企业官网建设流程全解析

1. 从 Function Calling 到 Skill：OpenClaw 到底解决了什么问题

如果你用过 OpenAI 的 Function Calling，大概率经历过这种场景：为了让模型能查个天气、读个文件，你得先写一大段 JSON Schema，把参数名、类型、必填项、枚举值全部钉死。模型能做的事情，完全被你定义的接口边界框住。一旦用户问了一个你没预定义参数的问题，模型只能干瞪眼，或者硬塞一个不匹配的参数进去，然后你的后端代码报错。

OpenClaw（社区里常叫“龙虾”）的核心机制，恰恰是在这个基础上往前走了一步。它没有抛弃 Function Calling，而是把 Function Calling 降级成了底层能力，在上面加了一层用 Markdown 写的 Skill（技能）定义。你可以理解为：Function Calling 是螺丝刀、扳手这些原子工具，而 Skill 是一本写给模型看的操作手册，告诉它“遇到什么场景，该拿哪些工具，按什么顺序用”。

这个区别听起来抽象，落到实际开发里差别很大。传统 Function Calling 是代码驱动——模型只负责填参数，执行逻辑全在你的 Python 或 JS 里写死。OpenClaw 的 Skill 是模型驱动——模型读完 Markdown 说明书后，自己决定调用哪个底层工具（比如 exec 执行命令、file_read 读文件），甚至能在遇到报错时根据说明书里的提示自己重试。

适合谁看这篇？如果你已经写过 Function Calling 的 demo，但觉得每次加一个新能力都要改代码、重新部署很烦；或者你在做 Agent 类产品，想让模型处理更开放的任务，那 OpenClaw 这套 Skill + exec 的组合值得你花时间理解。下面我会从机制对比讲到可复制的 Skill 定义，再到 exec 调用的验证步骤，最后把常见的报错排查一遍。

2. TaoToken 前置准备：让 OpenClaw 的 Skill 跑起来需要什么

OpenClaw 本身是一个 Agent 框架，它要调用大模型来“读”你的 Skill 说明书，然后决定怎么执行。所以第一步不是写 Skill，而是先把模型接入配好。这里我用 TaoToken 作为模型接入层来演示，因为它兼容 OpenAI 的接口格式，OpenClaw 底层走 Function Calling 时能直接对接。

你需要准备三样东西：Base URL、API Key、Model ID。这三个是任何 OpenAI 兼容接口的标配，缺一不可。很多人在配 OpenClaw 时卡住，就是因为只填了 Key 没填 Base URL，或者 Model ID 写成了带前缀的别名。

先拿 API Key。打开 TaoToken 的 API Keys 页面（https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=api-keys），创建一个新 Key。注意创建后立刻复制，页面刷新后就看不到了。这个 Key 的格式通常是sk-开头的一串字符。

Base URL 用https://taotoken.net/api，注意结尾不要带斜杠，也不要自己加/v1，OpenClaw 或 OpenAI SDK 会自动拼接路径。Model ID 根据你实际要用的模型填，比如gpt-4o、claude-3-5-sonnet这类。如果你不确定有哪些可用，可以去模型对话页面（https://taotoken.net/chat?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=chat）先试一下，能正常对话说明模型可用。

配好这三个之后，OpenClaw 的配置文件里通常长这样（以环境变量方式为例）：

export OPENAI_API_KEY="sk-你的key" export OPENAI_BASE_URL="https://taotoken.net/api" export OPENCLAW_MODEL="gpt-4o"

如果你用的是 Claude Code 或者 Cline 这类工具来辅助开发 OpenClaw 的 Skill，它们的配置逻辑是一样的。Claude Code 的 settings.json 里需要写全三件套：

{ "env": { "ANTHROPIC_BASE_URL": "https://taotoken.net/api", "ANTHROPIC_API_KEY": "sk-你的key", "ANTHROPIC_MODEL": "claude-3-5-sonnet" } }

注意 Claude Code 用的是ANTHROPIC_BASE_URL而不是OPENAI_BASE_URL，但地址是同一个。这个坑我见过不少人踩，配了半天发现变量名写错了。

3. 可复制的 Skill 定义：用 Markdown 写一份 GitHub 操作手册

OpenClaw 的 Skill 本质上是一个 Markdown 文件，放在项目的skills/目录下。文件名通常就是技能名，比如github.md。模型在启动时会读取这个目录下所有 Markdown 文件的内容，作为系统提示的一部分。

下面是一份可以直接复制使用的 GitHub Skill 定义。我把它拆成几个部分：技能描述、可用工具、操作步骤、错误处理。

# GitHub 操作技能 ## 描述 你可以使用 `gh` 命令行工具来操作 GitHub。当用户要求查看 PR、合并分支、创建 issue 时，使用本技能。 ## 可用工具 - exec: 执行 shell 命令 - file_read: 读取本地文件 - file_write: 写入本地文件 ## 操作步骤 ### 查看 PR 列表 1. 执行 `gh pr list --state open` 2. 解析输出，提取 PR 编号、标题、作者 3. 用表格形式返回给用户 ### 合并 PR 1. 先执行 `gh pr view <编号>` 确认 PR 状态 2. 如果状态是 open 且没有冲突，执行 `gh pr merge <编号> --squash` 3. 如果报错提示有冲突，返回冲突文件列表，不要强行合并 ### 创建 Issue 1. 执行 `gh issue create --title "<标题>" --body "<内容>"` 2. 返回创建的 issue 链接 ## 错误处理 - 如果 `gh` 命令不存在，提示用户安装 GitHub CLI - 如果报错 `not logged in`，提示用户执行 `gh auth login` - 如果报错 `rate limit`，等待 60 秒后重试一次 - 任何命令执行失败，先读取 stderr 输出，再决定是否重试

这份 Markdown 里没有一行 JSON Schema。模型读到的是一段自然语言描述，它自己理解“查看 PR 列表”该怎么做。底层它还是会调用 exec 这个 Function Calling 工具，但调用什么命令、加什么参数，是模型根据 Markdown 里的步骤自己决定的。

对比一下传统 Function Calling 的写法，你要定义get_pr_list、merge_pr、create_issue三个函数，每个都要写 parameters schema。而 Skill 方式下，你只暴露一个exec工具，剩下的交给 Markdown 说明书。这就是“用自然语言编程”指挥 Function Calling 的意思。

写 Skill 有几个实用技巧。第一，步骤要具体到命令级别，不要写“调用 GitHub API”，要写gh pr list。第二，错误处理要写清楚什么错该重试、什么错该放弃。第三，工具列表要明确，告诉模型它有哪些原子能力可用。第四，Markdown 里的标题层级要清晰，模型对##和###的解析很敏感。

4. 验证 exec 调用：从请求到成功结果的完整链路

Skill 写好了，怎么验证模型真的会按说明书去调用 exec？我建议用一个最小可复现的请求来测。下面这段 Python 代码模拟 OpenClaw 的调用逻辑，你可以直接跑。

import os from openai import OpenAI client = OpenAI( api_key=os.environ["OPENAI_API_KEY"], base_url=os.environ["OPENAI_BASE_URL"] ) # 读取 Skill 文件内容 with open("skills/github.md", "r") as f: skill_content = f.read() # 定义底层 exec 工具（Function Calling 格式） tools = [ { "type": "function", "function": { "name": "exec", "description": "执行 shell 命令并返回输出", "parameters": { "type": "object", "properties": { "command": { "type": "string", "description": "要执行的命令" } }, "required": ["command"] } } } ] response = client.chat.completions.create( model=os.environ["OPENCLAW_MODEL"], messages=[ {"role": "system", "content": f"你可以使用以下技能：\n\n{skill_content}"}, {"role": "user", "content": "帮我看看现在有哪些打开的 PR"} ], tools=tools, tool_choice="auto" ) print(response.choices[0].message)

跑这段代码，你会看到模型返回的tool_calls里，function.name是exec，arguments里是{"command": "gh pr list --state open"}。这说明模型读懂了 Markdown 里的“执行gh pr list --state open”这一步，并且自己把它翻译成了 exec 调用。

接下来你要做的是真正执行这个命令，把结果塞回对话，让模型继续处理。这一步是 OpenClaw 框架帮你做的，但理解它有助于排查问题：

import subprocess import json tool_call = response.choices[0].message.tool_calls[0] args = json.loads(tool_call.function.arguments) result = subprocess.run(args["command"], shell=True, capture_output=True, text=True) # 把执行结果返回给模型 follow_up = client.chat.completions.create( model=os.environ["OPENCLAW_MODEL"], messages=[ {"role": "system", "content": f"你可以使用以下技能：\n\n{skill_content}"}, {"role": "user", "content": "帮我看看现在有哪些打开的 PR"}, response.choices[0].message, { "role": "tool", "tool_call_id": tool_call.id, "content": result.stdout or result.stderr } ], tools=tools ) print(follow_up.choices[0].message.content)

如果一切正常，最后你会看到模型把gh pr list的输出整理成了表格，返回给用户。这就是从 Skill 定义到 exec 调用再到结果整理的完整链路。

实测下来，模型对 Markdown 里步骤的遵循程度，跟你的描述清晰度直接相关。如果你写“查看 PR”，模型可能调用gh pr list也可能调用gh api。如果你写“执行gh pr list --state open”，模型基本不会跑偏。所以 Skill 写得越具体，exec 调用的准确率越高。

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

配 OpenClaw + TaoToken 的过程中，有几个报错出现频率特别高。我按实际遇到的顺序列一下，你对照着排查。

401 Unauthorized。这个最常见，原因通常是 Key 没填对或者 Base URL 写错了。先检查OPENAI_API_KEY是不是完整的sk-开头字符串，有没有多余空格。再检查OPENAI_BASE_URL是不是https://taotoken.net/api，注意不要写成https://taotoken.net/api/v1，有些 SDK 会自动加/v1，你手动加了就变成/v1/v1，直接 404 或 401。如果你用的是 Claude Code，检查变量名是不是ANTHROPIC_API_KEY和ANTHROPIC_BASE_URL，别跟 OpenAI 的混了。

local proxy failed。这个报错通常出现在你本地开了某些网络工具，但配置没生效或者端口冲突。OpenClaw 底层走 HTTP 请求，如果系统代理设置指向了一个不存在的端口，就会报这个。排查方法是先关掉所有代理设置，用curl https://taotoken.net/api直接测一下能不能通。如果 curl 能通但 OpenClaw 报错，检查 OpenClaw 的配置文件里有没有硬编码的 proxy 设置。

reading choices 报错。完整报错通常是Error reading choices: ...或者choices is undefined。这说明模型返回的响应结构跟你代码里解析的不一致。常见原因是 Base URL 配错了，请求打到了非 OpenAI 兼容的接口上，返回了 HTML 而不是 JSON。另一个原因是 Model ID 写错了，接口返回了错误信息，但你的代码直接去读choices[0]，就报 undefined。排查方法是在请求后先打印完整 response，看看返回的 JSON 结构对不对。

OAuth 相关报错。如果你用 Claude Code 接入，可能会遇到OAuth token expired或invalid_grant。这是因为 Claude Code 默认走 OAuth 登录流程，但用 API Key 接入时不需要 OAuth。你需要在 settings.json 里明确配置ANTHROPIC_API_KEY，并且确保没有残留的 OAuth token 文件。删掉~/.claude/下的 token 缓存，重新用 API Key 方式登录。

exec 调用返回空结果。模型调用了 exec，但result.stdout是空的。先确认命令本身在终端里能跑通，比如gh pr list需要你先gh auth login。如果命令没问题但 OpenClaw 里跑不出来，检查 OpenClaw 执行命令时的工作目录是不是你预期的目录。有些框架默认在项目根目录执行，而你的gh配置在用户目录下，就会找不到。

Skill 没被加载。模型完全无视你的 Markdown，直接瞎调工具。检查 Skill 文件是不是放在 OpenClaw 配置的 skills 目录下，文件名是不是.md结尾。有些框架要求 Skill 文件必须有特定的 frontmatter，比如---\nname: github\n---，缺了就不加载。另外检查文件编码，UTF-8 不带 BOM，有些框架对 BOM 头敏感。

6. 继续深入：把 Skill 和 exec 用顺手的几个建议

Skill 机制最大的好处是迭代快。你想给 Agent 加一个新能力，不用改代码、不用重新部署，写一个 Markdown 文件丢进 skills 目录就行。模型下次启动就会读到。这对于快速试错特别友好。

但要注意，Skill 不是越多越好。每个 Skill 都会占用系统提示的 token，Skill 太多会挤占对话上下文，模型反而容易混淆。我的做法是按业务域拆分，比如github.md、file-ops.md、web-search.md，每个文件聚焦一个场景。不要把所有能力塞进一个巨大的 Markdown 里。

exec 工具是把双刃剑。它给了模型极大的灵活性，但也意味着模型可以执行任意 shell 命令。在生产环境里，你需要在 exec 外面包一层白名单或者沙箱，限制可执行的命令范围。OpenClaw 本身提供了一些权限控制配置，建议至少把rm -rf、curl | bash这类危险命令拦掉。

如果你想让模型长期跑编码或 Agent 任务，可以考虑用 Coding Plan（https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=coding-plan），它在长上下文和工具调用稳定性上做了优化，适合 OpenClaw 这种需要多轮 exec 调用的场景。接入文档在 https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=doc，里面有各语言 SDK 的配置示例，配的时候对照着看能少踩很多坑。

最后说一个我自己的经验：写 Skill 的时候，把模型当成一个刚入职的实习生。你给实习生的操作手册越具体、越有例子、越说明什么情况该怎么办，他上手就越快。Markdown 里的每一步都写清楚命令和预期输出，模型执行 exec 的准确率会明显提升。反过来，如果你只写“处理 GitHub 相关操作”，模型就只能靠猜，结果往往不是你想要的。