1. 为什么单次对话撑不起真正的自动化很多人第一次用 OpenClaw 的感觉是这玩意儿挺聪明。问它问题能答让它写脚本能写甚至丢一段报错日志它也能给出排查方向。但用上一两周就会发现一个尴尬的事实——每次都要重新交代背景、重新贴上下文、重新纠正输出格式。上周刚调好的提示词这周换个任务又得重来一遍。问题不在模型能力而在于我们把 OpenClaw 当成了一个问答框而不是一个执行引擎。真正的工程价值从来不是某一次回答有多准而是同一类任务能不能稳定、可重复、可审计地跑下去。比如每周一自动汇总缺陷数据、每次提交代码后自动生成变更说明、每天定时拉取业务指标生成报表——这些流程如果每次都靠人手敲一遍提示词那自动化就只是个幻觉。OpenClaw 接入 MCPModel Context Protocol之后能力边界会明显扩大。MCP 负责把外部工具文件系统、数据库、HTTP 接口、浏览器操作以标准化协议暴露给模型OpenClaw 负责理解任务、规划步骤、编排调用。但光有这两层还不够因为怎么做这件事如果没有沉淀每次执行的不确定性依然很高。这就是 Skills 和 JSON Schema 要解决的问题Skills 把策略固化成可复用资产JSON Schema 把输出契约锁死让整条链路从能跑变成稳定跑。这篇内容面向的是已经在本地折腾 AI 工具链、想让 OpenClaw 真正进入日常工作流的开发者。我会给出 config.toml 和 settings.json 的骨架、TaoToken 统一 Key 的接入片段以及一次完整的工作流触发与结果校验动作。你可以直接照着改。2. TaoToken 前置统一 Key 与 API 通道在搭工作流之前先把模型调用这条链路理顺。OpenClaw 本身不绑定某一家模型服务它通过配置里的 provider 字段决定请求发往哪里。如果你同时用多个模型比如规划用强模型、执行用快模型每个都单独配 Key、单独记额度维护成本会很快失控。TaoToken 在这里的角色是统一入口一个 Key 覆盖多种模型通道OpenClaw 侧只需要改 base_url 和 api_key 两个字段。官网地址是 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 端点是 https://taotoken.net/api 注意 API 地址不带 UTM 参数配置时别把推广参数拼进去。你需要先去控制台创建一个 API Key。打开 https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewrite 登录后在 API Keys 页面生成一个 Key复制出来备用。这个 Key 就是后面 config.toml 里要填的值。有一点要提醒Key 不要硬编码在会提交到 Git 的文件里。推荐做法是放在环境变量或者本地.env文件config.toml 里用占位符引用。后面配置片段我会按这个思路写。3. 可复制配置config.toml 与 settings.json 骨架OpenClaw 的配置分两层config.toml管模型通道和 MCP Server 注册settings.json管 Skills 定义和工作流参数。先看 config.toml。# ~/.openclaw/config.toml [provider] name taotoken base_url https://taotoken.net/api api_key ${TAOTOKEN_API_KEY} default_model claude-sonnet-4-20250514 timeout_seconds 120 max_retries 3 [provider.models] planner claude-sonnet-4-20250514 executor claude-haiku-3-5-20241022 [mcp_servers.filesystem] command npx args [-y, modelcontextprotocol/server-filesystem, /Users/you/workspace] [mcp_servers.http] command npx args [-y, modelcontextprotocol/server-http] env { ALLOWED_HOSTS api.internal.example.com,taotoken.net } [workflow] state_dir ~/.openclaw/runs log_level info idempotency_key_field run_id这里有几个点值得展开。base_url指向 TaoToken 的 API 端点api_key用${TAOTOKEN_API_KEY}引用环境变量你在 shell 里export TAOTOKEN_API_KEYsk-...就行。planner和executor分开配是因为规划阶段需要强推理执行阶段用快模型能省时间和额度。MCP Server 用 npx 拉起filesystem 限定在 workspace 目录内http server 用 ALLOWED_HOSTS 白名单控制出站请求避免工作流意外打到不该打的地方。然后是 settings.json这里定义 Skills 和输出契约。{ skills: [ { name: weekly_defect_report, description: 生成周度缺陷治理报告, states: [collect, normalize, analyze, render, publish], timeout_per_state: 90, retry: { max: 3, backoff: [1, 2, 4] }, output_schema: schemas/defect_report.json, template: templates/defect_report.md } ], workflow_defaults: { idempotency: true, audit_log: true, degrade_on_source_failure: true } }Skills 的核心是states数组把流程拆成五个状态collect 采集、normalize 标准化、analyze 分析、render 渲染、publish 发布。每个状态独立超时和重试单点失败不会拖垮整条链路。output_schema指向一个 JSON Schema 文件这是保证输出格式不漂移的关键。JSON Schema 文件长这样{ $schema: http://json-schema.org/draft-07/schema#, type: object, required: [period, metrics, top_causes, risks, actions], properties: { period: { type: string, pattern: ^\\d{4}-W\\d{2}$ }, metrics: { type: object, required: [new, closed, backlog], properties: { new: { type: integer, minimum: 0 }, closed: { type: integer, minimum: 0 }, backlog: { type: integer, minimum: 0 } } }, top_causes: { type: array, items: { type: object, required: [cause, count], properties: { cause: { type: string }, count: { type: integer } } } }, risks: { type: array, items: { type: string } }, actions: { type: array, items: { type: object, required: [owner, deadline, task], properties: { owner: { type: string }, deadline: { type: string, format: date }, task: { type: string } } } } } }period用正则锁死2026-W11这种格式metrics三个字段强制非负整数actions里每条必须有负责人、截止日期、任务描述。OpenClaw 在 render 状态会拿这个 schema 校验模型输出不通过就触发重试或降级而不是把格式乱七八糟的报告直接发出去。4. 验证请求触发一次工作流并校验结果配置写完之后先别急着上定时任务手动触发一次看链路通不通。第一步确认 OpenClaw 能读到配置openclaw doctor openclaw status --alldoctor会检查 config.toml 语法、环境变量是否设置、MCP Server 能否拉起。如果TAOTOKEN_API_KEY没导出这里会直接报错别跳过。第二步触发工作流openclaw run weekly_defect_report \ --param period2026-W11 \ --param projectbackend-core \ --idempotency-key 2026-W11-backend-core-weekly \ --follow--follow会实时打印每个状态的执行日志。正常输出大概是这样[collect] fetching issues... 142 records [collect] fetching commits... 87 records [normalize] time range: 2026-03-09 ~ 2026-03-15 [analyze] new23 closed31 backlog58 [analyze] top cause: null pointer (9) [render] schema validation: PASS [publish] report written to /workspace/reports/2026-W11.md [publish] idempotency key recorded第三步校验输出。打开生成的报告文件或者直接用 jq 检查结构化数据cat ~/.openclaw/runs/2026-W11-backend-core/result.json | jq .metrics期望看到{ new: 23, closed: 31, backlog: 58 }如果metrics字段缺失或者类型不对说明 schema 校验没拦住回去检查output_schema路径是否正确、render 状态有没有真正调用校验器。第四步验证幂等。用同一个--idempotency-key再跑一次openclaw run weekly_defect_report \ --param period2026-W11 \ --param projectbackend-core \ --idempotency-key 2026-W11-backend-core-weekly这次应该直接返回skipped: idempotency key already exists不会重复发布。如果它又跑了一遍并覆盖了报告说明idempotency_key_field配置没生效检查 config.toml 里[workflow]段。5. 本篇常见错排查报错一provider taotoken not foundconfig.toml 里[provider]段的name字段和 OpenClaw 内部注册的 provider 名对不上。OpenClaw 对自定义 provider 的识别依赖namebase_url组合确认base_url写的是https://taotoken.net/api而不是带 UTM 的官网地址。官网地址是给浏览器访问的API 调用必须走/api路径。报错二MCP server filesystem failed to startnpx 拉包失败通常是网络或缓存问题。先手动跑一遍npx -y modelcontextprotocol/server-filesystem /Users/you/workspace看能不能起来。如果卡在下载检查 npm registry 配置。另外路径要用绝对路径~在 args 数组里不会被 shell 展开。报错三schema validation failed: period does not match pattern模型输出的 period 写成了2026年第11周或者2026-03-09没按^\d{4}-W\d{2}$格式来。两个解法一是在 Skill 的 prompt 模板里明确写period 必须输出为 YYYY-Www 格式二是在 normalize 状态里加一个格式化步骤把日期统一转成 ISO 周格式再传给 analyze。推荐后者因为靠提示词约束格式始终不稳定。报错四工作流跑到 publish 就卡住publish 状态通常涉及外部写入知识库、群消息如果目标服务响应慢或者需要鉴权会一直等。检查timeout_per_state是不是设得太长以及 publish 的 MCP 工具调用有没有配超时。另外确认degrade_on_source_failure为 true这样单个数据源挂了会输出部分数据版本而不是整体失败。报错五idempotency key already exists但报告没生成幂等键记录和实际发布动作之间有时序问题。如果 publish 状态在写入报告之前就记录了幂等键而写入过程失败了下次重跑会被幂等逻辑拦住。解法是把幂等键的记录放在 publish 成功之后或者用两阶段提交先写临时文件确认成功后再改名为正式报告并记录键。6. 把工作流变成团队资产单次跑通只是起点。真正让这套东西产生复利的是把它版本化、权限化、可审计化。Skill 定义、JSON Schema、报告模板、config.toml 全部放进 Git 仓库用 PR 审核变更。这样任何人改了输出格式或者重试策略都有记录可查不会出现上周还好好的这周格式就变了的情况。权限方面MCP Server 的 ALLOWED_HOSTS 和 filesystem 路径要按最小权限配写操作和高风险动作比如直接发群消息加二次确认或者 dry-run 模式。审计日志这块OpenClaw 的state_dir下每次运行都会生成run.json记录触发时间、输入参数、每个状态的耗时、调用的 MCP 工具、最终输出路径。排障的时候直接看这个文件比翻聊天记录快得多。如果你想让模型对话能力也纳入这条链路可以到 https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_contentmodelsutm_campaignrewrite 看看当前支持的模型列表规划用强模型、执行用快模型的组合在成本上比较划算。长期跑编码类 Agent 工作流的话Coding Plan 页面 https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite 有更细的额度说明。接入文档在 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite API Keys 管理在 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi-keysutm_campaignrewrite 。最后说一个我踩过的坑Skills 的 states 不要设计得太细。一开始我把 normalize 拆成了字段映射时间转换空值填充三个状态结果每个状态都要单独配超时和重试调试起来非常痛苦。后来合并成一个 normalize 状态内部用普通函数处理只在真正需要模型介入或者外部调用的地方才设状态边界。状态机的粒度应该对齐失败后需要独立重试的最小单元而不是对齐代码里的函数。
