企业官网建设流程全解析

1. 飞书机器人跑不起来？先看清 OpenClaw 的部署链路

OpenClaw 是一个开源的 AI 代理框架，能接入飞书、Telegram 等聊天平台，把大模型能力变成你团队里的一个机器人。它适合想在飞书里搭一个能对话、能执行任务的助手的开发者，尤其是那些不想从零写消息回调、又希望本地或服务器上可控部署的人。我这次要做的，是把 OpenClaw 用 Docker 和 pnpm 完整跑起来，并让飞书机器人真正收到消息、返回回执。

很多人卡住的地方不是代码，而是环境。Node.js 版本不对、pnpm 没装、Docker 镜像拉不下来、飞书应用权限没开，任何一个环节出问题，机器人就是沉默的。所以这篇教程按“环境准备 → 依赖安装 → 容器化 → 飞书配置 → 启动验证 → 排错”的顺序走，每一步都给可复制的命令和配置。你跟着做，最后应该能在飞书里给机器人发一条消息，然后看到它回复。

先明确几个核心概念。OpenClaw 本身是一个 Node.js 项目，所以需要 Node.js 运行时；pnpm 是它的包管理器，比 npm 快且省磁盘；Docker 用来把整个运行环境打包，避免“我本地能跑，服务器上不行”的问题。飞书这边，你需要创建一个企业自建应用，拿到 App ID 和 App Secret，并开启机器人能力。这三块拼起来，才是一个完整的飞书机器人。

我试过在 macOS 和 Ubuntu 上分别部署，最大的感受是：Node.js 版本一定要锁在 22.x LTS。低于 18 会直接报错，20 虽然能跑但某些依赖会警告。pnpm 的版本倒不挑，但建议用最新稳定版。Docker 部署时，网络问题比配置问题更常见，所以下面会给出国内镜像加速的写法。

2. TaoToken 前置：模型接入与 API Key 准备

OpenClaw 自己不带模型，它需要你提供一个兼容 OpenAI 接口的模型服务。你可以用本地 Ollama，也可以用云端 API。如果你手头没有现成的模型 Key，或者想统一管理多个模型的调用，TaoToken 是一个可以用的入口。它提供兼容 OpenAI 格式的 API，你拿到 Base URL 和 Key 之后，填进 OpenClaw 的配置里就行。

具体操作是这样的：打开 TaoToken 的 API Keys 页面，创建一个新的 Key，复制下来。然后你会用到两个地址：Base URL 是https://taotoken.net/api，模型 ID 根据你选的模型填，比如gpt-4o或者claude-3-5-sonnet。这三个东西——Base URL、Key、Model ID——在后面配置 OpenClaw 时会反复用到，建议先记在一个文本文件里。

如果你只是想先验证流程，不想折腾模型，也可以用 Ollama 本地跑一个。Ollama 的 Base URL 是http://localhost:11434/v1，Key 随便填一个非空字符串就行，模型 ID 写你ollama list里看到的名称。但要注意，Ollama 在 Docker 容器里访问宿主机服务时，地址不能写localhost，得写host.docker.internal（macOS/Windows）或者宿主机的局域网 IP（Linux）。

TaoToken 的好处是它把模型调用统一成 OpenAI 格式，OpenClaw 不需要为每个模型单独适配。你可以在配置里写多个 provider，然后按需切换。比如白天用云端模型处理复杂任务，晚上用本地 Ollama 跑简单对话。这种灵活性在团队场景里很实用。

拿到 Key 之后，不要直接硬编码在代码里。OpenClaw 支持.env文件，你把OPENAI_API_KEY和OPENAI_BASE_URL写进去，然后在配置文件里引用环境变量。这样既安全，也方便在不同环境之间迁移。下面一节会给出具体的.env和docker-compose.yml写法。

3. 可复制配置：Dockerfile、pnpm 脚本与飞书应用参数

这一节是核心，所有配置都可以直接复制。先看项目结构。假设你已经把 OpenClaw 的代码克隆到本地：

git clone https://github.com/openclaw/openclaw.git cd openclaw

然后创建.env文件：

cp .env.example .env

编辑.env，填入你的模型信息：

OPENAI_API_KEY=你的TaoTokenKey OPENAI_BASE_URL=https://taotoken.net/api OPENAI_MODEL=gpt-4o FEISHU_APP_ID=cli_xxxxxxxx FEISHU_APP_SECRET=xxxxxxxxxxxxxxxx FEISHU_VERIFICATION_TOKEN=xxxxxxxx FEISHU_ENCRYPT_KEY=xxxxxxxx

飞书的这四个参数，需要你去飞书开放平台创建企业自建应用后获取。App ID 和 App Secret 在“凭证与基础信息”里；Verification Token 和 Encrypt Key 在“事件订阅”里。注意，事件订阅的请求地址先随便填一个，等 Docker 跑起来后再改成你的公网地址或者内网穿透地址。

接下来是Dockerfile。OpenClaw 官方可能已经提供了，但为了确保 pnpm 和 Node.js 版本正确，我建议用下面这个：

FROM node:22-alpine RUN corepack enable && corepack prepare pnpm@latest --activate WORKDIR /app COPY package.json pnpm-lock.yaml ./ RUN pnpm install --frozen-lockfile COPY . . RUN pnpm build EXPOSE 3000 CMD ["pnpm", "start"]

这个 Dockerfile 做了几件事：基于 Node.js 22 Alpine 镜像，启用 corepack 来管理 pnpm，先复制依赖文件安装依赖（利用 Docker 缓存），再复制源码构建，最后暴露 3000 端口并启动。如果你不需要构建，可以去掉pnpm build，直接pnpm start。

然后是docker-compose.yml：

version: '3.8' services: openclaw: build: . container_name: openclaw restart: unless-stopped ports: - "3000:3000" env_file: - .env volumes: - ./data:/app/data extra_hosts: - "host.docker.internal:host-gateway"

extra_hosts这一行是为了让容器内能访问宿主机的 Ollama。如果你只用云端模型，可以删掉。volumes把数据目录挂载出来，避免容器重启后会话丢失。

飞书应用这边，你需要在开放平台做几件事。第一，开启机器人能力。第二，在“权限管理”里添加im:message、im:message:send_as_bot、im:chat:readonly等权限。第三，在“事件订阅”里添加im.message.receive_v1事件。第四，把请求地址填成你的服务地址，比如https://你的域名/webhook/feishu。如果你在本地跑，可以用内网穿透工具生成一个临时地址，但注意不要用任何违规的网络工具，直接用云服务器或者公司内网映射就行。

配置完成后，启动容器：

docker-compose up -d

查看日志：

docker-compose logs -f

如果看到Server listening on port 3000和Feishu bot initialized，说明启动成功。

4. 验证请求：启动日志检查与飞书消息回执

容器跑起来后，先别急着在飞书里发消息。第一步是检查日志里有没有报错。常见的成功日志长这样：

[INFO] Loading config from .env [INFO] Model provider: openai (https://taotoken.net/api) [INFO] Feishu app initialized: cli_xxxxxxxx [INFO] Webhook server listening on 0.0.0.0:3000 [INFO] OpenClaw ready

如果看到Error: Cannot find module或者EACCES，说明依赖没装好或者权限有问题。如果是401 Unauthorized，检查你的 TaoToken Key 是否正确。如果是Feishu verification failed，检查 Verification Token 和 Encrypt Key 是否和飞书后台一致。

日志没问题后，在飞书里找到你的机器人，发一条“你好”。然后回到终端看日志：

[INFO] Received message from user: ou_xxxxxxxx [INFO] Sending to model: gpt-4o [INFO] Model response: 你好！有什么可以帮你的？ [INFO] Reply sent to Feishu

如果看到这几行，说明消息链路通了。飞书里应该也能收到机器人的回复。如果没有回复，先检查飞书事件订阅的请求地址是否可达。你可以在服务器上curl一下自己的 webhook 地址：

curl -X POST https://你的域名/webhook/feishu -H "Content-Type: application/json" -d '{"type":"url_verification","challenge":"test"}'

如果返回{"challenge":"test"}，说明 webhook 正常。如果超时，检查防火墙和端口映射。

还有一个验证点是模型调用。你可以直接在容器里执行一个测试脚本：

docker exec -it openclaw pnpm run test:model

如果项目没有这个脚本，可以手动发一个请求：

docker exec -it openclaw curl https://taotoken.net/api/v1/chat/completions \ -H "Authorization: Bearer $OPENAI_API_KEY" \ -H "Content-Type: application/json" \ -d '{"model":"gpt-4o","messages":[{"role":"user","content":"test"}]}'

如果返回正常的 JSON，说明模型侧没问题。

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

部署过程中最容易遇到的几个报错，我一个个说。

401 Unauthorized：这个通常出现在模型调用环节。原因可能是 Key 过期、Base URL 写错、或者模型 ID 不存在。先检查.env里的OPENAI_API_KEY有没有多余空格，再确认OPENAI_BASE_URL是https://taotoken.net/api而不是带/v1的地址（有些框架会自动拼/v1）。如果用的是 TaoToken，去控制台确认 Key 的状态是“启用”。

local proxy failed：这个报错说明 OpenClaw 尝试通过本地代理访问外部服务，但代理没起来或者配置不对。如果你没有用代理，检查.env里有没有HTTP_PROXY或HTTPS_PROXY变量，有就删掉。如果你确实需要代理，确保代理地址是容器内可达的。但注意，任何涉及违规网络工具的代理都不能用，这里只讨论正常的网络配置。

reading choices：这个报错一般出现在模型返回格式不对的时候。OpenClaw 期望 OpenAI 格式的响应，里面有一个choices数组。如果模型返回的是其他格式，就会报Cannot read property 'choices' of undefined。解决办法是确认你的模型服务兼容 OpenAI 接口。TaoToken 是兼容的，Ollama 也是兼容的，但有些自建服务可能需要加一个适配层。

OAuth 相关报错：如果你在飞书配置里用了 OAuth 授权，可能会遇到invalid redirect_uri或者app ticket expired。检查飞书后台的“安全设置”里，重定向 URL 是否和你的服务地址一致。另外，App Ticket 需要定期刷新，OpenClaw 一般会自动处理，但如果日志里频繁出现，可以重启容器。

端口被占用：Error: listen EADDRINUSE: address already in use :::3000。说明 3000 端口被其他程序占了。改docker-compose.yml里的端口映射，比如3001:3000，然后重启。

pnpm install 失败：如果卡在resolving packages，可能是网络问题。在Dockerfile里加一行RUN pnpm config set registry https://registry.npmmirror.com/，然后再pnpm install。

飞书消息重复回复：检查事件订阅里有没有重复添加im.message.receive_v1。另外，OpenClaw 默认会处理消息去重，但如果你的服务部署了多个实例，需要加 Redis 做共享去重。

6. 语义一致 CTA：从跑通到长期编码

机器人跑通之后，你可能会想把它用在更复杂的场景里，比如让它在飞书里执行代码任务、查询文档、或者做长期的项目助手。这时候，模型的稳定性和调用成本就变得重要了。TaoToken 的 Coding Plan 适合这种长期编码场景，它提供固定的模型调用额度，你不用每次手动充 Key，也不用担心突然限流。

如果你只是想验证模型对话效果，可以直接用 TaoToken 的模型对话页面，快速测试不同模型的回复质量。如果你需要管理多个项目的 API Key，控制台里的 API Keys 页面可以创建和吊销 Key，方便团队协作。

接入文档里有详细的接口说明和示例代码，包括如何配置 Base URL、如何传参、如何处理流式响应。Claude Code 的 Anthropic 兼容接口也有专门说明，如果你用 Claude 系列模型，可以直接参考。

最后说一个实用技巧：把 OpenClaw 的日志输出到文件，然后配一个简单的日志轮转。这样出问题的时候，你可以回溯最近几天的消息记录，快速定位是模型侧还是飞书侧的问题。具体做法是在docker-compose.yml里加一个 logging 配置：

logging: driver: "json-file" options: max-size: "10m" max-file: "3"

这样日志不会无限增长，也不会把磁盘写满。跑通之后，你可以把整个docker-compose.yml和.env备份一份，下次换服务器直接复制过去，五分钟就能重新起来。