企业官网建设流程全解析

1. 为什么要在 OpenClaw 里做本地优先 + 云端适配

数据隐私这件事，真正落到日常开发里，往往不是一句“合规要求”就能解决的。你可能会遇到这样的场景：手里有一批内部文档、会议纪要或者客户资料，想让大模型帮忙做摘要、问答、代码解释，但又不想把这些原文直接发到外部服务上。尤其是个人开发者和小团队，既没有专门的安全团队，也没有复杂的私有化预算，最现实的做法就是——让数据先在本地跑一圈，只有确实需要更强算力时，才把脱敏后的请求送到云端。

OpenClaw 这个框架的价值就在这里。它本身是一个轻量级的大模型交互层，你可以把它理解成一个“调度台”：前面接你的业务代码，后面可以接本地 Ollama 跑的 Llama 2，也可以接云端 API。它不强制你二选一，而是允许你按任务类型、按数据敏感级别来分流。本地优先的意思是，默认请求走本地；云端适配的意思是，当本地模型搞不定时，可以切到云端，但切换过程不需要重写业务逻辑。

我试过把一套内部知识库问答流程拆成两段：日常问答走本地 Llama 2，遇到跨文档推理或者长上下文总结时，再走云端。整个过程中，最麻烦的其实不是 OpenClaw 的代码，而是“Key 怎么管、模型怎么切、配置写在哪”。如果每个模型都单独配一套 Key 和 Base URL，维护成本会很快失控。所以这篇会围绕一个核心思路：用 TaoToken 统一 Key 来打通 Ollama 本地链路和云端适配链路，让 OpenClaw 的配置保持干净。

适合读这篇的人：已经在本地跑过 Ollama，或者准备跑 Llama 2；对数据隐私敏感，不希望所有请求都出本地；同时又不排斥在必要时调用云端模型。下面从环境准备开始，一步步把配置、验证和排障都走一遍。

2. TaoToken 统一 Key 与 OpenClaw 的前置准备

在动手改 OpenClaw 配置之前，先把两件事理清楚：本地 Ollama 是否已经可用，以及 TaoToken 的 Key 和接入地址怎么拿。这两步不做，后面配置写得再漂亮也跑不起来。

先说 Ollama。它是目前本地跑 Llama 2 最省心的方式之一，安装完之后默认监听11434端口。你可以先用一条命令确认模型是否已经拉下来：

ollama pull llama2 ollama list

如果ollama list里能看到llama2，说明本地模型就绪。接着启动服务：

ollama serve

然后在另一个终端里直接测一下原生接口：

curl http://localhost:11434/api/generate -d '{ "model": "llama2", "prompt": "用一句话解释什么是本地优先架构", "stream": false }'

能返回 JSON 结果，就说明本地推理链路是通的。这一步很关键，因为 OpenClaw 报错时，你首先要排除的就是 Ollama 本身没起来。

再说 TaoToken。它的定位是统一管理模型接入的 Key 和 Base URL，这样你在 OpenClaw 里不需要为每个模型维护一套凭证。你需要去控制台创建一个 API Key，地址是：

https://taotoken.net/api-keys

创建完之后，把 Key 复制出来，后面配置里会用到。TaoToken 的 API 接入地址是：

https://taotoken.net/api

注意，这个地址在配置里通常作为 Base URL 使用，不要自己拼多余的路径。模型 ID 则根据你要调用的模型来填，比如云端侧可以填对应的模型标识，本地侧仍然走 Ollama 的llama2。

这里有一个容易混淆的点：TaoToken 统一 Key 并不是要替代 Ollama，而是让云端适配那一侧有一个稳定的入口。本地请求依然直接打到http://localhost:11434，不经过外部网络。这样既保留了本地隐私链路的闭环，又让云端切换时不用再到处找 Key。

如果你后面打算用 Claude Code 或者类似的编码 Agent 来做长期开发，也可以顺手了解一下 Coding Plan 的接入方式，地址是：

https://taotoken.net/coding-plan

不过这篇的重点还是 OpenClaw 的配置。前置准备清单可以归纳成下面这张表：

把这些准备好之后，就可以进入 OpenClaw 的配置环节了。

3. 可复制的 OpenClaw 配置片段：Ollama 与云端双通道

OpenClaw 的配置核心在于“模型提供方”和“端点”的映射。为了让本地优先和云端适配同时存在，我建议把配置拆成两个 profile：一个local，一个cloud。这样业务代码只需要根据数据敏感级别选择 profile，不需要关心底层是 Ollama 还是 TaoToken。

下面是一份可以直接复制的 JSON 配置，文件名可以叫openclaw.config.json，放在项目根目录：

{ "defaultProfile": "local", "profiles": { "local": { "provider": "ollama", "baseUrl": "http://localhost:11434", "model": "llama2", "apiKey": "ollama-local-no-key", "options": { "temperature": 0.7, "maxTokens": 512 } }, "cloud": { "provider": "openai-compatible", "baseUrl": "https://taotoken.net/api", "model": "gpt-4-turbo", "apiKey": "sk-你的TaoTokenKey", "options": { "temperature": 0.5, "maxTokens": 1024 } } } }

这份配置里，local的apiKey填一个占位符就行，因为 Ollama 本地不需要鉴权。cloud的baseUrl指向 TaoToken 的 API 地址，apiKey换成你在控制台创建的那串 Key。model字段根据你实际要调的云端模型来写，这里只是示例。

如果你更习惯用 TOML 来管理配置，也可以写成openclaw.config.toml：

default_profile = "local" [profiles.local] provider = "ollama" base_url = "http://localhost:11434" model = "llama2" api_key = "ollama-local-no-key" temperature = 0.7 max_tokens = 512 [profiles.cloud] provider = "openai-compatible" base_url = "https://taotoken.net/api" model = "gpt-4-turbo" api_key = "sk-你的TaoTokenKey" temperature = 0.5 max_tokens = 1024

两种格式选一种即可，OpenClaw 在初始化时会读取项目根目录下的配置文件。接下来在代码里加载配置并创建实例：

const { OpenClaw } = require('openclaw'); const config = require('./openclaw.config.json'); const claw = new OpenClaw({ profile: config.defaultProfile, profiles: config.profiles }); async function ask(question, profile = 'local') { const response = await claw.chat({ profile, messages: [ { role: 'system', content: '你是一个技术助手，回答简洁准确' }, { role: 'user', content: question } ] }); return response.choices[0].message.content; } module.exports = { ask };

这里的关键点是ask函数接受一个profile参数。默认走local，当你在业务层判断“这条请求包含敏感原文”时，就保持local；当判断“这条请求已经脱敏，且需要更强推理”时，再传cloud。这样本地优先和云端适配就在同一套代码里共存了。

如果你用的是 Cline 或者类似的 MCP 客户端，配置思路是一样的：Base URL、Key、Model ID 三件套要写全。本地侧 Base URL 是http://localhost:11434，Key 随便填，Model ID 是llama2；云端侧 Base URL 是https://taotoken.net/api，Key 是 TaoToken 的 Key，Model ID 按实际模型填。三件套缺一个，请求就会失败。

配置写完之后，不要急着跑复杂业务，先用一个最小请求验证两条通道都能通。

4. 验证请求：从本地 Llama 2 到云端适配的成功结果

验证分两步走：先确认本地通道，再确认云端通道。这样出问题时你能快速定位是哪一侧的配置有误。

先写一个本地验证脚本verify-local.js：

const { ask } = require('./claw'); (async () => { const answer = await ask('用三点说明本地大模型的隐私优势', 'local'); console.log('本地回答：', answer); })();

运行：

node verify-local.js

如果 Ollama 正常，你会看到类似下面的输出：

本地回答： 1. 数据不离开本地环境，减少上传过程中的暴露面； 2. 计算环境完全可控，便于满足数据驻留要求； 3. 不依赖外部服务可用性，业务连续性更有保障。

这一步成功，说明 OpenClaw 到 Ollama 的链路是通的。如果卡住或者报错，先回到第 2 步用 curl 测 Ollama 原生接口，确认服务本身没问题。

接着验证云端通道，写verify-cloud.js：

const { ask } = require('./claw'); (async () => { const answer = await ask('用一句话解释云端适配的适用场景', 'cloud'); console.log('云端回答：', answer); })();

运行：

node verify-cloud.js

成功时会返回云端模型的回答。这里如果出现401，大概率是 TaoToken Key 没填对或者复制时带了空格；如果出现local proxy failed，说明请求没有正确走到 TaoToken 的 Base URL，检查baseUrl是否写成了https://taotoken.net/api，而不是其他路径。

两条通道都验证通过后，可以做一个混合验证：先本地总结，再云端润色。比如：

const { ask } = require('./claw'); (async () => { const localDraft = await ask('总结这段内部文档的要点：……', 'local'); const cloudPolish = await ask(`请润色以下内容，不要改变事实：${localDraft}`, 'cloud'); console.log('最终结果：', cloudPolish); })();

这个流程的意义在于：原始敏感内容只经过本地模型，送到云端的已经是本地生成的摘要，隐私链路是闭环的。实测下来，这种“本地先处理、云端再加工”的方式，对个人开发者和小团队来说，是平衡隐私和效果的实用做法。

验证通过之后，你可能会遇到一些常见报错，下面单独整理一下。

5. 常见报错排查：401、local proxy failed 与 reading choices

配置和验证过程中，最容易撞上的就是下面这几类错误。每一个我都给出触发条件和处理方式，你可以对照自己的终端输出。

第一类：401 Unauthorized。这个通常出现在云端通道。原因一般是 TaoToken Key 无效、过期，或者复制时带了换行和空格。处理方式是回到控制台重新创建一个 Key，然后直接粘贴到配置里，不要手动输入。如果你用的是环境变量，确认变量名和代码里读取的一致。另外，有些客户端会把 Key 放在Authorization: Bearer头里，如果配置里已经带了Bearer前缀，就不要再重复加。

第二类：local proxy failed或者connection refused。这个一般出现在本地通道。触发条件通常是 Ollama 没有启动，或者端口不是11434。先在终端执行：

curl http://localhost:11434/api/tags

如果这条命令都失败，那问题不在 OpenClaw，而在 Ollama 服务本身。确认ollama serve正在运行，并且没有被其他程序占用端口。如果本地通道配置里误填了 TaoToken 的 Base URL，也会出现类似代理失败的提示，检查local.baseUrl是否还是http://localhost:11434。

第三类：reading choices相关报错，比如Cannot read properties of undefined (reading 'choices')。这个说明请求返回的结构和代码里取值的路径不一致。常见原因是模型返回了错误对象，而不是正常的 completion 结构。你可以在ask函数里先把原始 response 打印出来：

const response = await claw.chat({ profile, messages }); console.log(JSON.stringify(response, null, 2));

如果看到的是{ error: ... }，那就回到前两类去排查。如果看到的是正常的choices数组，但代码里写的是response.choices.message.content，那就需要改成response.choices[0].message.content。不同版本的 OpenClaw 或者不同 provider 返回结构可能略有差异，以实际打印为准。

第四类：OAuth 或者鉴权相关的提示。如果你在配置里同时启用了多个 provider，并且某些 provider 要求 OAuth 流程，可能会出现鉴权冲突。处理方式是明确当前 profile 只使用一种鉴权方式。本地 Ollama 不需要 OAuth，云端走 TaoToken Key 即可。如果你用的是 Codex 的auth.json或者 Claude Code 的配置，注意不要把不同工具的凭证混在同一个文件里。

为了减少排查成本，建议在项目里加一个简单的健康检查脚本：

const { ask } = require('./claw'); async function healthCheck() { const results = {}; for (const profile of ['local', 'cloud']) { try { const answer = await ask('ping', profile); results[profile] = answer ? 'ok' : 'empty'; } catch (err) { results[profile] = err.message; } } console.table(results); } healthCheck();

运行之后，哪条通道有问题一目了然。把这张表和上面的报错对照，基本能覆盖大部分配置问题。

6. 把统一 Key 接入流程固定下来

走到这里，OpenClaw 对接本地 Llama 2 和云端适配的链路已经能跑通了。最后想说的是，真正让这套方案稳定的，不是某一次配置成功，而是把 Key 和 Base URL 的管理固定成习惯。

我的做法是：本地通道永远只认http://localhost:11434，不填任何外部 Key；云端通道统一走 TaoToken 的 API 地址和 Key，不把其他平台的凭证散落在各个项目里。这样换机器、换项目、换模型时，只需要改一个 profile，而不是翻遍代码找 Key。

如果你还没有创建统一 Key，可以从这里开始：

https://taotoken.net/api-keys

接入文档在：

https://taotoken.net/doc

想先验证模型对话效果，可以直接用：

https://taotoken.net/chat

长期做编码或者 Agent 开发的话，Coding Plan 的入口是：

https://taotoken.net/coding-plan

把本地优先作为默认，把云端适配作为补充，数据隐私和模型能力就不需要互相妥协了。