1. 为什么 Self-Improving-with-Reflection 值得单独配一条通道OpenClaw 的 Skills 体系里Self-Improving-with-Reflection 是一个很特别的存在。它不负责写代码、不负责调工具它负责的是让 Agent 记住自己犯过的错。核心逻辑是零依赖的三层记忆结构HOT 层memory.md每次启动必加载WARM 层projects/和domains/按需加载COLD 层archive/显式查询才读。修正检测靠关键词触发自我反思靠 CONTEXT/REFLECTION/LESSON 三段式模板落盘。问题出在反思这一步。反思本身是一次模型调用——Agent 要把当前任务上下文、观察到的偏差、改进结论组织成结构化文本再写回corrections.md。如果这条调用走的是默认通道你会遇到两个麻烦一是不同 Skill 各自持有不同的 Key管理成本高二是反思调用往往发生在任务收尾阶段一旦通道抖动反思结果就丢了记忆闭环直接断掉。我试过把反思调用单独指向 TaoToken 的统一通道效果比想象中好。原因很简单Self-Improving 的反思请求是短文本、高频次、低延迟敏感走统一 Base URL 后所有 Skill 共享一个 Keysettings里只需要维护一份配置。这篇就把 settings 改到 TaoToken 的完整过程拆开讲包括配置片段、API 地址填写位置、一次真实的反思触发与结果校验。适合谁看已经在用 OpenClaw Skills、想让 Agent 具备跨会话记忆、又不想为每个 Skill 单独配 Key 的人。如果你还没接触过 OpenClaw建议先跑通一个基础 Skill 再回来。2. TaoToken 前置统一 Key 与 API 通道的定位TaoToken 在这里扮演的角色是统一出口。OpenClaw 的每个 Skill 本质上都是一段带模型调用的逻辑Self-Improving-with-Reflection 的反思环节也不例外。传统做法是每个 Skill 在settings里写自己的api_key和base_url结果是配置文件里散落着多份凭证改一次要翻好几个文件。TaoToken 的做法是把这些收敛成一份一个 Key一个 Base URL所有 Skill 共用。对 Self-Improving 这种反思调用频繁但单次很短的场景收益尤其明显——你不需要为反思单独申请额度也不需要担心反思通道和主任务通道不一致导致的行为差异。具体要准备三样东西第一是 API Key。到控制台生成路径是console生成后复制保存后面填进settings的api_key字段。注意 Key 只在生成时完整显示一次。第二是 Base URL。TaoToken 的 API 地址是https://taotoken.net/api这个地址要填在settings的base_url字段注意不要带末尾斜杠也不要拼成/v1之类的路径OpenClaw 的请求构造会自己处理。第三是 Model ID。Self-Improving 的反思调用对模型能力要求不高但要稳定。选一个你账号下可用的模型 ID 填进model字段即可后面配置片段里我用占位符标注。如果你还想先验证通道是否通可以到模型对话页面发一条测试消息确认 Key 和 Base URL 组合能正常返回。这一步能省掉后面很多排查时间。注意TaoToken 是统一 API 通道不是编辑器替代品也不做任何网络层的事情。它的作用就是让你在一个地方管理 Key 和地址。3. 可复制配置把 settings 指向 TaoTokenOpenClaw 的 Skill 配置通常放在 Skill 目录下的settings.json或项目根的settings.toml。Self-Improving-with-Reflection 的配置分两块一块是 Skill 自身的记忆路径一块是模型调用通道。我们要改的是后者。先看 JSON 版本路径假设为./skills/self-improving/settings.json{ skill: self-improving-with-reflection, version: 1.2.11, memory: { root: ./self-improving, hot: memory.md, corrections: corrections.md, index: index.md, warm_dirs: [projects, domains], cold_dir: archive, hot_max_lines: 100, warm_max_lines: 200, archive_after_days: 90 }, model: { provider: openai-compatible, base_url: https://taotoken.net/api, api_key: sk-你的TaoTokenKey, model: 你的ModelID, timeout_ms: 30000, max_retries: 2 }, reflection: { enabled: true, trigger_on: [correction, task_complete, bug_fixed], template: CONTEXT: {context}\nREFLECTION: {observation}\nLESSON: {lesson}, write_to: corrections.md } }如果你用的是 TOML等价写法如下路径./skills/self-improving/settings.toml[skill] name self-improving-with-reflection version 1.2.11 [memory] root ./self-improving hot memory.md corrections corrections.md index index.md warm_dirs [projects, domains] cold_dir archive hot_max_lines 100 warm_max_lines 200 archive_after_days 90 [model] provider openai-compatible base_url https://taotoken.net/api api_key sk-你的TaoTokenKey model 你的ModelID timeout_ms 30000 max_retries 2 [reflection] enabled true trigger_on [correction, task_complete, bug_fixed] template CONTEXT: {context}\nREFLECTION: {observation}\nLESSON: {lesson} write_to corrections.md三件套对照一下Base URL 填https://taotoken.net/apiKey 填控制台生成的sk-开头字符串Model ID 填你账号下可用的模型标识。这三个字段是反思调用能否成功的关键缺一个都会在触发反思时报错。改完配置后检查一下SOUL.md里是否已经加了 Self-Improving 的集成段落。如果没有补上这段## Self-Improving Compounding execution quality is part of the job. Before non-trivial work, load ./self-improving/memory.md and only the smallest relevant domain or project files. After corrections, failed attempts, or reusable lessons, write one concise entry to the correct self-improving file immediately.这段的作用是告诉 Agent反思不是可选项是任务的一部分。没有它反思调用不会被主动触发配置改得再对也看不到效果。4. 验证请求触发一次反思并校验结果配置改完后不要急着跑复杂任务。先用一个最小场景验证反思链路是否通。步骤是制造一次修正观察corrections.md是否写入再检查写入内容是否走了 TaoToken 通道。第一步确认目录结构存在ls -la ./self-improving/正常应该看到memory.md、index.md、corrections.md以及projects/、domains/、archive/三个目录。如果缺文件手动创建空文件即可Skill 会在首次写入时补全结构。第二步触发一次修正。在对话里对 Agent 说一句明确的修正信号比如No, thats not right. I prefer snake_case for all Python variable names.这句话命中了修正检测的关键词No, thats not right和I prefer X。按 Self-Improving 的处理流程Agent 应该把这次修正记录到corrections.md并标记Confirmed: pending (1/3)。第三步检查写入结果cat ./self-improving/corrections.md预期输出类似# Corrections Log ## 2026-05-12 - [14:32] Changed camelCase → snake_case Type: format Context: Python variable naming preference Confirmed: pending (1/3)如果看到了这条记录说明反思调用成功走通了 TaoToken 通道。因为写入corrections.md这个动作本身需要模型生成结构化文本模型调用失败的话这条记录不会出现。第四步验证通道归属。这一步是很多人忽略的确认这次调用确实走了 TaoToken而不是回退到了默认通道。方法是到 TaoToken 控制台的调用日志里查最近一条请求看时间戳和模型 ID 是否对得上。如果日志里有记录说明base_url和api_key生效了。第五步触发一次完整的自我反思。让 Agent 完成一个多步骤任务然后主动问它What have you learned?按设计这个指令会读取corrections.md最近 10 条并展示。如果 Agent 能正确复述刚才那条 snake_case 修正说明 HOT 层加载和反思检索都正常。到这里一条完整的修正 → 记录 → 反思 → 检索闭环就跑通了。整个过程里TaoToken 承担的是反思文本生成那一步的模型调用其他环节都是本地文件操作不依赖网络。5. 本篇常见错排查401、local proxy failed 与 choices 读取失败配置改完后最常见的三类报错我按出现频率排一下。第一类是401 Unauthorized。这个几乎都是 Key 的问题。检查settings.json里api_key字段是否完整有没有多余空格是不是把控制台里显示的掩码当成了真实 Key。另一个常见原因是 Key 复制时带了换行符JSON 里看不出来但请求时会失败。解决方法是重新生成一个 Key用cat确认字符串干净后再粘贴。第二类是local proxy failed或类似的连接错误。这个报错说明请求根本没发出去通常是base_url写错了。检查三点地址是不是https://taotoken.net/api有没有误写成https://taotoken.net/api/v1末尾有没有多余的斜杠。OpenClaw 的请求构造会自己拼接路径你多写一层反而会 404。另外确认一下本机网络能正常访问这个地址用curl测一下curl -s -o /dev/null -w %{http_code} https://taotoken.net/api返回非 5xx 就说明地址可达。第三类是reading choices相关的解析错误完整报错通常是failed to read choices from response或unexpected response format。这个说明请求发出去了、也返回了但返回体不是 OpenClaw 期望的 OpenAI 兼容格式。原因一般是 Model ID 填错了或者填了一个不支持 chat completions 接口的模型。解决方法是换一个明确支持对话补全的 Model ID重新触发一次反思。还有一类比较隐蔽的配置全对但反思就是不写入。这种情况九成是SOUL.md或AGENTS.md里缺少 Self-Improving 的集成段落Agent 不知道修正后要立即写盘。回去检查第 3 节里那段## Self-Improving是否已经加进SOUL.md以及AGENTS.md的 Memory 部分是否引用了./self-improving/。如果你用的是 Claude Code 类的环境配置入口可能是settings.json里的env段写法是{ env: { ANTHROPIC_BASE_URL: https://taotoken.net/api, ANTHROPIC_API_KEY: sk-你的TaoTokenKey, ANTHROPIC_MODEL: 你的ModelID } }三件套依然是 Base URL、Key、Model ID只是字段名不同。改完重启会话再触发反思。6. 把反思通道固定下来之后配置改到 TaoToken 之后Self-Improving-with-Reflection 的反思调用就不再依赖单个 Skill 的私有凭证了。你可以在多个 Skill 之间共享同一份model配置新增 Skill 时只需要复制这一段不用重新申请 Key。一个实用技巧把reflection.trigger_on里的task_complete保留但把bug_fixed的优先级调高。因为 bug 修复后的反思往往最有价值而任务完成后的反思容易变成流水账。你可以在corrections.md里手动给高价值条目加Confirmed: yes这样它们会更快晋升到 HOT 层。另一个技巧是定期跑一次memory stats看 HOT 层行数有没有超过 100。超过的话把最老的条目手动移到archive/保持 HOT 层精简。这个动作不需要模型调用纯本地操作但能让反思检索的命中率明显提升。如果你还没生成 Key到 API Keys 页面创建一个配置过程中遇到通道问题接入文档里有完整的字段说明想先确认模型可用性模型对话页面可以直接发测试消息。长期跑编码类 Agent 的话Coding Plan 的额度模型更适合高频反思场景。