1. 为什么要把 OpenClaw 和 Hermes 拼在一起跑多智能体

如果你最近在折腾本地多智能体（Multi-Agent）协同，大概率会撞上同一个问题：单个框架再强，也总有它不擅长的活。OpenClaw 擅长的是网关调度、IM 渠道接入、任务编排和权限管控，它像一个公司的前台加项目经理，能把飞书、钉钉、企业微信的消息接进来，再分发给不同的常驻 Agent。但真让它去做长链路深度推理、复杂代码生成、结构化任务委派，它就显得有点吃力。Hermes 正好相反，它的推理大脑、任务深度拆解、代码执行、自我迭代能力很强，可它本身不直接对接 IM 平台，缺少一个对外的消息入口和权限收敛层。

所以跨框架协同的核心思路就一句话：让 OpenClaw 当上层编排网关，Hermes 当下层执行智能体集群。用户从飞书发一条复杂开发任务，OpenClaw 接住、判断这是重型逻辑任务，通过插件把指令下发给 Hermes 主 Agent，Hermes 内部再启动自己的多智能体团队（规划 Agent、编码 Agent、测试 Agent）同步执行，最后把结果回传给 OpenClaw，由 OpenClaw 以机器人身份推回飞书聊天窗口。整条链路是：飞书平台 → 飞书机器人代理 → OpenClaw 网关 → Hermes 多智能体集群 → OpenClaw → 飞书。

这套架构听起来顺，但落地时最容易卡住的地方不是框架本身，而是两个框架各自要连大模型 API 时的配置。OpenClaw 的settings.json和 Hermes 的config.toml骨架里，模型通道、Base URL、Key、Model ID 这些字段如果对不齐，跨框架协同根本跑不起来。我试过用 TaoToken 作为统一 API 通道，把两个框架的模型调用都收敛到同一个入口，配置量直接砍半，排障也简单很多。下面就把这套配置和验证过程完整拆开，你可以跟着一步步在本地跑通。

2. TaoToken 统一 Key 与 API 通道的前置准备

在动settings.json和config.toml之前，先把 TaoToken 这边的准备工作做完。TaoToken 在这里扮演的角色是统一模型通道：OpenClaw 和 Hermes 都通过它来调用底层模型，这样你不需要在两个框架里分别维护不同的 Key 和 Base URL，跨框架协同时的模型一致性也有保障。

第一步是拿到 API Key。访问 https://taotoken.net/api-keys ，登录后创建一个新的 Key。建议给这个 Key 起一个能区分用途的名字，比如openclaw-hermes-multiagent，方便后面在日志里排查是哪个框架在调用。创建完成后把 Key 复制出来，注意它只显示一次，丢了就得重新生成。

第二步是确认 Base URL。TaoToken 的 API 入口是 https://taotoken.net/api ，这个地址在 OpenClaw 和 Hermes 的配置里都要用到。注意这里不要加任何多余的路径后缀，框架会自动拼接/v1/chat/completions这类端点。

第三步是确认你要用的 Model ID。多智能体协同场景下，不同角色的 Agent 可能适合不同模型：规划 Agent 和审查 Agent 可以用推理能力强的模型，编码 Agent 可以用代码专精的模型，文档 Agent 用轻量模型就够。你可以在 https://taotoken.net/models 查看当前可用的模型列表，把你要用的几个 Model ID 记下来，后面配置里会分别填到 OpenClaw 和 Hermes 的对应字段。

如果你还没决定用哪些模型，可以先统一用一个通用模型跑通链路，等协同流程稳定后再按角色拆分。这样排障时变量更少，出问题容易定位是配置问题还是模型能力问题。

注意：TaoToken 的 Key 和 Base URL 在两个框架里是共用的，但 Model ID 可以按 Agent 角色分别设置。不要图省事把所有 Agent 都塞同一个模型，规划类任务和编码类任务对模型的要求差异很大。

前置准备做完后，你手里应该有三样东西：一个 API Key、一个 Base URL（https://taotoken.net/api ）、一组 Model ID。接下来进入 OpenClaw 的配置环节。

3. OpenClaw settings.json 与 Hermes config.toml 可复制配置

这一节是整篇的核心，我会把两个框架的配置文件骨架都贴出来，你直接复制改 Key 就能用。先看 OpenClaw 的settings.json。

OpenClaw 的配置文件通常放在项目根目录或~/.openclaw/下，具体路径取决于你的安装方式。核心字段包括模型通道、网关监听、Agent 路由和 Hermes 插件对接。下面是一个可复制的最小可用骨架：

{ "gateway": { "host": "127.0.0.1", "port": 18789, "eventBus": { "type": "websocket", "path": "/events" } }, "model": { "provider": "openai-compatible", "baseUrl": "https://taotoken.net/api", "apiKey": "sk-你的TaoTokenKey", "defaultModel": "你的通用ModelID", "agentModels": { "planner": "你的推理ModelID", "coder": "你的代码ModelID", "reviewer": "你的推理ModelID", "doc": "你的轻量ModelID" } }, "agents": { "maxNestingLevel": 3, "sharedMemory": { "type": "sqlite", "path": "./data/shared-memory.db" }, "subAgent": { "enabled": true, "sandbox": true, "isolatedLane": true } }, "bindings": [ { "channel": "feishu", "match": { "chatType": "group", "keyword": "@bot" }, "routeTo": "gateway-router" } ], "plugins": { "hermes": { "enabled": true, "transport": "websocket", "endpoint": "ws://127.0.0.1:18800/hermes", "sourceTag": "openclaw-gateway" } } }

几个关键点说明一下。model.baseUrl填 https://taotoken.net/api ，model.apiKey填你刚才创建的 Key。agentModels里按角色分配 Model ID，这样 OpenClaw 在生成子 Agent 时会自动用对应模型。agents.maxNestingLevel默认 3 层，防止无限递归生成 Agent。plugins.hermes.endpoint指向 Hermes 的 WebSocket 服务地址，sourceTag用来在消息里打来源标签，防止跨框架消息死循环。

再看 Hermes 的config.toml。Hermes 的配置通常在~/.hermes/config.toml或项目目录下，核心是模型通道、HIACP 协议、ZeroMQ 消息总线和 WebSocket 服务端：

[model] provider = "openai-compatible" base_url = "https://taotoken.net/api" api_key = "sk-你的TaoTokenKey" default_model = "你的通用ModelID" [model.agent_models] planner = "你的推理ModelID" coder = "你的代码ModelID" tester = "你的代码ModelID" reviewer = "你的推理ModelID" [hiacp] enabled = true protocol_version = "1.0" message_types = ["REQUEST", "INFORM", "QUERY", "DELEGATE-TASK"] [zeromq] enabled = true bind = "tcp://127.0.0.1:18801" retry = 3 timeout_ms = 30000 [websocket] enabled = true bind = "0.0.0.0:18800" path = "/hermes" source_tag = "hermes-cluster" [context_firewall] enabled = true pass_summary_only = true max_context_tokens = 2048 [delegation] mode = "sync" allow_p2p = false

这里model.base_url同样填 https://taotoken.net/api ，api_key用同一个 TaoToken Key。websocket.bind的端口要和 OpenClaw 里plugins.hermes.endpoint的端口一致，这里是 18800。context_firewall开启后，主 Agent 只向子 Agent 传递任务摘要，不传完整上下文，能大幅降低 Token 消耗。delegation.mode默认是sync同步阻塞模式，如果你想用点对点对等通信，把allow_p2p改成true。

两个配置文件都改好后，先别急着启动。检查一遍：Base URL 是否都是 https://taotoken.net/api ，Key 是否一致，WebSocket 端口是否对齐，Model ID 是否填了真实存在的值。这四项对齐了，跨框架协同的底座就稳了。

4. 验证请求与成功结果：从单框架到跨框架链路

配置写完只是第一步，真正跑通要看验证结果。我建议分三层验证，从单框架到跨框架逐步推进，这样出问题时能快速定位是哪一层断了。

第一层，验证 OpenClaw 单独能调通 TaoToken。启动 OpenClaw 网关：

openclaw gateway start --config ./settings.json

然后在另一个终端发一个最简单的模型请求，确认 OpenClaw 能通过 TaoToken 拿到模型响应：

curl -X POST http://127.0.0.1:18789/api/agent/invoke \ -H "Content-Type: application/json" \ -d '{ "agent": "planner", "input": "用一句话说明什么是多智能体协同" }'

如果返回里能看到模型生成的文本，说明 OpenClaw 的模型通道配置正确。如果报 401，说明 Key 有问题；如果报连接超时，说明 Base URL 或网络有问题。

第二层，验证 Hermes 单独能调通 TaoToken。启动 Hermes：

hermes start --config ~/.hermes/config.toml

然后直接调 Hermes 的 WebSocket 或 HTTP 接口发一个任务：

curl -X POST http://127.0.0.1:18800/hermes/task \ -H "Content-Type: application/json" \ -d '{ "type": "DELEGATE-TASK", "agent": "coder", "payload": "写一个 Python 函数，输入列表返回去重后的列表" }'

返回里应该能看到结构化结果，包含任务 ID、执行状态和产出内容。这一步通了，说明 Hermes 的模型通道和 HIACP 协议都正常。

第三层，验证跨框架链路。这一步不需要手动发请求，而是通过 OpenClaw 的 Hermes 插件触发。在飞书群里 @机器人 发一条复杂任务，比如「帮我写一个用户登录接口，包含参数校验和单元测试」。观察日志顺序应该是：OpenClaw 网关收到飞书消息 → 判断为重型逻辑任务 → 通过 WebSocket 下发给 Hermes → Hermes 主 Agent 拆解任务 → 委派给编码 Agent 和测试 Agent → 汇总结果回传 OpenClaw → OpenClaw 推送飞书卡片。

如果链路通了，你会在飞书里收到一张结果卡片，同时 OpenClaw 和 Hermes 的日志里能看到完整的消息流转记录。这时候跨框架多智能体协同就算跑通了。

提示：验证阶段建议把两个框架的日志级别都调到 debug，这样能看到每条消息的 sourceTag 和流向，排查跨框架问题时非常有用。

5. 本篇常见错误排查：401、local proxy failed、reading choices、OAuth

跨框架协同配置最容易在这几个报错上卡住，我按实际遇到的频率排一下，每个都给出定位方法和修复动作。

401 Unauthorized。这个最常见，基本是 Key 问题。先检查 OpenClaw 的settings.json里model.apiKey和 Hermes 的config.toml里api_key是否都填了同一个 TaoToken Key，有没有多余空格或换行。然后确认 Key 没有过期或被删除，可以去 https://taotoken.net/api-keys 核对。如果两个框架用的是不同 Key，也可能出现一个通一个不通的情况，统一成一个 Key 最省事。

local proxy failed。这个报错通常出现在 OpenClaw 尝试连接 Hermes 的 WebSocket 时。先确认 Hermes 的websocket.bind端口和 OpenClaw 的plugins.hermes.endpoint端口一致，比如都是 18800。然后确认 Hermes 进程真的在跑，用netstat -an | grep 18800看端口有没有监听。如果端口通了还报错，检查source_tag是否配置，有些版本没配 sourceTag 会导致消息被判定为非法来源而拒绝。

reading choices 相关报错。这个一般出现在模型返回格式不符合预期时，比如 Hermes 期望结构化 JSON 但模型返回了纯文本。先确认model.default_model和agent_models里填的 Model ID 是真实存在的，去 https://taotoken.net/models 核对。然后检查context_firewall.max_context_tokens是不是设得太小，导致任务摘要被截断，模型拿不到完整指令。可以临时把这个值调大到 4096 试试。

OAuth 相关报错。如果你在 OpenClaw 里配了飞书机器人，可能会遇到 OAuth 授权失败。这个和 TaoToken 无关，是飞书应用配置问题。检查飞书开放平台里机器人的权限范围是否包含消息接收和发送，以及bindings里的channel和match规则是否和实际群聊匹配。如果用的是企业微信或钉钉，同理检查对应平台的授权配置。

跨框架消息死循环。这个不报错但很致命，表现为两个框架互相转发同一条消息。原因是sourceTag没配或配重了。确保 OpenClaw 的plugins.hermes.sourceTag和 Hermes 的websocket.source_tag是不同值，这样消息在跨框架流转时能被打上来源标记，框架看到自己发出的消息就不会再转发。

子 Agent 不生成或生成后不执行。检查agents.maxNestingLevel是否被设成了 0 或 1，太小会导致子 Agent 无法生成。另外确认agents.subAgent.enabled是true，sandbox和isolatedLane如果开启，要确保运行环境有对应的沙箱权限。

排障时记住一个原则：先单框架验证，再跨框架验证。单框架都不通，跨框架肯定不通。单框架通了跨框架不通，问题一定在 WebSocket 连接、sourceTag 或消息格式上。

6. 跨框架协同的长期运行建议与接入入口

跑通之后，如果你打算把这套 OpenClaw + Hermes 的跨框架多智能体协同长期用起来，有几个经验值得参考。

模型通道统一用 TaoToken 之后，你可以在一个地方管理所有 Agent 的模型调用，不用在两个框架里分别维护 Key。如果某个 Agent 的模型需要升级或切换，只改配置文件里的 Model ID 就行，两个框架的 Base URL 和 Key 都不用动。这种收敛对长期运维的价值很大，尤其是当你的 Agent 团队从三五个扩展到十几个的时候。

权限方面，坚持 OpenClaw 统一管控、Hermes 只负责推理和代码执行的原则。所有对文件系统、外部系统的操作都交给 OpenClaw 执行，Hermes 的子 Agent 在沙箱里跑，这样即使某个子 Agent 行为异常，也不会直接影响到宿主机。context_firewall建议一直开着，它不仅能降 Token 消耗，还能防止子 Agent 拿到过多上下文后产生意外行为。

如果你还没开始接入，可以从这几个入口进：模型对话调试去 https://taotoken.net/chat ，API Key 管理去 https://taotoken.net/api-keys ，完整的接入文档在 https://taotoken.net/doc 。长期跑编码类和 Agent 类任务的话，Coding Plan 在 https://taotoken.net/coding-plan 有更划算的额度方案。Claude Code 相关的接入配置可以参考 https://taotoken.net/claude-code 。

最后说一个实际踩过的坑：跨框架协同刚跑通时，别急着把maxNestingLevel调大。默认 3 层足够覆盖大多数任务拆解场景，调大了反而容易因为子 Agent 过多导致消息总线拥堵，表现为任务卡在中途不返回。等链路稳定运行一两周后，再根据实际任务复杂度逐步调整。