1. ClawWork 是什么：香港大学开源项目把 AI 智能体扔进真实经济任务

ClawWork 是香港大学数据科学实验室（HKUDS）在 GitHub 上开源的一个 AI 智能体经济任务执行框架。它做的事情可以用一句话说清楚：给每个 AI 智能体发 10 美元启动资金，让它去完成覆盖制造、金融、医疗等 44 个经济领域的 220 个真实专业任务，赚到钱就活，花光了就破产出局。适合谁？适合想验证自己手上模型到底能不能“干活赚钱”的开发者、想跑 Agent 长链路任务评测的团队，以及单纯想看看 AI 在成本压力下会做出什么决策的技术爱好者。

我第一次跑 ClawWork 的时候，盯着终端里一行行扣费日志，感觉像在看一个实习生拿着公司信用卡疯狂刷搜索 API。它和传统评测最大的区别在于：MMLU 考的是“你知不知道”，HumanEval 考的是“你会不会写”，而 ClawWork 考的是“你花多少钱、赚多少钱”。这个转变非常关键，因为真实商业环境里，一个能解决问题但烧掉 50 万 Token 的模型，和一个用 5000 Token 精准交付的模型，价值完全不同。

ClawWork 底层的 Nanobot 架构抛弃了所有聊天交互的冗余设计，核心就是一个“打工机器 + 记账本”。系统从 GDPVal 任务池里随机派单，智能体调用大模型推理、Tavily 搜索（$0.0008/次）、Jina 抓取（$0.05/1M Tokens）等工具，每一步都经过财务校验。最终交付物由裁判模型打分，0 到 1 分对应 $82.78 到 $5004 的结算区间。如果余额归零，进程直接被 kill。

这个机制倒逼 AI 学会“算计”。比如一个供应链分析任务，盲目发起 50 次模糊搜索的智能体会在几分钟内烧掉 $8 以上，然后因为逻辑混乱被裁判打 0 分，血本无归。而精准构造 2 个搜索词、直接定位目标 PDF 的智能体，可能只花 $0.15 就拿到 0.95 分，赚取 $850 佣金。这种成本意识，是传统评测完全测不出来的维度。

对于想复现这套流程的读者，你需要准备三样东西：一个能跑 Python 3.10+ 的环境、至少一个大模型 API Key、以及一个搜索工具的 Key。接下来我会用 TaoToken 统一 Key 来接入，这样你不需要在多个平台之间切换，一个 Key 就能调用不同厂商的模型，方便对比不同“打工人”的 ROI 表现。

2. TaoToken 统一 Key 前置：一个 Key 打通多模型接入

在跑 ClawWork 之前，你需要解决一个很实际的问题：ClawWork 支持 OpenAI、Anthropic、Google 以及开源模型等多种后端，如果每个厂商都去注册、充值、管理 Key，光是配置环境变量就能耗掉半小时。TaoToken 的思路是提供一个统一的 API 入口，你只需要一个 Key，就能在 ClawWork 里切换不同模型，这对于需要对比“哪个模型打工性价比最高”的场景特别实用。

TaoToken 的 API 地址是https://taotoken.net/api，兼容 OpenAI 的接口格式。这意味着任何使用 OpenAI SDK 或 LangChain/LiteLLM 的框架，只需要改 Base URL 和 Key 就能接入。ClawWork 底层用的是 LiteLLM 做模型路由，所以配置起来非常直接。

你需要先拿到一个 API Key。访问https://taotoken.net/api-keys（带上 utm 参数方便追踪来源），创建一个新的 Key。创建的时候建议给 Key 起个名字，比如clawwork-test，方便后续在账单里区分不同项目的消耗。Key 的格式通常是sk-开头的一串字符，复制下来保存好，后面配置环境变量要用。

这里有一个关键点：ClawWork 的计费拦截器会实时扣减智能体的模拟余额，但你的真实 API 消耗是走 TaoToken 的账单。所以你在测试的时候，建议先充一个小额度，比如 5 到 10 美元，够跑几个任务就行。等确认模型表现符合预期，再加大投入。

TaoToken 支持的模型列表可以在https://taotoken.net/doc查看。对于 ClawWork 这种需要长链路推理和工具调用的场景，我建议优先选 Claude 3.5 Sonnet 或 GPT-4o 级别的模型，因为它们在多步任务中的指令遵循能力更强，不容易陷入搜索死循环。如果你想测试开源模型的性价比，DeepSeek-Coder 也是不错的选择，API 成本低，适合跑海量低端任务。

配置的时候有一个坑要注意：ClawWork 的config.yaml里默认可能写的是 OpenAI 的官方地址，你需要把它改成 TaoToken 的 Base URL。同时，环境变量里的OPENAI_API_KEY要换成你的 TaoToken Key。如果你用的是 LiteLLM 的路由配置，还需要在模型名称前加上openai/前缀，告诉 LiteLLM 走 OpenAI 兼容接口。

另外，TaoToken 的 Coding Plan 适合需要长期跑 Agent 任务的场景，比如你想让 ClawWork 7x24 小时常驻跑任务，用 Coding Plan 的额度会比按量计费更划算。具体可以看https://taotoken.net/coding-plan的说明。如果你只是想先试试模型对话效果，可以用https://taotoken.net/model-chat快速验证 Key 是否正常工作。

3. 可复制配置：ClawWork 接入 TaoToken 的完整片段

这一节直接给可复制的配置片段。你需要修改两个地方：环境变量和 ClawWork 的配置文件。先看环境变量，在终端里执行：

export TAOTOKEN_API_KEY="sk-你的TaoTokenKey" export OPENAI_API_KEY="$TAOTOKEN_API_KEY" export OPENAI_BASE_URL="https://taotoken.net/api" export TAVILY_API_KEY="tvly-你的搜索Key"

注意OPENAI_BASE_URL不要加 UTM 参数，保持干净的 API 地址。Tavily 的 Key 需要你去 Tavily 官网注册获取，ClawWork 用它来做网页搜索，每次调用扣 $0.0008。

接下来是 ClawWork 的config.yaml配置。这个文件通常在项目根目录下，你需要修改agent_defaults和evaluation部分：

system: max_concurrent_agents: 3 log_level: "INFO" agent_defaults: starting_balance: 10.0 max_steps: 25 model: "openai/claude-3-5-sonnet" api_base: "https://taotoken.net/api" api_key_env: "TAOTOKEN_API_KEY" tools: web_search: enabled: true provider: "tavily" cost_per_call: 0.0008 web_reader: enabled: true provider: "jina" cost_per_million_tokens: 0.05 evaluation: judge_model: "openai/gpt-4o" judge_api_base: "https://taotoken.net/api" judge_api_key_env: "TAOTOKEN_API_KEY" strict_mode: true

这里有几个参数需要解释。model字段里的openai/前缀是给 LiteLLM 看的，表示走 OpenAI 兼容接口。后面的模型名称你可以换成 TaoToken 支持的任何模型，比如openai/gpt-4o或openai/deepseek-coder。judge_model是裁判模型，建议用比打工模型更强的模型，比如 GPT-4o 或 Claude 3.5 Sonnet，这样打分更严格，更接近真实商业验收。

max_steps: 25是一个安全阀。如果不限制步数，智能体可能陷入无限循环搜索，几分钟就把 $10 烧光。25 步对于大多数任务够用，如果任务特别复杂，可以适当放宽到 40 步，但要做好余额快速下降的心理准备。

如果你用 Docker 部署，docker-compose.yml里的环境变量也要对应修改：

version: '3.8' services: clawwork-core: image: hkuds/clawwork:latest container_name: clawwork_engine restart: unless-stopped volumes: - ./config.yaml:/app/config.yaml - ./workspace:/app/workspace environment: - OPENAI_API_KEY=${TAOTOKEN_API_KEY} - OPENAI_BASE_URL=https://taotoken.net/api - TAVILY_API_KEY=${TAVILY_API_KEY} ports: - "8000:8000" clawwork-dashboard: image: hkuds/clawwork-dashboard:latest container_name: clawwork_dashboard ports: - "3000:3000" depends_on: - clawwork-core

启动命令：

docker-compose up -d

启动后访问http://localhost:3000就能看到仪表盘。如果你在本地直接跑，用：

python -m livebench.run --agent gpt-4o --task finance_analysis

这个命令会启动一个智能体，分配一个金融分析任务，然后你就能在终端看到实时的扣费日志和任务执行过程。

4. 验证请求：跑通第一个 ClawWork 任务并确认结算

配置写好后，先别急着跑复杂任务。我建议用一个简单的任务做冒烟测试，确认 TaoToken 的 Key 能正常调用，ClawWork 的计费拦截器工作正常，裁判模型能正常打分。

先验证 API 连通性。在终端里用 curl 发一个最简单的请求：

curl https://taotoken.net/api/v1/chat/completions \ -H "Authorization: Bearer $TAOTOKEN_API_KEY" \ -H "Content-Type: application/json" \ -d '{ "model": "claude-3-5-sonnet", "messages": [{"role": "user", "content": "回复OK两个字母"}], "max_tokens": 10 }'

如果返回的 JSON 里有choices字段且内容包含OK，说明 Key 和 Base URL 都正确。如果返回 401，检查 Key 是否复制完整；如果返回 404，检查 Base URL 是否写成了https://taotoken.net/api而不是其他路径。

接下来跑一个 ClawWork 的简单任务。用这个命令：

python -m livebench.run --agent gpt-4o --task simple_data_extract --max-steps 10

这个任务会让智能体从一个模拟的网页中提取结构化数据，然后输出 JSON。任务本身不复杂，但能完整走通“派单 → 调用模型 → 调用搜索 → 交付 → 裁判打分 → 结算”的链路。

跑起来后，终端会输出类似这样的日志：

[Task Dispatcher] Assigned task: simple_data_extract, reward: $120.00 [Agent gpt-4o] Starting with balance: $10.00 [Transaction] LLM inference cost: -$0.0032, balance: $9.9968 [Transaction] Tavily search cost: -$0.0008, balance: $9.9960 [Agent gpt-4o] Artifact submitted. [Judge] Evaluating artifact... score: 0.88 [Settlement] Reward: $105.60, final balance: $115.5960

看到Settlement这一行，说明整个链路跑通了。裁判给了 0.88 分，对应 $105.60 的结算，智能体最终余额 $115.60。这个任务里，智能体花了大约 $0.004 的成本，赚了 $105.60，ROI 非常高。但别高兴太早，复杂任务的成本会指数级上升。

如果你想验证不同模型的表现，可以把--agent参数换成claude-3-5-sonnet或deepseek-coder，对比它们的得分和成本。我实测下来，Claude 3.5 Sonnet 在需要多步推理的任务里得分更稳定，但 Token 成本比 DeepSeek 高不少。DeepSeek 偶尔会输出格式错误导致裁判扣分，但胜在便宜，适合跑量。

还有一个验证点是仪表盘。打开http://localhost:3000，你应该能看到当前智能体的余额曲线、任务完成状态和行业 ROI 分布。如果仪表盘显示“No agents connected”，检查clawwork-core容器的日志，通常是环境变量没传进去或者 Base URL 写错了。

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

跑 ClawWork 的过程中，你大概率会遇到几个典型报错。我把自己踩过的坑和社区里高频出现的问题整理出来，对照着排查能省不少时间。

报错一：401 Unauthorized

openai.AuthenticationError: Error code: 401 - {'error': {'message': 'Invalid API key'}}

这个最直接，Key 不对。检查三个地方：环境变量TAOTOKEN_API_KEY是否设置成功（用echo $TAOTOKEN_API_KEY确认）；config.yaml里的api_key_env是否写的是TAOTOKEN_API_KEY；Docker 环境下.env文件是否被正确加载。如果 Key 是从https://taotoken.net/api-keys复制的，注意不要多复制空格或换行。

报错二：local proxy failed / Connection refused

litellm.exceptions.APIConnectionError: local proxy failed to connect

这个通常是因为 Base URL 写错了。ClawWork 默认可能走的是http://localhost:8000或 OpenAI 官方地址，你需要确认OPENAI_BASE_URL和config.yaml里的api_base都改成了https://taotoken.net/api。另外，如果你在 Docker 里跑，容器内的localhost指向容器本身，不是宿主机，所以不能用localhost作为 API 地址，必须用完整域名。

报错三：reading 'choices' of undefined

TypeError: Cannot read properties of undefined (reading 'choices')

这个报错说明 API 返回的 JSON 结构不符合预期。常见原因有两个：一是模型名称写错了，TaoToken 返回了错误信息而不是正常的choices数组；二是请求被限流，返回了 429 状态码。检查config.yaml里的模型名称是否在 TaoToken 支持列表里，可以在https://taotoken.net/doc确认。如果是限流，把max_concurrent_agents降到 1 或 2，等几分钟再试。

报错四：OAuth / token refresh failed

Error: OAuth token refresh failed for provider anthropic

如果你在 ClawWork 里配置了 Anthropic 原生接口而不是走 TaoToken 统一入口，可能会遇到 OAuth 刷新失败。解决办法很简单：统一走 TaoToken 的 OpenAI 兼容接口，把模型名称写成openai/claude-3-5-sonnet，这样就不需要单独处理 Anthropic 的 OAuth 流程了。这也是用统一 Key 的好处之一，省掉各厂商不同的认证逻辑。

报错五：BankruptcyException 频繁触发

BankruptcyException: Agent balance insufficient for Tavily_Search

这不是代码 bug，是智能体真的把钱花光了。检查max_steps是否设得太大，或者任务是否太复杂导致搜索次数过多。可以先把starting_balance临时调高到 20 美元做调试，等确认模型行为正常后再调回 10 美元。另外，strict_mode: true会让裁判打分更严，如果模型输出格式经常出错，可以先设为false观察一下。

报错六：Docker 容器启动后立即退出

检查docker-compose logs clawwork-core的输出。常见原因是config.yaml路径挂载错误，或者环境变量文件.env不存在。确保./config.yaml文件真实存在且格式正确，YAML 对缩进敏感，用空格不要用 Tab。

6. 从 ClawWork 到 TaoToken：统一 Key 让 AI 打工人持续在线

跑通 ClawWork 之后，你会发现一个很现实的问题：不同模型在不同任务上的 ROI 差异巨大。金融分析任务里 Claude 3.5 Sonnet 的得分和成本平衡最好，代码重构任务里 DeepSeek-Coder 的性价比碾压，而医疗数据核对任务里 GPT-4o 的格式遵循能力最稳。如果你每个模型都去单独注册、充值、管理 Key，光是切换成本就够你头疼的。

TaoToken 的统一 Key 方案解决的就是这个问题。一个 Key 走https://taotoken.net/api，在 ClawWork 的config.yaml里改一行模型名称就能切换后端，不需要重新配置环境变量，也不需要重新认证。这对于需要跑多模型对比实验的场景特别实用。

如果你打算长期跑 ClawWork 任务流，比如让 AI 7x24 小时接单打工，建议看一下 Coding Plan 的额度方案（https://taotoken.net/coding-plan），比按量计费更适合持续消耗的场景。如果只是偶尔跑几个任务验证模型表现，按量计费就够了。

接入文档在https://taotoken.net/doc，里面有完整的 API 参数说明和模型列表。遇到接入问题的时候，先对照文档检查 Base URL 和模型名称，大部分报错都能自己解决。

最后说一个实际经验：ClawWork 的裁判模型建议用比打工模型更强的模型，比如打工用 DeepSeek-Coder，裁判用 GPT-4o。这样打分更严格，更能暴露打工模型的问题。但裁判模型的 API 成本也要算进你的总预算里，别光盯着打工模型的消耗。我试过用同一个模型既打工又裁判，结果裁判给分偏松，很多低质量交付物也能拿到 0.7 以上，失去了筛选意义。

跑 ClawWork 最有意思的地方，是看着智能体在余额压力下做出各种“精打细算”的决策。有的会主动缩短搜索词，有的会跳过不确定的网页抓取，有的甚至会在交付前反复检查格式。这些行为在传统评测里完全看不到，但在真实商业环境里恰恰是最重要的能力。用 TaoToken 统一 Key 接入，你可以低成本地对比不同模型在这种压力下的表现，找到最适合你业务场景的“AI 打工人”。