1. 工业质检场景里为什么要把 YOLOv8、OpenClaw 和统一 Key 串起来工业缺陷检测这件事单点技术其实早就成熟了YOLOv8 做划痕、凹坑、色差这类目标检测精度和速度都够用。真正难的是把它变成一个能自己干活的 AI 员工——产线摄像头拍到图片模型推理出缺陷Agent 判断要不要报警、要不要统计不良率、要不要把标注图推给质检群。这一整套链路里最容易被忽略、也最容易在半夜出问题的是模型调用的 Key 管理。我见过太多产线项目是这样的YOLOv8 本地跑推理没问题但 Agent 要调用大模型做缺陷描述生成、日报总结、异常归因时代码里散落着三四个不同厂商的 API Key有的写在环境变量有的硬编码在脚本里换一个模型就要改一次配置。一旦某个 Key 额度用完或者通道抖动整条质检链路就卡住而排查时你根本不知道是 YOLO 的问题、Agent 的问题还是某个模型通道的问题。这篇要交付的就是把这套链路收敛成一条YOLOv8 负责看OpenClaw 负责编排和决策TaoToken 负责把背后所有大模型调用统一到一个 Key、一个 API 通道上。你最终会拿到可复制的config.toml和settings.json配置骨架以及 OpenClaw 接入 TaoToken 后的连通性验证动作和缺陷检测端到端跑通步骤。适合已经在做工业视觉、想让检测结果自动流转成报表和告警的工程师也适合刚接触 Agent 编排、想找一个真实落地场景练手的人。2. TaoToken 前置统一 Key 与 API 通道到底解决什么问题在讲配置之前先把 TaoToken 在这个架构里的位置说清楚。它不是替代 YOLOv8也不是替代 OpenClaw而是夹在 OpenClaw 和各个大模型之间的一层统一入口。OpenClaw 作为 Agent 编排框架需要调用大模型来做缺陷语义理解、日报生成、异常归因这些脑力活TaoToken 把这些调用统一收口你只需要在 OpenClaw 里配一个 Key 和一个 API 地址后面换模型、加模型、做额度监控都在这一层完成。官网地址是 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 入口是 https://taotoken.net/api 。注意 API 地址后面不加任何 UTM 参数配置里直接写这个就行。你需要提前准备的东西不多一个 TaoToken 账号进去后在控制台创建 API Key一台能跑 YOLOv8 推理的机器腾讯云轻量应用服务器 2 核 4G 起步就够跑 yolov8nOpenClaw 已经装好并能启动 gateway。如果你还没建 Key直接去控制台操作https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewrite 创建完 Key 后到 API Keys 页面复制https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi-keysutm_campaignrewrite 。这里有个认知要先建立TaoToken 的统一 Key 不是多此一举的中间层它的价值在于把模型供应商这个变量从你的业务代码里彻底剥离。你的 OpenClaw 配置里永远只认一个 base_url 和一个 api_key至于背后是哪个模型、走哪条通道全部在 TaoToken 侧管理。产线环境最怕的就是配置漂移这一层收敛能省掉大量半夜改配置的时间。3. 可复制配置config.toml 与 settings.json 骨架OpenClaw 的配置分两块一块是 Agent 运行时的config.toml管模型通道和 gateway 行为一块是settings.json管 Skill 注册、通道接入和业务参数。下面这两份骨架你可以直接抄把占位符替换成自己的值即可。先看config.toml重点是[models]段里把 base_url 指向 TaoToken 的 API 入口api_key 填你在控制台创建的那把 Key# /root/.openclaw/config.toml # OpenClaw 运行时配置 - 统一走 TaoToken 通道 [gateway] host 0.0.0.0 port 18789 log_level info [models] # 统一入口所有大模型调用都经过 TaoToken provider openai_compatible base_url https://taotoken.net/api api_key sk-你的TaoTokenKey default_model claude-sonnet-4-20250514 timeout_seconds 60 max_retries 2 [models.fallback] # 主通道异常时的兜底模型同样走 TaoToken enabled true model gpt-4o-mini [agent] name defect-inspector system_prompt 你是工业质检 AI 员工负责解读 YOLOv8 检测结果、生成缺陷描述、统计不良率并给出处置建议。 max_tokens 2048 temperature 0.3 [skills] dir /root/openclaw-skills auto_reload true再看settings.json这份管的是 Skill 注册和业务侧参数缺陷检测 Skill 的路径、告警阈值、统计文件位置都在这里{ version: 1.0, agent_id: defect-inspector-01, skills: [ { name: defect-detection, path: /root/openclaw-skills/defect-detection, entry: defect_detector.py, enabled: true, timeout: 30 } ], model_channel: { provider: taotoken, base_url: https://taotoken.net/api, api_key_env: TAOTOKEN_API_KEY, default_model: claude-sonnet-4-20250514 }, defect_rules: { confidence_threshold: 0.25, alert_defect_rate: 0.1, classes: [scratch, dent, color_error], stats_file: /tmp/defect_stats.json }, channels: { feishu: { enabled: true, connection_mode: websocket } } }两份配置里api_key建议不要硬编码在文件里用环境变量注入更稳妥。在启动 OpenClaw 前执行export TAOTOKEN_API_KEYsk-你的TaoTokenKey然后settings.json里的api_key_env会自动读取这个变量。这样配置文件和密钥分离备份配置时不会泄露 Key。改完配置后重启 gatewayopenclaw gateway restart重启后看日志里有没有model channel initialized: taotoken这一行有就说明通道加载成功。4. 验证请求OpenClaw 接入 TaoToken 后的连通性检查配置写完不能直接上产线先做连通性验证。这一步的目的是确认 OpenClaw 能通过 TaoToken 通道正常拿到模型响应而不是等到缺陷检测跑起来才发现模型调不通。最直接的验证方式是让 OpenClaw 发一个最小请求。你可以用 OpenClaw 自带的 CLI 测试命令openclaw model test --prompt 回复通道正常如果通道配置正确你会看到类似这样的返回[taotoken] modelclaude-sonnet-4-20250514 response: 通道正常 latency: 1.2s status: ok如果返回里出现401或invalid api key说明 Key 没读到或者填错了回去检查环境变量和config.toml里的api_key字段。如果出现connection timeout检查服务器出网是否正常以及 base_url 是否写成了https://taotoken.net/api注意结尾没有斜杠。第二种验证方式更贴近真实场景直接在 OpenClaw 的对话入口里问一个和质检相关的问题看模型能不能结合上下文回答。你可以打开模型对话页面做这个测试https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_contentmodelsutm_campaignrewrite 在里面发一句如果 YOLOv8 检测到 3 处划痕、2 处凹坑不良率 8%该怎么处置观察返回是否合理。这一步能同时验证通道连通性和模型对业务语义的理解能力。第三种是端到端预演先不接真实产线图片用一张本地测试图跑一遍 Skill确认 YOLO 推理和模型调用能串起来。准备一张测试图放到/data/test.jpg然后执行cd /root/openclaw-skills/defect-detection python3 defect_detector.py detect /data/test.jpg如果输出里有检测框坐标和缺陷类型说明 YOLO 侧正常再让 OpenClaw 对这个结果做一次语义总结确认模型侧也正常。两边都通了才算连通性验证完成。5. 端到端跑通从 YOLOv8 推理到 AI 员工输出日报连通性没问题后进入真正的端到端流程。整个链路是产线图片进来 → YOLOv8 推理出缺陷 → OpenClaw 调用 TaoToken 通道让模型生成描述和处置建议 → 统计不良率 → 超阈值触发告警。先装 YOLO 依赖并准备模型pip install ultralytics opencv-python mkdir -p /root/yolo_models cd /root/yolo_models wget https://github.com/ultralytics/assets/releases/download/v8.2.0/yolov8n.pt然后建缺陷检测 Skill 目录mkdir -p /root/openclaw-skills/defect-detection cd /root/openclaw-skills/defect-detection核心检测脚本defect_detector.py负责 YOLO 推理和统计这里给出关键部分完整版可在此基础上扩展#!/usr/bin/env python3 缺陷检测 Skill - 基于 YOLOv8结果交由 OpenClaw 做语义处理 import os import sys import json import cv2 from datetime import datetime from pathlib import Path from ultralytics import YOLO MODEL_PATH /root/yolo_models/yolov8n.pt DEFECT_CLASSES [scratch, dent, color_error] STATS_FILE /tmp/defect_stats.json class DefectDetector: def __init__(self): self.model YOLO(MODEL_PATH) self.stats self.load_stats() def load_stats(self): if os.path.exists(STATS_FILE): with open(STATS_FILE, r) as f: return json.load(f) return {total: 0, defects: 0, types: {c: 0 for c in DEFECT_CLASSES}, daily: {}} def save_stats(self): with open(STATS_FILE, w) as f: json.dump(self.stats, f, indent2) def detect_single(self, image_path): results self.model(image_path, conf0.25)[0] defects [] for box in results.boxes: cls_id int(box.cls) conf float(box.conf) x1, y1, x2, y2 box.xyxy[0].tolist() dtype DEFECT_CLASSES[cls_id] if cls_id len(DEFECT_CLASSES) else funknown_{cls_id} defects.append({type: dtype, confidence: round(conf, 2), bbox: [int(x1), int(y1), int(x2), int(y2)]}) self.stats[total] 1 if defects: self.stats[defects] 1 for d in defects: if d[type] in self.stats[types]: self.stats[types][d[type]] 1 today datetime.now().strftime(%Y-%m-%d) self.stats[daily].setdefault(today, {total: 0, defects: 0}) self.stats[daily][today][total] 1 if defects: self.stats[daily][today][defects] 1 self.save_stats() img cv2.imread(image_path) for d in defects: x1, y1, x2, y2 d[bbox] cv2.rectangle(img, (x1, y1), (x2, y2), (0, 0, 255), 2) cv2.putText(img, f{d[type]}:{d[confidence]}, (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255), 2) out f/tmp/detected_{Path(image_path).name} cv2.imwrite(out, img) return {defects: defects, count: len(defects), image_path: out} def get_today_report(self): today datetime.now().strftime(%Y-%m-%d) daily self.stats[daily].get(today, {total: 0, defects: 0}) if daily[total] 0: return 今日暂无检测数据 rate daily[defects] / daily[total] * 100 lines [f今日检测 {daily[total]} 件缺陷 {daily[defects]} 件不良率 {rate:.2f}%] for t, c in self.stats[types].items(): lines.append(f- {t}: {c} 次) return \n.join(lines) def main(): detector DefectDetector() if len(sys.argv) 1 and sys.argv[1] detect and len(sys.argv) 2: result detector.detect_single(sys.argv[2]) print(json.dumps(result, ensure_asciiFalse)) elif len(sys.argv) 1 and sys.argv[1] report: print(detector.get_today_report()) else: print(Usage: defect_detector.py [detect|report] [image_path]) if __name__ __main__: main()跑一次检测python3 defect_detector.py detect /data/test.jpg返回的 JSON 里包含缺陷类型、置信度和坐标。接下来让 OpenClaw 接管这个结果生成人类可读的处置建议。在 OpenClaw 对话里发检测结果3 处划痕置信度 0.92/0.88/0.762 处凹坑置信度 0.81/0.73今日累计检测 1245 件缺陷 87 件。请生成质检日报并给出处置建议。OpenClaw 会通过 TaoToken 通道调用模型返回类似今日质检日报 检测总数1245 件 缺陷数87 件 不良率6.99% 主要缺陷划痕 45 次占比 51.7%凹坑 28 次色差 14 次 处置建议 1. 划痕占比过半建议优先排查产线传送带摩擦点 2. 凹坑集中在下午批次检查模具磨损情况 3. 当前不良率未超 10% 阈值维持正常巡检频率到这里YOLOv8 看、OpenClaw 编排、TaoToken 统一调用的完整链路就跑通了。如果你想让这套 AI 员工长期稳定运行建议把模型调用统一走 Coding Plan 管理额度https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite 这样产线高峰期不会因为某个模型额度耗尽而断链。6. 本篇常见错排查配置和跑通过程中有几个坑出现频率特别高提前列出来省得你逐个试。第一个是401 invalid api key。九成情况是环境变量没生效。检查方法echo $TAOTOKEN_API_KEY如果为空说明 export 没执行或者执行在了另一个 shell 会话里。另一个可能是config.toml里api_key字段还留着占位符而settings.json用的是api_key_env两者优先级要理清——建议统一用环境变量配置文件里不写明文 Key。第二个是connection timeout或model not found。先确认 base_url 写的是https://taotoken.net/api不要多加/v1或结尾斜杠。再确认default_model填的模型名在 TaoToken 侧是有效的模型名写错会直接返回 not found。你可以到模型对话页面确认可用模型列表https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_contentmodelsutm_campaignrewrite 。第三个是 YOLO 推理报No module named ultralytics。这是 Python 环境问题确认你pip install的环境和运行脚本的环境是同一个。腾讯云服务器上如果用了 conda注意which python3和which pip是否指向同一环境。第四个是 Skill 加载了但 OpenClaw 不调用。检查settings.json里skills[].path是否指向目录而不是文件entry字段是否和实际脚本名一致。改完settings.json后要重启 gatewayauto_reload只对 Skill 内部代码改动生效配置结构改动还是要重启。第五个是检测结果里类别全是unknown_0、unknown_1。这是因为你用的yolov8n.pt是 COCO 预训练模型类别是 COCO 的 80 类不是你的缺陷类别。要得到scratch、dent这些需要用自己标注的缺陷数据集重新训练或者做类别映射。演示阶段可以先接受 unknown 输出验证链路通了再换自训练权重。第六个是飞书告警发不出去。检查settings.json里channels.feishu.enabled是否为 true以及 App ID 和 Secret 是否配对。飞书侧要确认事件订阅用的是长连接模式并且开通了消息读写权限。如果对话窗口没有输入框基本就是事件订阅没配好。7. 把 Key 管理收口之后这套架构还能往哪扩跑通这一套之后你会发现真正省心的不是 YOLOv8 本身而是 Key 和通道被收口到了 TaoToken 这一层。后面你想加一个新模型做缺陷描述润色或者换一个更便宜的模型做日报生成只需要在 TaoToken 侧调整OpenClaw 配置一行都不用动。这种业务代码不感知模型供应商的结构在产线环境里价值很大因为产线最怕的就是频繁改配置引入新变量。如果你要把这套 AI 员工接入更多通道比如企业微信或者钉钉OpenClaw 的 channel 配置是插件式的照着飞书的模式加一段就行。接入文档在这里可以对照看https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 。如果你用的是 Claude Code 这类编码工具做 Skill 开发Anthropic 兼容通道的配置方式也有对应说明https://taotoken.net/claude-code-anthropic?utm_sourcetaotoken_aicg_blog_endutm_contentclaude-code-anthropicutm_campaignrewrite 。最后给一个实操建议产线部署时把defect_stats.json和检测日志挂到持久化盘上别放/tmp否则服务器重启统计就丢了。告警阈值也别一上来就设 10%先跑一周收集真实不良率分布再定阈值不然误报会把质检群淹掉。这套东西的价值不在于技术多新而在于它真的能替人盯住产线而且出问题时你知道该去哪一层排查。 
长河君 · 2026/9/26 15:31:18 · 阅读 1.2k 30分钟搞定！YOLOv8+OpenClaw+腾讯云，用TaoToken统一Key打造工业缺陷检测AI员工
1. 工业质检场景里为什么要把 YOLOv8、OpenClaw 和统一 Key 串起来工业缺陷检测这件事单点技术其实早就成熟了YOLOv8 做划痕、凹坑、色差这类目标检测精度和速度都够用。真正难的是把它变成一个能自己干活的 AI 员工——产线摄像头拍到图片模型推理出缺陷Agent 判断要不要报警、要不要统计不良率、要不要把标注图推给质检群。这一整套链路里最容易被忽略、也最容易在半夜出问题的是模型调用的 Key 管理。我见过太多产线项目是这样的YOLOv8 本地跑推理没问题但 Agent 要调用大模型做缺陷描述生成、日报总结、异常归因时代码里散落着三四个不同厂商的 API Key有的写在环境变量有的硬编码在脚本里换一个模型就要改一次配置。一旦某个 Key 额度用完或者通道抖动整条质检链路就卡住而排查时你根本不知道是 YOLO 的问题、Agent 的问题还是某个模型通道的问题。这篇要交付的就是把这套链路收敛成一条YOLOv8 负责看OpenClaw 负责编排和决策TaoToken 负责把背后所有大模型调用统一到一个 Key、一个 API 通道上。你最终会拿到可复制的config.toml和settings.json配置骨架以及 OpenClaw 接入 TaoToken 后的连通性验证动作和缺陷检测端到端跑通步骤。适合已经在做工业视觉、想让检测结果自动流转成报表和告警的工程师也适合刚接触 Agent 编排、想找一个真实落地场景练手的人。2. TaoToken 前置统一 Key 与 API 通道到底解决什么问题在讲配置之前先把 TaoToken 在这个架构里的位置说清楚。它不是替代 YOLOv8也不是替代 OpenClaw而是夹在 OpenClaw 和各个大模型之间的一层统一入口。OpenClaw 作为 Agent 编排框架需要调用大模型来做缺陷语义理解、日报生成、异常归因这些脑力活TaoToken 把这些调用统一收口你只需要在 OpenClaw 里配一个 Key 和一个 API 地址后面换模型、加模型、做额度监控都在这一层完成。官网地址是 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 入口是 https://taotoken.net/api 。注意 API 地址后面不加任何 UTM 参数配置里直接写这个就行。你需要提前准备的东西不多一个 TaoToken 账号进去后在控制台创建 API Key一台能跑 YOLOv8 推理的机器腾讯云轻量应用服务器 2 核 4G 起步就够跑 yolov8nOpenClaw 已经装好并能启动 gateway。如果你还没建 Key直接去控制台操作https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewrite 创建完 Key 后到 API Keys 页面复制https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi-keysutm_campaignrewrite 。这里有个认知要先建立TaoToken 的统一 Key 不是多此一举的中间层它的价值在于把模型供应商这个变量从你的业务代码里彻底剥离。你的 OpenClaw 配置里永远只认一个 base_url 和一个 api_key至于背后是哪个模型、走哪条通道全部在 TaoToken 侧管理。产线环境最怕的就是配置漂移这一层收敛能省掉大量半夜改配置的时间。3. 可复制配置config.toml 与 settings.json 骨架OpenClaw 的配置分两块一块是 Agent 运行时的config.toml管模型通道和 gateway 行为一块是settings.json管 Skill 注册、通道接入和业务参数。下面这两份骨架你可以直接抄把占位符替换成自己的值即可。先看config.toml重点是[models]段里把 base_url 指向 TaoToken 的 API 入口api_key 填你在控制台创建的那把 Key# /root/.openclaw/config.toml # OpenClaw 运行时配置 - 统一走 TaoToken 通道 [gateway] host 0.0.0.0 port 18789 log_level info [models] # 统一入口所有大模型调用都经过 TaoToken provider openai_compatible base_url https://taotoken.net/api api_key sk-你的TaoTokenKey default_model claude-sonnet-4-20250514 timeout_seconds 60 max_retries 2 [models.fallback] # 主通道异常时的兜底模型同样走 TaoToken enabled true model gpt-4o-mini [agent] name defect-inspector system_prompt 你是工业质检 AI 员工负责解读 YOLOv8 检测结果、生成缺陷描述、统计不良率并给出处置建议。 max_tokens 2048 temperature 0.3 [skills] dir /root/openclaw-skills auto_reload true再看settings.json这份管的是 Skill 注册和业务侧参数缺陷检测 Skill 的路径、告警阈值、统计文件位置都在这里{ version: 1.0, agent_id: defect-inspector-01, skills: [ { name: defect-detection, path: /root/openclaw-skills/defect-detection, entry: defect_detector.py, enabled: true, timeout: 30 } ], model_channel: { provider: taotoken, base_url: https://taotoken.net/api, api_key_env: TAOTOKEN_API_KEY, default_model: claude-sonnet-4-20250514 }, defect_rules: { confidence_threshold: 0.25, alert_defect_rate: 0.1, classes: [scratch, dent, color_error], stats_file: /tmp/defect_stats.json }, channels: { feishu: { enabled: true, connection_mode: websocket } } }两份配置里api_key建议不要硬编码在文件里用环境变量注入更稳妥。在启动 OpenClaw 前执行export TAOTOKEN_API_KEYsk-你的TaoTokenKey然后settings.json里的api_key_env会自动读取这个变量。这样配置文件和密钥分离备份配置时不会泄露 Key。改完配置后重启 gatewayopenclaw gateway restart重启后看日志里有没有model channel initialized: taotoken这一行有就说明通道加载成功。4. 验证请求OpenClaw 接入 TaoToken 后的连通性检查配置写完不能直接上产线先做连通性验证。这一步的目的是确认 OpenClaw 能通过 TaoToken 通道正常拿到模型响应而不是等到缺陷检测跑起来才发现模型调不通。最直接的验证方式是让 OpenClaw 发一个最小请求。你可以用 OpenClaw 自带的 CLI 测试命令openclaw model test --prompt 回复通道正常如果通道配置正确你会看到类似这样的返回[taotoken] modelclaude-sonnet-4-20250514 response: 通道正常 latency: 1.2s status: ok如果返回里出现401或invalid api key说明 Key 没读到或者填错了回去检查环境变量和config.toml里的api_key字段。如果出现connection timeout检查服务器出网是否正常以及 base_url 是否写成了https://taotoken.net/api注意结尾没有斜杠。第二种验证方式更贴近真实场景直接在 OpenClaw 的对话入口里问一个和质检相关的问题看模型能不能结合上下文回答。你可以打开模型对话页面做这个测试https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_contentmodelsutm_campaignrewrite 在里面发一句如果 YOLOv8 检测到 3 处划痕、2 处凹坑不良率 8%该怎么处置观察返回是否合理。这一步能同时验证通道连通性和模型对业务语义的理解能力。第三种是端到端预演先不接真实产线图片用一张本地测试图跑一遍 Skill确认 YOLO 推理和模型调用能串起来。准备一张测试图放到/data/test.jpg然后执行cd /root/openclaw-skills/defect-detection python3 defect_detector.py detect /data/test.jpg如果输出里有检测框坐标和缺陷类型说明 YOLO 侧正常再让 OpenClaw 对这个结果做一次语义总结确认模型侧也正常。两边都通了才算连通性验证完成。5. 端到端跑通从 YOLOv8 推理到 AI 员工输出日报连通性没问题后进入真正的端到端流程。整个链路是产线图片进来 → YOLOv8 推理出缺陷 → OpenClaw 调用 TaoToken 通道让模型生成描述和处置建议 → 统计不良率 → 超阈值触发告警。先装 YOLO 依赖并准备模型pip install ultralytics opencv-python mkdir -p /root/yolo_models cd /root/yolo_models wget https://github.com/ultralytics/assets/releases/download/v8.2.0/yolov8n.pt然后建缺陷检测 Skill 目录mkdir -p /root/openclaw-skills/defect-detection cd /root/openclaw-skills/defect-detection核心检测脚本defect_detector.py负责 YOLO 推理和统计这里给出关键部分完整版可在此基础上扩展#!/usr/bin/env python3 缺陷检测 Skill - 基于 YOLOv8结果交由 OpenClaw 做语义处理 import os import sys import json import cv2 from datetime import datetime from pathlib import Path from ultralytics import YOLO MODEL_PATH /root/yolo_models/yolov8n.pt DEFECT_CLASSES [scratch, dent, color_error] STATS_FILE /tmp/defect_stats.json class DefectDetector: def __init__(self): self.model YOLO(MODEL_PATH) self.stats self.load_stats() def load_stats(self): if os.path.exists(STATS_FILE): with open(STATS_FILE, r) as f: return json.load(f) return {total: 0, defects: 0, types: {c: 0 for c in DEFECT_CLASSES}, daily: {}} def save_stats(self): with open(STATS_FILE, w) as f: json.dump(self.stats, f, indent2) def detect_single(self, image_path): results self.model(image_path, conf0.25)[0] defects [] for box in results.boxes: cls_id int(box.cls) conf float(box.conf) x1, y1, x2, y2 box.xyxy[0].tolist() dtype DEFECT_CLASSES[cls_id] if cls_id len(DEFECT_CLASSES) else funknown_{cls_id} defects.append({type: dtype, confidence: round(conf, 2), bbox: [int(x1), int(y1), int(x2), int(y2)]}) self.stats[total] 1 if defects: self.stats[defects] 1 for d in defects: if d[type] in self.stats[types]: self.stats[types][d[type]] 1 today datetime.now().strftime(%Y-%m-%d) self.stats[daily].setdefault(today, {total: 0, defects: 0}) self.stats[daily][today][total] 1 if defects: self.stats[daily][today][defects] 1 self.save_stats() img cv2.imread(image_path) for d in defects: x1, y1, x2, y2 d[bbox] cv2.rectangle(img, (x1, y1), (x2, y2), (0, 0, 255), 2) cv2.putText(img, f{d[type]}:{d[confidence]}, (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255), 2) out f/tmp/detected_{Path(image_path).name} cv2.imwrite(out, img) return {defects: defects, count: len(defects), image_path: out} def get_today_report(self): today datetime.now().strftime(%Y-%m-%d) daily self.stats[daily].get(today, {total: 0, defects: 0}) if daily[total] 0: return 今日暂无检测数据 rate daily[defects] / daily[total] * 100 lines [f今日检测 {daily[total]} 件缺陷 {daily[defects]} 件不良率 {rate:.2f}%] for t, c in self.stats[types].items(): lines.append(f- {t}: {c} 次) return \n.join(lines) def main(): detector DefectDetector() if len(sys.argv) 1 and sys.argv[1] detect and len(sys.argv) 2: result detector.detect_single(sys.argv[2]) print(json.dumps(result, ensure_asciiFalse)) elif len(sys.argv) 1 and sys.argv[1] report: print(detector.get_today_report()) else: print(Usage: defect_detector.py [detect|report] [image_path]) if __name__ __main__: main()跑一次检测python3 defect_detector.py detect /data/test.jpg返回的 JSON 里包含缺陷类型、置信度和坐标。接下来让 OpenClaw 接管这个结果生成人类可读的处置建议。在 OpenClaw 对话里发检测结果3 处划痕置信度 0.92/0.88/0.762 处凹坑置信度 0.81/0.73今日累计检测 1245 件缺陷 87 件。请生成质检日报并给出处置建议。OpenClaw 会通过 TaoToken 通道调用模型返回类似今日质检日报 检测总数1245 件 缺陷数87 件 不良率6.99% 主要缺陷划痕 45 次占比 51.7%凹坑 28 次色差 14 次 处置建议 1. 划痕占比过半建议优先排查产线传送带摩擦点 2. 凹坑集中在下午批次检查模具磨损情况 3. 当前不良率未超 10% 阈值维持正常巡检频率到这里YOLOv8 看、OpenClaw 编排、TaoToken 统一调用的完整链路就跑通了。如果你想让这套 AI 员工长期稳定运行建议把模型调用统一走 Coding Plan 管理额度https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite 这样产线高峰期不会因为某个模型额度耗尽而断链。6. 本篇常见错排查配置和跑通过程中有几个坑出现频率特别高提前列出来省得你逐个试。第一个是401 invalid api key。九成情况是环境变量没生效。检查方法echo $TAOTOKEN_API_KEY如果为空说明 export 没执行或者执行在了另一个 shell 会话里。另一个可能是config.toml里api_key字段还留着占位符而settings.json用的是api_key_env两者优先级要理清——建议统一用环境变量配置文件里不写明文 Key。第二个是connection timeout或model not found。先确认 base_url 写的是https://taotoken.net/api不要多加/v1或结尾斜杠。再确认default_model填的模型名在 TaoToken 侧是有效的模型名写错会直接返回 not found。你可以到模型对话页面确认可用模型列表https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_contentmodelsutm_campaignrewrite 。第三个是 YOLO 推理报No module named ultralytics。这是 Python 环境问题确认你pip install的环境和运行脚本的环境是同一个。腾讯云服务器上如果用了 conda注意which python3和which pip是否指向同一环境。第四个是 Skill 加载了但 OpenClaw 不调用。检查settings.json里skills[].path是否指向目录而不是文件entry字段是否和实际脚本名一致。改完settings.json后要重启 gatewayauto_reload只对 Skill 内部代码改动生效配置结构改动还是要重启。第五个是检测结果里类别全是unknown_0、unknown_1。这是因为你用的yolov8n.pt是 COCO 预训练模型类别是 COCO 的 80 类不是你的缺陷类别。要得到scratch、dent这些需要用自己标注的缺陷数据集重新训练或者做类别映射。演示阶段可以先接受 unknown 输出验证链路通了再换自训练权重。第六个是飞书告警发不出去。检查settings.json里channels.feishu.enabled是否为 true以及 App ID 和 Secret 是否配对。飞书侧要确认事件订阅用的是长连接模式并且开通了消息读写权限。如果对话窗口没有输入框基本就是事件订阅没配好。7. 把 Key 管理收口之后这套架构还能往哪扩跑通这一套之后你会发现真正省心的不是 YOLOv8 本身而是 Key 和通道被收口到了 TaoToken 这一层。后面你想加一个新模型做缺陷描述润色或者换一个更便宜的模型做日报生成只需要在 TaoToken 侧调整OpenClaw 配置一行都不用动。这种业务代码不感知模型供应商的结构在产线环境里价值很大因为产线最怕的就是频繁改配置引入新变量。如果你要把这套 AI 员工接入更多通道比如企业微信或者钉钉OpenClaw 的 channel 配置是插件式的照着飞书的模式加一段就行。接入文档在这里可以对照看https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 。如果你用的是 Claude Code 这类编码工具做 Skill 开发Anthropic 兼容通道的配置方式也有对应说明https://taotoken.net/claude-code-anthropic?utm_sourcetaotoken_aicg_blog_endutm_contentclaude-code-anthropicutm_campaignrewrite 。最后给一个实操建议产线部署时把defect_stats.json和检测日志挂到持久化盘上别放/tmp否则服务器重启统计就丢了。告警阈值也别一上来就设 10%先跑一周收集真实不良率分布再定阈值不然误报会把质检群淹掉。这套东西的价值不在于技术多新而在于它真的能替人盯住产线而且出问题时你知道该去哪一层排查。