企业官网建设流程全解析

把 LLM Agent 拆成观察 → 思考 → 行动三步循环之后，真正落地时最先撞上的往往不是提示词，而是"谁来给每一轮循环供模型"。多 Agent 编排里，主 Agent 派子 Agent 去读一个大文件、Skills 按需加载、递归语言模型写段程序调度一批子任务——这些动作背后都是一次次 LLM 调用。在 Claude Code 这类入口里跑这套 Agent 骨架时，第一个要解决的就是模型入口：打开 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 注册并创建 Key，再把工具里的 Base URL 填成https://taotoken.net/api。Key 用 TaoToken，同一把 Key 还能在不同模型之间切换，不用为每个模型单独维护一套密钥。下面把多 Agent、Skills 加载和递归调度这几个高频场景拆开讲，重点放在"怎么把循环真正喂起来"。

1. 观察→思考→行动每一轮都在调模型：多 Agent 落地的第一个卡点

1.1 核心循环本身很简单，供模型的入口不简单

最基础的单次工具调用是没有循环的：给任务，LLM 想一想，调一个工具，结束。加上while循环之后才变成真正的 Agent——任务没完成就继续跑，每轮把输出追加进历史当作下一轮输入。原文里有个容易被忽略的细节：输出不是简单的"下一个状态"，而是执行过程中观察到的一切，日志、信号、副作用、成功或失败标记，全都算。

问题也就从这儿开始。每转一圈就是一次完整的模型请求，多 Agent 场景下，转的不止一个循环，而是主 Agent 循环里套着若干个子 Agent 循环。写代码一个 Agent、做 Code Review 一个 Agent、读文件一个 Agent、验证完成一个 Agent，每个都要各自往模型发请求。这时候如果模型入口是靠一个个云厂商账号硬接，订阅额度、并发上限、密钥轮换、按模型分开计费，几件事叠在一起就够呛。把入口收敛到一处，是让循环跑得起来的前提。

1.2 子 Agent 隔离了上下文，却常常没隔离密钥管理

多 Agent 的核心价值是上下文隔离，这跟面向对象里的对象隔离是一个意思。让同一个 Agent 既写代码又做 Review，Review 的判断会被写代码时的思路干扰（确认偏误）；拆成两个 Agent、各自干净上下文，问题就缓解了。子 Agent 逻辑也一样：主 Agent 不直接读巨大文件，而是派一个子 Agent 去读，子 Agent 只把摘要返回，自己的上下文丢弃。

可这套隔离只做在了上下文层面。一旦每个子 Agent 都要独立跑起来，往往就被迫在每个位置塞一份 API 配置。结果就是 Agent 隔离得越干净，密钥反而越散。更实际的做法是：所有子 Agent 共用同一个入口和同一把 Key，上下文隔离照做，凭证不隔离。把 Key 从 TaoToken 创建出来，后面主 Agent、子 Agent、验证 Agent 都指到同一个 Base URL，循环的数量变了，凭证只维护一处。

2. 在 Claude Code 的 settings.json 里把 Agent 循环接到 TaoToken

2.1 环境变量方式：三行定下入口

如果你是把 Claude Code 当作跑 Agent 的入口，最省事的是环境变量。把下面三行按你的 shell 写进配置，注意ANTHROPIC_BASE_URL填的是接口地址https://taotoken.net/api，末尾不要加/v1：

export ANTHROPIC_BASE_URL="https://taotoken.net/api" export ANTHROPIC_AUTH_TOKEN="YOUR_API_KEY" export ANTHROPIC_MODEL="YOUR_MODEL_ID"

ANTHROPIC_AUTH_TOKEN用占位符YOUR_API_KEY就好，真实 Key 从 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 创建，别拿测试 Key 直接跑多 Agent，循环一开量会上去。ANTHROPIC_MODEL填什么以模型广场当时列表为准，不要凭印象编一个带日期后缀的名字，编错了就是 404。

这三行是 Claude Code 自己的变量命名，别抄到别的工具里去——Codex 用的是 TOML 里的model_provider，不是ANTHROPIC_*，套错变量是最常见的错配来源。

2.2 ~/.claude/settings.json 的 env 段：更适合多 Agent 长期跑

环境变量在临时终端里够用，但多 Agent 长期跑，更推荐写进配置文件。Claude Code 读取~/.claude/settings.json里的env段，结构如下：

{ "env": { "ANTHROPIC_BASE_URL": "https://taotoken.net/api", "ANTHROPIC_AUTH_TOKEN": "YOUR_API_KEY", "ANTHROPIC_MODEL": "YOUR_MODEL_ID" } }

保存后重启 Claude Code，或者新开一个会话让配置生效。这里同样提醒一句，env里的ANTHROPIC_BASE_URL是接口地址，跟注册、创建 Key、看模型广场用的落地页不是一回事，两者别混填：落地页是 https://taotoken.net/?utm_source=taotoken_aicg_blog_end ，填进工具的接口地址是https://taotoken.net/api。

2.3 模型 ID 以模型广场当时列表为准

ANTHROPIC_MODEL这个值很多人在这一步翻车，因为 Agent 循环里一旦模型名错了，每次调用的报错都长得差不多，很难一眼看出是模型名的问题。正确的做法是先打开官网，进模型广场看一眼当前提供的模型标识，把它原样复制进配置。模型列表会变，今天能用的名字明天可能调价或者下线，所以任何写死在文档里的"具体模型名"都不值得照抄，只有广场里的当时列表才是准的。

3. Skills 按需加载背后的模型切换：一把 Key 跑多档模型

3.1 Skill 是提示词加工具集，模型是它的执行底座

Skills 是结构化的组合包，提示词、工具集、指令打包在一起，需要的时候才加载进上下文。为什么不直接写成一个超长系统提示？因为上下文窗口有限，Skills 的逻辑是"需要什么用什么，不需要的不占空间"。这段在原文里讲得很清楚：一个 Skill 就是一个文本文件，Agent 在调试代码时根本不会看到负责提交的 Skill。

但 Skill 被加载之后要真正执行，靠的还是模型。写代码的 Skill、做代码分析的 Skill、跑测试的 Skill，各自的提示词长度、工具粒度、对模型能力的要求都不一样。有的 Skill 短平快，用小模型足够；有的 Skill 要读大段代码、做多步推理，就得换成能力更强的那档。于是问题回到同一处：如果每个 Skill 对应一个模型，每档模型又各自一个 Key，加载逻辑没写多少，凭证管理先炸了。

3.2 写代码用一个模型，Code Review 换另一个模型

同一把 TaoToken Key 的好处就在这里：Base URL 不变，改ANTHROPIC_MODEL就能切换模型。你可以让写代码的主 Agent 用一个模型，让做 Review 的子 Agent 用另一个模型，验证完成度的 Agent 再用第三个，三者的ANTHROPIC_AUTH_TOKEN完全一致。配置层面只需要维护一把 Key，模型按需拨动。

实际操作时有个小技巧：把模型 ID 抽成环境变量或者配置项，别在每个 Skill 里硬编码。这样将来模型广场更新了列表，你只改一处；如果每个 Skill 文件里都写死模型名，一次下线就得全仓搜一遍。

需要留意 Skills 那个容易"过拟合"的坑。针对特定任务定制的 Skill 能把评分刷高，但不代表通用能力真的上去了。切模型的时候也要清醒：换更强模型不等于 Skill 逻辑变好了，Skill 本身的提示词和工具集边界，还是得靠自己把关。

4. 递归语言模型调度子 Agent：Token 走 TaoToken 同一本账

4.1 让程序而不是让记忆去追踪子任务

递归语言模型是这个场景里特别值得学的一招。假设要给file000.txt到file099.txt逐个做摘要，如果让 LLM 自己在循环里记进度，它很可能中途漏掉file078.txt——记忆不可靠。更稳的做法是让 LLM 写一段程序来调度子 Agent，程序保证每个文件都被处理，LLM 不再需要靠"记忆"跟踪进度：

# 由 LLM 生成这段调度程序，子 Agent 逐个处理文件 def summarize_all(files): result = [] for file in files: result.append(LLM_Agent("summarize " + file)) return result

这段程序本身不碰模型接口，它调用的每个LLM_Agent才会真正发起请求。也就是说，程序保证的是"不遗漏"，请求本身还是走你配好的那套入口。这时候统一入口的价值就很直观：100 个子任务、每个子任务可能又派下一级 Agent，中途要做限流、要看总消耗、要临时换个便宜模型，全都落在同一个 Base URL 和同一把 Key 上。

4.2 Ralph 循环验证"虚假完成"时的额外调用

原文里最扎眼的生产问题是虚假完成——Agent 觉得自己做完了，其实没做完，而且做得还很自信。直接解法是加一层验证循环，让一个全新上下文、干净状态的 Agent 来确认工作是否真的完成，只有新 Agent 也没改动，才真正退出。Terminus-KIRA 的变体更轻量：维持一份只含动作和输出、不含思考过程的历史，让只看"做了什么"的独立验证者再确认一遍，去掉思考带来的干扰。

注意这里的关键细节：每次验证都是一个独立的模型请求。Ralph 循环有效，代价是请求数量明显上升；去掉思考历史之后再验证，省的是提示词长度，不是请求次数。所以这类 Agent 一旦进生产，模型入口的选择就变成成本结构的一部分。把入口统一到 TaoToken 上，好处是验证调用和主循环调用走同一本账，控制台里能看到总消耗，不用在几个平台之间对账单。

顺带说一句，进度可度量的任务不太需要这套——目标本身就是"验证损失是否下降"这类客观指标，Agent 没办法虚报完成。真正需要 Ralph 循环的，是那些"是否完成"由 LLM 自己说了算的任务。

5. 跑通后去控制台对账：验证、排障、下一步

5.1 先用模型对话发一条测试消息

配置保存之后，不要一上来就让多 Agent 全量跑起来。先在 TaoToken 模型对话 里，用同一把 Key 发一条测试消息，确认 Key 有效、ANTHROPIC_MODEL对应的模型确实存在。这一步两分钟，能省下后面半小时看日志。

测试通过之后，回到 Claude Code 里跑一个最小循环：给一个简单的两步任务，让它调一次工具、再调一次，观察两轮请求是否都正常返回。多 Agent 编排里最怕的是主 Agent 配好了、子 Agent 用了另一份配置，结果子任务全部静默失败。最小循环验证的正是"入口是否被所有 Agent 共享"。

5.2 常见报错对照

Agent 循环里报错信息往往被日志淹没，给几个高频的对照：

• 401 未授权：ANTHROPIC_AUTH_TOKEN填错、Key 过期，或者 Key 从别处复制时带了空格。重新到控制台创建确认。
• 404 模型不存在：ANTHROPIC_MODEL写错了，多半是凭印象编了模型名。回模型广场复制当时列表里的标识。
• 路径 404 或请求异常：ANTHROPIC_BASE_URL末尾多了/v1。填https://taotoken.net/api，不要加/v1，也不要带任何查询参数。
• 子 Agent 用了默认地址：主配置改了，某个子 Agent 却还在读本地缓存的旧变量，重启会话再试。

排查顺序建议从 Key 到模型到地址：先确认 401 不是 Key 的问题，再确认 404 不是模型名的问题，最后确认地址没被多加后缀。这三步对上了，多 Agent 循环基本就通了。

5.3 长期跑 Agent 时看套餐、看用量、看文档

把它当临时实验，环境变量配置就够了。要长期跑多 Agent、Skills 反复加载、递归调度批量任务，Token 消耗会明显上来，这时候可以打开 Coding Plan 看一下套餐是否覆盖得住，再到 控制台 API Keys 管理你的 Key，顺便看看这段时间的调用量记上没有。Claude Code 的环境变量写法、settings.json字段对照，可以查 Claude Code 接入文档。

回到这套 Agent 骨架本身：核心循环简单，难的是让它在生产里稳定跑起来。上下文工程决定每轮喂给模型多少东西，Skills 决定按需加载什么，多 Agent 决定上下文怎么隔离，递归调度决定子任务怎么不遗漏。这些设计做完之后，落到执行层，就是"谁来供模型"这一件事。把入口收敛到一处、把 Key 收成一把、把模型切换变成改一个字段，多 Agent 和 Skills 的复杂度才不会被凭证管理这个外围问题拖住。