = true

几个关键点说明。provider 用 openai-compatible 是因为 TaoToken 的 API 兼容 OpenAI 格式，openclaw 走这个协议最省事。base_url 一定写https://taotoken.net/api，不要带任何查询参数。api_key 就是你在控制台创建的那串。model 字段填你想调用的模型标识，具体可用模型名在模型对话页面能看到。

网关令牌在.openclaw/openclaw.json里，容器启动后会自动生成。你可以用下面命令查看：

cat /your/path/.openclaw/openclaw.json | grep token

把取到的 token 填进 config.toml 的 gateway.token。如果你改了 config.toml，需要重启容器让配置生效：

docker restart openclaw-agent

重启后进网关仪表盘，输入令牌，能看到主界面就说明通道配置被加载了。这时候先别急着测对话，因为模型请求还没验证过，下一步用一条命令确认。

4. 验证请求：确认 TaoToken 通道真的通了

配置写完不代表能用，得发一次真实请求。openclaw 容器里可以用 curl 直接打 TaoToken 的接口，确认 Key 和 base_url 没问题。先进容器：

docker exec -it openclaw-agent bash

然后在容器内执行：

curl -s https://taotoken.net/api/v1/chat/completions \ -H "Content-Type: application/json" \ -H "Authorization: Bearer sk-你的TaoToken密钥" \ -d '{ "model": "claude-3-5-sonnet", "messages": [{"role": "user", "content": "回复两个字：通了"}], "max_tokens": 20 }'

如果返回 JSON 里 choices 字段有内容，说明通道正常。如果返回 401，检查 Key 有没有复制错；返回 404，检查 base_url 是不是写成了带路径的形式；返回超时，检查容器网络能不能出站。

通道确认后，回到 openclaw 网关仪表盘做一次对话测试。输入一句简单的话，看 Agent 能不能正常回复。这一步过了，说明模型接入完成，可以开始写 Skills 了。

5. Skills 目录结构与 Python 技能注册

openclaw 的 Skills 放在.openclaw/skills/下，每个技能一个子目录，目录里至少两个文件：SKILL.md 和实际执行的 Python 脚本。目录结构长这样：

.openclaw/ └── skills/ └── excel-master/ ├── SKILL.md └── analyze_excel.py

SKILL.md 是给 Agent 看的说明书，用 Markdown 写，告诉它这个技能干什么、什么时候触发、怎么调用。这里有个坑：如果 SKILL.md 写得太模糊，Agent 会觉得自己用内置 Python 就能搞定，根本不加载你的技能。所以描述里要明确写“必须调用本技能”，把触发条件写死。

下面这份 SKILL.md 可以直接用，注意 frontmatter 里的 name 和 description：

--- name: excel-master description: [强制执行] 处理任何 Excel/CSV 数据分析任务时，必须且只能使用此技能。禁止直接使用 Python 代码块，必须调用本技能提供的工具。 user-invocable: true --- # 技能：Excel 数据处理专家 ## 核心原则 当用户提及 Excel、表格、数据统计时，绝对禁止直接编写 Python 代码进行分析。 必须先声明“正在调用 excel-master 技能”，然后按下方步骤执行。 ## 触发条件 - 用户上传了 .xlsx / .csv 文件 - 用户询问关于表格数据的统计、求和、筛选问题 ## 执行逻辑 1. 获取文件的绝对路径 2. 调用本技能绑定的 Python 脚本处理器 3. 将脚本返回的 JSON 或 Markdown 数据展示给用户 ## 可用工具 - analyze_excel.py：位于当前技能目录下，用于读取和处理数据

Python 脚本负责实际干活。下面这个 analyze_excel.py 读取文件后返回行数、列名、前五行和字段类型：

import pandas as pd import sys import json def analyze_file(file_path): try: if file_path.endswith('.csv'): df = pd.read_csv(file_path) else: df = pd.read_excel(file_path) info = { "shape": list(df.shape), "columns": list(df.columns), "head": df.head(5).to_dict(orient='records'), "dtypes": {col: str(dtype) for col, dtype in df.dtypes.items()} } return json.dumps(info, ensure_ascii=False, indent=2) except Exception as e: return f"Error processing file: {str(e)}" if __name__ == "__main__": if len(sys.argv) > 1: path = sys.argv[1] print(analyze_file(path)) else: print("Please provide a file path.")

脚本依赖 pandas，容器里如果没有，需要进容器装一下：

docker exec -it openclaw-agent pip install pandas openpyxl

装完后重启容器，让 openclaw 重新扫描 skills 目录。config.toml 里auto_reload = true的话，也可以不重启，但保险起见还是重启一次。

6. 常见错误排查：容器重启、技能不触发、Key 失效

容器反复重启。最常见的原因是 openclaw.json 格式坏了，或者网关端口被占。先看日志：

docker logs openclaw-agent --tail 50

如果日志里报 JSON parse error，说明配置文件有语法错误。把 openclaw.json 备份后重置，或者直接删掉让容器重新生成。另一个原因是数据库文件损坏，表现是容器起来又挂，日志里有 sqlite 相关报错。处理方式是进宿主机目录，把损坏的 db 文件改名备份：

mv /your/path/.openclaw/plugins/device-pair/state.sqlite /your/path/.openclaw/plugins/device-pair/state.sqlite.bak docker restart openclaw-agent

技能不触发。Agent 明明收到了 Excel 文件却自己写代码，说明 SKILL.md 的 description 不够强硬。把“必须调用本技能”“禁止直接使用 Python”这类词写进 frontmatter 的 description 里，Agent 在决策时会优先匹配。另外确认 skills 目录路径和 config.toml 里的dir一致，容器内路径是/root/.openclaw/skills。

TaoToken 请求 401 或 403。先确认 Key 有没有过期或被禁用，去控制台 API Keys 页面看一眼状态。如果 Key 正常，检查 config.toml 里 api_key 有没有多余空格，base_url 是不是写成了https://taotoken.net/api/带尾斜杠，有些客户端对尾斜杠敏感。还有一点，容器内的时间如果和宿主机差太多，签名类请求会失败，用date命令对一下。

网关令牌找不到。openclaw.json 里 token 字段就是，如果文件被重置了，令牌会重新生成，去仪表盘重新输入即可。别把网关令牌和 TaoToken 的 API Key 搞混，前者是进 openclaw 界面的，后者是调模型的。

7. 下一步：把通道和技能固定下来

跑通一次之后，建议把 config.toml 和 skills 目录纳入版本管理，这样换机器或者重建容器时不用重新配。TaoToken 的 Key 可以放在环境变量里，config.toml 里用占位符引用，避免明文提交。

如果你后面要长期跑编码类任务或者 Agent 工作流，可以了解下 Coding Plan，它适合需要稳定调用和更高配额的场景。接入文档里有完整的参数说明和示例，排障时对着看能省不少时间。模型对话页面可以随时验证通道是否正常，不用每次都进容器 curl。

最后留一个实用习惯：每次改完 config.toml 或 SKILL.md，先docker restart openclaw-agent，再看日志确认没有报错，最后在仪表盘发一条测试消息。三步走完再去做别的，能避免很多“改了没生效”的困惑。