1. OpenClaw Skill 開(kāi)發(fā)里腳本內(nèi)置分析邏輯和框架原生調(diào)用到底怎么選如果你正在用 OpenClaw 寫 Skill大概率會(huì)卡在同一個(gè)岔路口分析邏輯到底寫進(jìn) Skill 的 Python 腳本里還是交給 OpenClaw 主 Agent 按 ReAct 循環(huán)去處理。這個(gè)問(wèn)題在批量任務(wù)上尤其尖銳比如醫(yī)療條目標(biāo)準(zhǔn)化、兩千條以上的日志分析選錯(cuò)了模式吞吐量能差出幾十倍Token 成本能差出好幾倍。先把兩個(gè)模式說(shuō)清楚。模式 A 叫腳本內(nèi)置分析邏輯也叫 Fat SkillSkill 的 Python 腳本里直接寫大模型 API 請(qǐng)求代碼用 httpx 或 openai 庫(kù)在腳本內(nèi)部完成數(shù)據(jù)解析、并發(fā)調(diào)用、結(jié)果校驗(yàn)和回寫Skill 本身就是一個(gè)閉環(huán)的任務(wù)處理器。模式 B 叫框架原生調(diào)用也叫 Lean SkillSkill 腳本只負(fù)責(zé)原子化動(dòng)作比如讀一行數(shù)據(jù)、點(diǎn)一個(gè)按鈕分析邏輯交給 OpenClaw 主 Agent 按 ReAct 循環(huán)一步步處理Skill 只是 Agent 的感官輔助。這篇文章面向的是正在做 OpenClaw Skill 開(kāi)發(fā)、需要接入大模型能力的 Python 開(kāi)發(fā)者尤其是碰到批量數(shù)據(jù)處理場(chǎng)景的人。我會(huì)把兩種模式的決策依據(jù)講透然后給出一套可復(fù)制的 TaoToken 統(tǒng)一 Key 和 API 通道配置骨架包括 settings.json 和 config.toml 兩種寫法最后用驗(yàn)證動(dòng)作確認(rèn)整條調(diào)用鏈路是通的。整套配置對(duì)模式 A 和模式 B 都適用區(qū)別只在于你把請(qǐng)求代碼放在哪一層。2. 為什么大批量處理必須把邏輯下沉到腳本2.1 ReAct 決策開(kāi)銷在批量場(chǎng)景下是純浪費(fèi)OpenClaw Agent 每次調(diào)用模型前都要進(jìn)行自我對(duì)話也就是 Thought 環(huán)節(jié)。對(duì)于需要靈活決策的探索性任務(wù)這個(gè)思考是有價(jià)值的。但對(duì)于兩千條格式固定的日志每條都走一遍 Thought等于兩千次無(wú)意義的決策開(kāi)銷。腳本內(nèi)置方案直接跳過(guò)決策轉(zhuǎn)為批處理這是吞吐量差距的根源。2.2 框架層超時(shí)是全局的沒(méi)法按任務(wù)調(diào)框架層的超時(shí)通常是全局配置比如 30 秒你沒(méi)法針對(duì)某類任務(wù)單獨(dú)調(diào)整。批量任務(wù)里單條數(shù)據(jù)偶爾慢一點(diǎn)很正常全局超時(shí)一卡整個(gè) Task 就掛起。腳本內(nèi)置可以給每條數(shù)據(jù)獨(dú)立超時(shí)配合分段處理局部失敗不影響整體。import asyncio async def analyze_batch(items, timeout_per_item10): semaphore asyncio.Semaphore(20) # 并發(fā)控制 async def process_one(item): async with semaphore: try: return await asyncio.wait_for( call_llm(item), timeouttimeout_per_item ) except asyncio.TimeoutError: return {status: timeout, item_id: item[id]} return await asyncio.gather(*[process_one(i) for i in items])2.3 數(shù)據(jù)預(yù)清洗能省下大量 Token醫(yī)療日志里常有大量重復(fù)堆棧信息腳本在發(fā)請(qǐng)求前用正則過(guò)濾掉無(wú)效內(nèi)容能省下相當(dāng)可觀的 Token。這一步放在 Agent 層做上下文里已經(jīng)塞滿了原始數(shù)據(jù)清洗的意義就沒(méi)了。import re def prune_log(raw_log: str) - str: 清洗日志去除重復(fù)堆棧和無(wú)效字段 raw_log re.sub(r(at .\n)\1, r\1, raw_log) # 去重復(fù)堆棧幀 raw_log re.sub(r\d{4}-\d{2}-\d{2}T\d{2}:\d{2}:\d{2}\.\dZ\s*, , raw_log) # 去時(shí)間戳噪音 return raw_log[:2000] # 截?cái)噙^(guò)長(zhǎng)內(nèi)容2.4 成本與耗時(shí)的量級(jí)差異以兩千條醫(yī)療日志分析為例兩種模式的差距大致是這樣的指標(biāo)模式 AFat Skill模式 BLean Skill總 API 調(diào)用次數(shù)約 2000僅分析約 6000Thought Action Observation平均每條 Token約 500清洗后約 1500含上下文總 Token 消耗約 100 萬(wàn)約 900 萬(wàn)預(yù)計(jì)耗時(shí)5-10 分鐘并發(fā) 203-5 小時(shí)串行失敗恢復(fù)僅重試失敗條目需從斷點(diǎn)人工重啟這張表不是精確基準(zhǔn)是量級(jí)參考。真正要記住的是批量、格式固定、強(qiáng)調(diào)效率的任務(wù)邏輯下沉到腳本少量、探索性、需要靈活決策的任務(wù)交給 Agent 的 ReAct 循環(huán)。3. TaoToken 前置統(tǒng)一 Key 與 API 通道準(zhǔn)備不管選模式 A 還是模式 B你都需要一個(gè)穩(wěn)定的大模型調(diào)用通道。TaoToken 在這里的角色是統(tǒng)一 Key 和 API 入口把模型調(diào)用收斂到一個(gè)地址上Skill 腳本和 Agent 框架都走同一條鏈路排查問(wèn)題時(shí)不用在多個(gè)供應(yīng)商之間來(lái)回切。先拿到 Key。打開(kāi) https://taotoken.net/api-keys 登錄后創(chuàng)建一個(gè) API Key復(fù)制保存。這個(gè) Key 后面會(huì)寫進(jìn)配置文件不要硬編碼在腳本里。模型對(duì)話能力可以在 https://taotoken.net/models 先手動(dòng)驗(yàn)證一下確認(rèn)你要用的模型在列表里、能正常返回。長(zhǎng)期做編碼和 Agent 任務(wù)的可以看 https://taotoken.net/coding-plan 把額度規(guī)劃好再進(jìn)批量任務(wù)避免跑到一半斷掉。接入文檔在 https://taotoken.net/doc 配置項(xiàng)和參數(shù)說(shuō)明以文檔為準(zhǔn)。API 基礎(chǔ)地址是 https://taotoken.net/api 注意這個(gè)地址不帶任何查詢參數(shù)直接作為 base_url 使用。注意Key 只放在環(huán)境變量或本地配置文件里不要提交到代碼倉(cāng)庫(kù)。批量任務(wù)跑之前先用一條數(shù)據(jù)驗(yàn)證鏈路再放開(kāi)并發(fā)。4. 可復(fù)制配置骨架settings.json 與 config.toml4.1 settings.json 寫法OpenClaw 的 Skill 如果讀 JSON 配置可以這樣組織。把 provider 的 base_url 指向 TaoTokenapi_key 從環(huán)境變量注入模型名單獨(dú)列出來(lái)方便切換。{ llm: { provider: taotoken, base_url: https://taotoken.net/api, api_key_env: TAOTOKEN_API_KEY, default_model: gpt-4o-mini, timeout_seconds: 15, max_retries: 2 }, skill: { mode: fat, concurrency: 20, batch_size: 200, prune_before_send: true } }4.2 config.toml 寫法如果項(xiàng)目用 TOML等價(jià)配置如下。TOML 的可讀性在多層配置上更好一些尤其是你要給不同 Skill 配不同并發(fā)的時(shí)候。[llm] provider taotoken base_url https://taotoken.net/api api_key_env TAOTOKEN_API_KEY default_model gpt-4o-mini timeout_seconds 15 max_retries 2 [skill] mode fat concurrency 20 batch_size 200 prune_before_send true4.3 在 Python 腳本里讀取配置并初始化客戶端模式 A 的 Skill 腳本里讀取配置后初始化異步客戶端。base_url 用 TaoToken 的 API 地址Key 從環(huán)境變量取。import os import json from openai import AsyncOpenAI def load_config(path: str settings.json) - dict: with open(path, r, encodingutf-8) as f: return json.load(f) config load_config() client AsyncOpenAI( base_urlconfig[llm][base_url], api_keyos.environ[config[llm][api_key_env]], )模式 B 的 Lean Skill 里Skill 腳本本身不初始化客戶端配置交給 OpenClaw 框架讀取Skill 只暴露原子動(dòng)作。兩種模式共用同一份 base_url 和 Key切換模式時(shí)不用改通道配置。4.4 完整批處理技能入口把前面的清洗、并發(fā)、校驗(yàn)、回寫串起來(lái)就是一個(gè)可運(yùn)行的 Fat Skill 入口。import asyncio import json from openai import AsyncOpenAI client AsyncOpenAI( base_urlhttps://taotoken.net/api, api_keyos.environ[TAOTOKEN_API_KEY], ) async def batch_analyze_skill(task_config: dict) - dict: items await load_items(task_config[source]) cleaned [prune_log(item[content]) for item in items] semaphore asyncio.Semaphore(task_config.get(concurrency, 20)) results {success: [], failed: []} async def analyze_one(idx, content): async with semaphore: try: resp await asyncio.wait_for( client.chat.completions.create( modeltask_config.get(model, gpt-4o-mini), messages[ {role: system, content: task_config[prompt]}, {role: user, content: content}, ], response_format{type: json_object}, ), timeout15, ) parsed json.loads(resp.choices[0].message.content) results[success].append({id: items[idx][id], data: parsed}) except Exception as e: results[failed].append({id: items[idx][id], error: str(e)}) await asyncio.gather(*[analyze_one(i, c) for i, c in enumerate(cleaned)]) await save_results(results[success]) return { total: len(items), success: len(results[success]), failed: len(results[failed]), failed_ids: [r[id] for r in results[failed]], }5. 驗(yàn)證請(qǐng)求與成功結(jié)果配置寫完別急著跑全量先用一條數(shù)據(jù)驗(yàn)證鏈路。下面這段腳本發(fā)一條最小請(qǐng)求確認(rèn) base_url、Key、模型名三者都對(duì)。import asyncio import os from openai import AsyncOpenAI async def verify(): client AsyncOpenAI( base_urlhttps://taotoken.net/api, api_keyos.environ[TAOTOKEN_API_KEY], ) resp await client.chat.completions.create( modelgpt-4o-mini, messages[{role: user, content: 返回 JSON{\ok\: true}}], response_format{type: json_object}, ) print(resp.choices[0].message.content) asyncio.run(verify())跑通的話終端會(huì)打印出類似{ok: true}的內(nèi)容。這一步成功說(shuō)明通道是通的接下來(lái)把并發(fā)從 1 逐步調(diào)到 20觀察失敗率。如果單條成功、并發(fā)失敗問(wèn)題多半在限流或超時(shí)不是配置錯(cuò)。再驗(yàn)證一次批處理入口用三條假數(shù)據(jù)跑batch_analyze_skill看返回的 success 和 failed 計(jì)數(shù)是否符合預(yù)期。返回結(jié)構(gòu)里帶上 failed_ids方便你定位是哪幾條掛了重試時(shí)只補(bǔ)這幾條。6. 本篇常見(jiàn)錯(cuò)排查6.1 401 或鑒權(quán)失敗最常見(jiàn)的是環(huán)境變量沒(méi)生效。檢查TAOTOKEN_API_KEY是否在當(dāng)前 shell 里 export 過(guò)或者配置文件里的api_key_env名字和實(shí)際環(huán)境變量名是否一致。Key 前后有空格也會(huì)導(dǎo)致鑒權(quán)失敗復(fù)制時(shí)注意。6.2 連接超時(shí)或 base_url 寫錯(cuò)base_url 必須是https://taotoken.net/api不要自己拼/v1之類的路徑具體以接入文檔為準(zhǔn)。如果請(qǐng)求一直超時(shí)先確認(rèn)網(wǎng)絡(luò)能訪問(wèn)該地址再檢查是不是把 base_url 寫成了帶查詢參數(shù)的地址。6.3 并發(fā)一高就大量失敗先看是不是觸發(fā)了限流。把concurrency從 20 降到 5 試一輪如果失敗率明顯下降就是并發(fā)太高。另外檢查timeout_seconds是不是設(shè)得太短批量任務(wù)里單條偶爾慢是正常的給到 15 秒比較穩(wěn)。6.4 返回內(nèi)容不是合法 JSONresponse_format{type: json_object}要求 prompt 里明確提到 JSON否則部分模型會(huì)返回普通文本。在 system prompt 里寫清楚「只返回 JSON不要額外說(shuō)明」解析前用 try 包一層解析失敗就歸到 failed 里重試。6.5 模式選錯(cuò)導(dǎo)致 Task 掛起如果你把批量邏輯放在了 Lean Skill 里Agent 串行步進(jìn)單步失敗很容易讓整個(gè) Task 掛起。判斷標(biāo)準(zhǔn)很簡(jiǎn)單數(shù)據(jù)量超過(guò) 100 條、格式固定、強(qiáng)調(diào)效率就該用模式 A。少量、探索性、需要靈活決策的才用模式 B。7. 決策矩陣與下一步把選型收斂成一張表照著對(duì)號(hào)入座數(shù)據(jù)量任務(wù)特點(diǎn)推薦方案1-10 條靈活多變需 Agent 決策模式 BLean Skill10-100 條格式半固定中等效率要求混合Agent 編排 小批量腳本100 條格式固定強(qiáng)調(diào)效率模式 AFat Skill醫(yī)療/金融級(jí)要求數(shù)據(jù)強(qiáng)一致性回寫模式 AFat Skill搜索失敗日志分析、醫(yī)療數(shù)據(jù)標(biāo)準(zhǔn)化這類項(xiàng)目走模式 A。吞吐量提升幾十倍Token 成本降下來(lái)局部重試和斷點(diǎn)續(xù)傳讓生產(chǎn)級(jí)容錯(cuò)成為可能輸出格式由代碼約束而不是靠模型指令遵循。少量探索性任務(wù)繼續(xù)用模式 B發(fā)揮 Agent 的推理優(yōu)勢(shì)。配置骨架已經(jīng)給全了接下來(lái)就是把 Key 配好、跑通驗(yàn)證腳本、把并發(fā)逐步調(diào)上去。需要長(zhǎng)期跑編碼和 Agent 任務(wù)的去 https://taotoken.net/coding-plan 把額度規(guī)劃一下接入細(xì)節(jié)和參數(shù)以 https://taotoken.net/doc 為準(zhǔn)Key 在 https://taotoken.net/api-keys 創(chuàng)建想先手動(dòng)試模型用 https://taotoken.net/models 。通道統(tǒng)一之后模式 A 和模式 B 的切換只是代碼組織方式的調(diào)整不用再動(dòng)底層配置。