企业官网建设流程全解析

1. 没有 API 的老系统，才是 Agent 自动化真正的硬骨头

你可能已经习惯了让 Agent 调各种 REST API：查天气、发消息、拉数据，只要有个接口文档，接上去就能跑。但现实里大量流程根本没有 API——财务系统只有个 Windows 客户端，内部工具是个老掉牙的桌面程序，测试环境要靠鼠标点来点去，甚至某些后台连导出按钮都藏在三级菜单里。这类场景过去只能靠 RPA 录屏回放，脚本一改界面就崩，维护成本高得离谱。

Lybic + OpenClaw 这套组合解决的正是这个问题。Lybic 提供云端沙盒，支持 Windows、Linux、Android 三种环境，能跑 GUI 鼠标键盘操作、触摸操作、截图视觉反馈，还能在沙盒里执行 Python、Node.js、Go、Rust、Java 代码和 shell 脚本。OpenClaw 则负责把 Agent 的工具调用标准化成 Skill，让模型能像调函数一样调沙盒。两者接起来之后，Agent 就能直接接管一个真实桌面环境，点按钮、填表单、看截图判断结果，全程不需要目标系统提供任何 API。

这篇文章面向的是已经在用 OpenClaw 做工具编排、想把手伸到 GUI 层的开发者。我会给出可复制的 config.toml 和 settings.json 骨架、TaoToken 统一 Key 的接入配置，以及 Agent 接管动作的验证步骤和报错排查清单。如果你还没配过 OpenClaw，也能跟着走完，因为关键配置我都会标出必填项。

2. 前置准备：TaoToken 统一 Key 与 Lybic 沙盒账号

在动 OpenClaw 之前，先把两个外部依赖准备好：模型侧的 Key 和沙盒侧的凭证。模型侧我用 TaoToken 做统一入口，这样 OpenClaw 里不用为每个模型单独配 base_url 和 key，换模型只改一个字段。沙盒侧需要 Lybic 的 API Key 和 Org ID，这两个在 Lybic 控制台里拿。

TaoToken 的接入地址是https://taotoken.net/api，兼容 OpenAI 风格的/v1/chat/completions。你需要在控制台创建一个 API Key，然后把它填到 OpenClaw 的模型配置里。如果你还没建 Key，可以先去 API Keys 页面 生成一个，权限选默认的对话权限就够 OpenClaw 调度用了。

Lybic 侧的操作路径是：登录 Lybic 控制台，在组织设置里找到 Org ID，在 API 管理里生成一个 API Key。这两个值后面会分别填到LYBIC_ORG_ID和LYBIC_API_KEY环境变量里。注意 Lybic 的 Key 是给沙盒服务用的，和 TaoToken 的模型 Key 是两套东西，别混。

提示：TaoToken 的 Key 建议单独建一个给 OpenClaw 用，方便后续按项目统计用量。Lybic 的 Key 如果泄露，别人可以在你的组织下创建沙盒，所以别提交到公开仓库。

3. 可复制配置：config.toml 与 settings.json 骨架

OpenClaw 的配置分两层：config.toml管模型和网关，settings.json管 Skill 和环境变量。下面这份骨架你可以直接复制，把尖括号里的值替换掉即可。

3.1 config.toml：模型走 TaoToken 统一入口

# ~/.openclaw/config.toml [gateway] host = "127.0.0.1" port = 18789 [model] provider = "openai-compatible" base_url = "https://taotoken.net/api" api_key = "<你的 TaoToken API Key>" model = "claude-sonnet-4-20250514" max_tokens = 8192 temperature = 0.2 [agent] max_iterations = 30 tool_timeout_seconds = 300

这里base_url填 TaoToken 的 API 地址，api_key填你在 TaoToken 控制台生成的 Key。model字段可以换成你账号下可用的任意模型，OpenClaw 会按 OpenAI 兼容格式发请求。tool_timeout_seconds建议给到 300 秒以上，因为 GUI 操作和沙盒启动比纯文本调用慢得多。

3.2 settings.json：Lybic Skill 与环境变量

{ "skills": { "lybic-sandbox": { "enabled": true, "env": { "LYBIC_API_KEY": "<你的 Lybic API Key>", "LYBIC_ORG_ID": "<你的 Lybic Org ID>", "LYBIC_DEFAULT_SANDBOX_TYPE": "windows" } } }, "gateway": { "dashboard": "http://127.0.0.1:18789" } }

LYBIC_DEFAULT_SANDBOX_TYPE可以填windows、linux或android，取决于你主要接管哪类桌面。如果你要同时跑多种环境，可以在 Skill 调用时用参数覆盖，不用改这个默认值。

3.3 安装 Lybic Sandbox Skill

Skill 本体从 Clawhub 获取。在 Clawhub 里搜索 Lybic，下载lybic-sandbox的 zip 包，解压到 OpenClaw 的技能目录：

mkdir -p ~/.openclaw/skills unzip lybic-sandbox.zip -d ~/.openclaw/skills/ ls ~/.openclaw/skills/lybic-sandbox

解压后你应该能看到skill.json、main.py之类的文件。然后打开 OpenClaw Gateway Dashboard，地址通常是http://127.0.0.1:18789，进 Settings → Config → Skills，找到 Lybic Skill 并启用。如果列表里没有，点一下 Reload 重新加载技能目录。

4. 验证请求：让 Agent 接管一次真实桌面动作

配置写完不代表能跑，得用一次最小闭环验证链路。我建议从「创建沙盒 → 截图 → 执行一段代码 → 销毁沙盒」这个顺序走，每一步都能单独确认。

4.1 启动网关并确认 Skill 加载

openclaw gateway start openclaw skills list

第二条命令应该输出lybic-sandbox且状态为enabled。如果显示missing env，说明settings.json里的环境变量没被读到，检查文件路径是不是~/.openclaw/settings.json。

4.2 用模型对话触发沙盒创建

打开 模型对话页面，或者直接在 OpenClaw 的对话入口里输入下面这句话：

请用 lybic-sandbox 技能创建一个 Windows 沙盒，然后在沙盒里执行 python -c "print('hello from sandbox')"，把输出返回给我。

Agent 会先调create_sandbox，拿到 sandbox_id，再调execute_code或execute_shell，最后把 stdout 返回。如果这一步成功，你会看到类似hello from sandbox的输出，同时 Lybic 控制台里能看到一个运行中的沙盒实例。

4.3 验证 GUI 接管能力

纯代码执行还不算接管桌面，真正要验证的是鼠标键盘和截图。输入：

在刚才的 Windows 沙盒里打开记事本，输入 "agent was here"，然后截图给我看。

Agent 会调 GUI 自动化接口：先启动 notepad.exe，再模拟键盘输入，最后调screenshot返回图片。你在对话里应该能看到一张记事本窗口的截图，标题栏和输入内容都清晰可见。这一步跑通，说明 Agent 已经能操作真实桌面了。

4.4 清理沙盒

验证完记得销毁，不然沙盒会一直占资源：

请删除刚才创建的沙盒。

Agent 调delete_sandbox后，Lybic 控制台里该实例应该变成已销毁状态。

5. 常见报错排查清单

这套链路涉及模型、网关、Skill、沙盒四层，出错时定位要按层排查。下面是我实际遇到过的几类问题。

模型侧 401 或 403：先确认config.toml里的api_key是不是 TaoToken 的 Key，而不是 Lybic 的。再确认base_url结尾没有多余的/v1，TaoToken 的地址是https://taotoken.net/api，OpenClaw 会自己拼/v1/chat/completions。如果还报错，去 接入文档 对一下请求格式。

Skill 未加载：openclaw skills list里看不到lybic-sandbox，通常是解压路径不对。确认 zip 解压后skill.json直接在~/.openclaw/skills/lybic-sandbox/下，而不是多套了一层目录。改完在 Dashboard 点 Reload。

沙盒创建超时：tool_timeout_seconds太小是常见原因，GUI 沙盒冷启动可能要 60 秒以上。把它调到 300 或更高。另外确认LYBIC_ORG_ID填的是组织 ID 而不是组织名称。

截图返回空白：Windows 沙盒在无头模式下截图可能全黑，需要在创建沙盒时指定带显示的环境，或者改用 Linux 沙盒加虚拟显示。Lybic 的沙盒类型参数里可以控制这一点。

GUI 操作点不中元素：Agent 靠截图里的坐标点按钮，分辨率变化会导致偏移。建议在 Skill 配置里固定沙盒分辨率，或者在提示词里让 Agent 先截图再根据图像定位，不要硬编码坐标。

长时间进程被中断：Lybic 支持长时间运行的进程，但 OpenClaw 的tool_timeout_seconds会掐断调用。如果你要跑超过 5 分钟的任务，把它调大，或者让 Agent 用轮询方式查状态而不是阻塞等待。

6. 把 Skill 接进你的长期工作流

单次验证跑通之后，下一步是把它变成日常可用的自动化链路。如果你主要做编码类 Agent，比如让 Agent 在沙盒里跑测试、改配置、验证构建产物，建议用 Coding Plan 的额度来跑，因为这类任务迭代次数多，按次计费比按 token 更可控。配置方式还是走config.toml里的base_url和api_key，只是 Key 换成 Coding Plan 对应的即可。

如果你想让 Agent 接管更复杂的桌面流程，比如登录内部系统、填多页表单、导出报表，关键是把每个动作拆成可验证的小步。我的做法是让 Agent 每操作三步就截一次图，用视觉反馈确认当前状态，而不是一口气跑完再检查。这样出错时能立刻定位到是哪一步点错了，而不是面对一个失败的结果干瞪眼。

Lybic 的沙盒是可观测的，你可以在控制台里实时看 Agent 在干什么，这个对调试特别有用。刚开始接的时候，我建议你盯着控制台跑几轮，观察 Agent 的鼠标轨迹和输入内容，确认它的操作逻辑符合预期，再放开让它自动跑。等链路稳定了，就可以把整个流程封装成一个 Skill 调用，让上层 Agent 直接触发。