企业官网建设流程全解析

1. QwenPaw 到底解决什么问题：Agent 工作台与 HiClaw 协作场景

QwenPaw 是一个可以部署在自己机器上的个人 AI 智能体工作台，它把 Agent 运行时、Skill 扩展体系、MCP 工具协议和定时任务整合在一个进程里。你可以把它理解成一个“AI 助手操作系统内核”：核心引擎负责调度，Skill 负责定义工作流，MCP 负责连接外部工具，HiClaw 负责把多个这样的内核编排成一支团队。它适合谁？适合需要本地部署、数据不出内网、又想让 AI 真正动手操作文件系统和开发工具链的开发者与运维团队。

我在调研时最先卡住的不是安装，而是理解它和普通 ChatBot 的边界。普通 ChatBot 只有“模型 + Prompt”这一层，你问它答，它不能读你的文件、不能跑你的测试、不能定时执行任务。QwenPaw 在模型之上加了两层：第二层是 Agent = 模型 + Tools，让它具备执行能力；第三层是 Skill = 指导 Agent 的标准化流程，定义“先做什么、后做什么、调什么工具”。这三层能力模型是理解整个工程化落地路径的钥匙。

调研场景里最典型的诉求是：我有一台 8GB 内存的开发机，想跑一个能读代码、能查数据库、能定时做代码质量检查的助手，同时希望未来能扩展成“产品-研发-测试”多角色协作。单 Agent 的 QwenPaw 能覆盖前一半，HiClaw 能覆盖后一半。本文就按这个路径，从单机配置讲到多 Agent 编排，每一步都给可复制的片段和验证动作。

需要先明确一个边界：QwenPaw 不是专门的编码 Agent，它的原生强项是个人助理与多渠道接入。编码能力要靠 Skill 和 MCP 补强，复杂协作要靠 HiClaw 补强。理解这个定位，后面的配置才不会走偏。下面先讲前置准备，再进入可复制配置。

2. TaoToken 前置准备：模型接入与 API Key 获取

QwenPaw 的模型工厂支持多模型切换，你可以为不同 Agent 工作区配置不同模型。在开始写配置之前，需要先准备好模型接入凭证。我实测下来，用 TaoToken 作为统一接入层比较省事，它兼容 OpenAI 风格的接口，QwenPaw 的 model_factory 可以直接对接。

第一步是获取 API Key。访问 https://taotoken.net/api-keys 创建密钥，建议按用途分多个 Key，比如“架构师 Agent 用一个”“日常助手用一个”，方便后续在 HiClaw 里做权限隔离。创建后立刻复制保存，页面刷新后不再显示完整 Key。

第二步是确认 Base URL。TaoToken 的 API 入口是 https://taotoken.net/api，注意这个地址不带任何查询参数。在 QwenPaw 的模型配置里，Base URL 填这个值，路径部分由客户端自动拼接。

第三步是选模型。QwenPaw 的 model_factory.py 支持多模型，调研场景下我建议这样分配：复杂架构设计和长时任务用推理能力强的模型；日常编码任务用专为编码优化的模型；代码补全和简单修改用响应快的轻量模型；隐私敏感项目直接走本地 Ollama。你可以在同一个 QwenPaw 实例内，为不同工作区配不同模型。

如果你打算长期跑编码 Agent 或做多 Agent 编排，可以了解一下 Coding Plan，它针对高频调用场景做了额度优化。接入文档在 https://taotoken.net/doc，里面有各客户端的完整配置示例。想先验证模型连通性，可以直接用模型对话页面发一条测试消息，确认 Key 和 Base URL 没问题再往下走。

这里有个容易忽略的点：QwenPaw 的每个 Agent 工作区有独立的 MCP 客户端和记忆目录，但模型配置可以共享也可以独立。调研阶段建议先共享一套模型配置，等角色分工稳定后再按工作区拆分，避免一开始就陷入配置碎片化。

3. 可复制配置：Agent 工作区、Skill 与 MCP 接入片段

这一节给三份可直接复制的配置：Agent 工作区定义、Skill 的 SKILL.md、MCP 服务器接入。三份配好，单机版 QwenPaw 的工程化骨架就搭起来了。

先看 Agent 工作区配置。QwenPaw 的配置目录在config/下，每个工作区一个子目录。下面是一个“代码审查员”工作区的配置片段，保存为config/workspaces/reviewer/agent.json：

{ "name": "reviewer", "display_name": "资深代码审查员", "model": { "provider": "openai-compatible", "base_url": "https://taotoken.net/api", "api_key_env": "TAOTOKEN_API_KEY", "model_id": "qwen3-coder", "temperature": 0.2 }, "system_prompt": "你是一位严格的代码审查员，关注安全漏洞和性能问题。审查时先列出问题清单，再给修复建议。", "skills_dir": "./skills", "mcp_config": "./mcp/servers.json", "memory": { "enabled": true, "backend": "local", "compress": true } }

注意api_key_env指向环境变量，不要把 Key 明文写进配置文件。启动前执行export TAOTOKEN_API_KEY=你的密钥。model_id按你实际选的模型填，QwenPaw 的 model_factory 会按 provider 类型走对应适配器。

再看 Skill 配置。Skill 本质上是一个目录，核心是SKILL.md。下面是一个“全栈开发助手”的 Skill，放在skills/fullstack-dev/SKILL.md：

--- name: fullstack-dev description: 全栈开发助手，支持需求分析、代码生成、测试编写、代码审查 version: 1.0.0 tags: [coding, development, fullstack] --- ## 角色定义 你是一位资深全栈开发工程师，精通 Python、TypeScript、React、FastAPI。 ## 工作流程 ### 1. 需求分析阶段 - 收到需求后先确认技术栈和约束条件 - 输出简短技术方案（不超过5条要点） - 等待用户确认后再动手 ### 2. 代码生成阶段 - 使用 write_file 工具直接写入文件 - 遵循项目现有代码风格和目录结构 - 每个文件生成后立即运行 lint 检查 ### 3. 测试阶段 - 为每个核心函数编写单元测试 - 使用 execute_command 运行测试套件 - 测试不通过时自动修复并重试（最多3次） ### 4. 代码审查阶段 - 检查安全漏洞（SQL注入、XSS、命令注入） - 检查性能问题（N+1查询、内存泄漏） - 输出审查报告 ## 约束 - 不要过度设计，三行相似代码优于一个过早抽象 - 优先修改现有文件，而非创建新文件

Skill 的价值在于把“如何完成一个任务”从模型能力里解耦出来，变成可复用、可版本控制的资产。你不需要每次写一长串 Prompt，最佳实践沉淀在 SKILL.md 里持续生效。

最后是 MCP 接入。QwenPaw 内置 MCP 客户端，配置文件放在mcp/servers.json：

{ "mcpServers": { "filesystem": { "command": "npx", "args": ["-y", "@modelcontextprotocol/server-filesystem", "/your/project"] }, "github": { "command": "npx", "args": ["-y", "@modelcontextprotocol/server-github"], "env": { "GITHUB_TOKEN": "${GITHUB_TOKEN}" } }, "postgres": { "command": "npx", "args": ["-y", "@modelcontextprotocol/server-postgres", "postgresql://user:pass@localhost:5432/devdb"] } } }

三件套齐了：Base URL 是https://taotoken.net/api，Key 走环境变量TAOTOKEN_API_KEY，Model ID 按工作区填。MCP 让 Agent 真正“动手”——读写项目文件、操作 Git 仓库、查询数据库。注意 postgres 那条只连开发库，不要指向生产库。

4. 验证请求：Skill 调用链路与成功结果确认

配置写完必须验证，否则你不知道是 Skill 没加载、MCP 没连上，还是模型没通。这一节给一套从下往上的验证动作，每一步都有明确的成功标志。

第一步验证模型连通。启动 QwenPaw 后，在 Web 控制台新建一个对话，发一条最简单的消息：“回复 OK”。如果收到回复，说明 Base URL、Key、Model ID 三件套正确。如果报 401，跳到第 5 节排查。这一步不要跳过，模型不通后面全是白费。

第二步验证 Skill 加载。在控制台的技能管理页，确认fullstack-dev出现在已加载列表里。然后发一条触发 Skill 的消息：“帮我写一个 Python CLI 工具，支持正则批量重命名文件，要求支持 --dry-run 预览、--recursive 递归、--pattern 正则匹配”。观察 Agent 的响应结构，如果它先输出“需求分析”阶段的技术方案要点并等待你确认，说明 Skill 的工作流被正确读取了。如果它直接开始写代码，说明 SKILL.md 的 frontmatter 格式有问题，检查---分隔符和字段名。

第三步验证 MCP 工具调用。在对话里说：“列出 /your/project 目录下的所有 Python 文件”。如果 Agent 调用了 filesystem MCP 并返回真实文件列表，说明 MCP 接入成功。这一步的成功标志是返回的文件名和你本地ls的结果一致。如果 Agent 说“我无法访问文件系统”，检查mcp/servers.json的路径参数和 npx 是否可用。

第四步验证完整链路。让 Agent 执行一个端到端任务：“在 /your/project 下创建一个 hello.py，内容是一个打印当前时间的函数，然后运行它”。成功的结果是：Agent 通过 filesystem MCP 写入文件，通过 execute_command 运行，返回实际输出。这条链路走通，说明 Skill 定义流程、MCP 提供工具、模型负责决策，三者协作正常。

第五步验证记忆持久化。关掉对话，重新打开，问：“我刚才让你创建的文件叫什么名字？”如果 Agent 能答出hello.py，说明 ReMe 记忆系统在工作。QwenPaw 的记忆是每个 Agent 独立隔离的，对话自动压缩、重要信息持久保存。

五步全过，单机版 QwenPaw 的工程化落地就完成了。接下来如果要扩展成多 Agent 协作，再引入 HiClaw。HiClaw 的 Manager 负责拆解任务、分配 Worker、监控进度，Worker 只持有 15 分钟有效的临时 JWT，不接触真实 API Key。你可以用 QwenPaw 做轻量 Worker（产品分析、文档处理、团队管家），用重型 Agent 做编码 Worker，一台 8GB 内存的机器能跑 4-5 个 Worker。

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

这一节按真实报错逐条排查。这些错误我在调研过程中基本都踩过，按顺序对照能省不少时间。

401 Unauthorized。最常见的原因是 Key 没生效或 Base URL 写错。先确认环境变量TAOTOKEN_API_KEY在当前 shell 里能echo出来，如果为空说明 export 没执行或写在了别的终端。再确认 Base URL 是https://taotoken.net/api，不要多加/v1或尾部斜杠，路径由客户端拼接。如果 Key 是从页面复制的，检查有没有带多余空格。还有一种情况是 Key 被禁用或额度耗尽，去控制台确认状态。

local proxy failed。这个报错通常出现在 MCP 服务器启动阶段，不是模型层的问题。原因是 npx 拉取 MCP 包时网络不通，或者包名写错。先手动执行npx -y @modelcontextprotocol/server-filesystem /tmp看能否启动，如果卡住就是网络问题，配置 npm 镜像源。如果报“package not found”，检查包名拼写。另外注意 MCP 的 command 路径，如果 npx 不在默认 PATH 里，要写绝对路径。

Error reading choices / reading choices。这个报错一般出现在模型返回格式不符合预期时，QwenPaw 解析响应失败。常见诱因是模型 ID 填错，比如填了一个不支持 function calling 的模型，Agent 请求工具调用但模型返回纯文本。解决方法是换用支持工具调用的模型，或者在 model_factory 配置里确认该 provider 的响应解析器匹配。如果用的是兼容接口，确认接口返回的 JSON 结构和 OpenAI 格式一致。

OAuth 相关报错。如果你接入了 GitHub MCP 或类似需要 OAuth 的服务，报错通常是 token 过期或 scope 不足。GitHub MCP 用的是 Personal Access Token，不是 OAuth 流程，检查GITHUB_TOKEN环境变量是否设置、token 是否有 repo 权限。如果报“OAuth callback failed”，说明你误用了需要浏览器回调的接入方式，换成 PAT 方式即可。HiClaw 场景下的 OAuth 报错，检查 Worker 的临时 JWT 是否过期，15 分钟有效期到了需要 Manager 重新签发。

Skill 不生效。如果 Agent 没有按 SKILL.md 的流程走，先确认文件路径在skills_dir下，再确认 frontmatter 的---是独立行、字段名拼写正确。QwenPaw 加载 Skill 失败时不一定报错，可能静默跳过，所以要在控制台技能页确认加载状态。

MCP 工具调用超时。如果 Agent 调用工具后长时间无响应，检查 MCP 服务器进程是否还活着。filesystem 这类本地服务一般很快，postgres 查询慢可能是 SQL 本身的问题。给 MCP 配置加超时参数，避免单个工具卡死整个对话。

排查顺序建议从下往上：先确认模型通（401 类），再确认 MCP 通（proxy 类），再确认 Skill 加载，最后看响应解析（choices 类）。这样能快速定位问题在哪一层。

6. 从单机到团队：QwenPaw 与 HiClaw 的工程化落地建议

单机版跑通之后，是否引入 HiClaw 取决于你的协作复杂度。判断标准很简单：2-3 个 Agent 手动协调能接受，就用 QwenPaw 单实例多工作区；4 个以上 Agent 需要自动调度，就上 HiClaw。

HiClaw 的核心是 Manager-Worker 模式。Manager 只管理不执行，负责接收任务、拆解、分配、监控、整合。Worker 是实际干活的容器，可以是 QwenPaw、OpenClaw 或其他 Agent 运行时。关键设计是零信任：Worker 永远不接触真实 API Key，所有凭证集中在网关加密存储，Worker 只持有短时有效的 JWT。即使某个 Worker 被攻破，攻击者也拿不到有效凭证。

部署 HiClaw 后，在 Matrix 客户端里向 Manager 下达指令，比如“创建三个 Worker：产品经理用 QwenPaw 内核负责需求分析，研发工程师用重型内核负责编码，测试工程师用 QwenPaw 内核负责验证，把他们拉到同一个项目房间”。Manager 会自动创建容器、建房间、拉人、分配任务。你全程在 Matrix 房间里能看到所有对话，随时 @ 任何 Worker 修正方向。

混编建议：用 QwenPaw Worker 做轻量角色，内存占用约 100MB，冷启动快，能访问本地文件系统和浏览器；用重型 Agent 做编码角色。这样一台 8GB 内存的服务器能跑 4-5 个 Worker。文件共享走 MinIO，避免大文件撑爆对话上下文。

如果你需要长期跑多 Agent 编排和高频模型调用，Coding Plan 的额度模型比按量付费更适合这种场景。接入细节和客户端配置示例在接入文档里有完整说明，模型连通性可以先用模型对话页面验证。

最后给一个务实建议：不要一上来就搭多 Agent 团队。先用单机 QwenPaw 加一个 Coding Skill 加 filesystem MCP，把“需求分析-代码生成-测试-审查”这条链路跑顺，确认每个环节的产出质量稳定，再考虑用 HiClaw 做并行化。多 Agent 的收益来自并行和分工，但前提是单 Agent 的流程已经标准化。Skill 就是标准化的载体，先把 Skill 写好，团队协作才有意义。