企业官网建设流程全解析

1. 深度研究场景下两个 Agent 的真实差异

深度研究任务和普通问答最大的区别在于：它需要反复调用工具、读取大量文件、在多轮推理中保持结论一致。DeepAgent 和 Claude Code 都能做这件事，但底层机制完全不同。DeepAgent 走的是"不丢失、只转移"的路线，所有被压缩的内容都会落盘到/conversation_history/{thread_id}.md，Agent 后续可以用read_file回溯；Claude Code 走的是"分层丢弃、保护核心"的路线，压缩时优先清空旧工具输出，再对对话历史做摘要，旧消息不可恢复。

这两个机制直接决定了它们在 MCP 密集调用场景下的表现。DeepAgent 的上下文压缩触发点在 85% 左右，压缩时会把待压缩消息写入文件，然后调用模型生成结构化摘要（SESSION INTENT / SUMMARY / ARTIFACTS / NEXT STEPS），最后只保留最近 10% 的消息。Claude Code 的触发点在 95-98%，第一步就是清除旧工具输出——这些输出通常占上下文 80%，清完之后往往就够用了，不够才做对话摘要。

子 Agent 调度上，两者都做了上下文隔离，但共享程度不同。DeepAgent 的子 Agent 只收到一条 HumanMessage（任务描述），空白对话历史，但state["files"]等状态键会传递过去，共享文件系统视图；Claude Code 的子 Agent 无法访问父 Agent 内部状态，只能通过磁盘间接共享，且不支持多层嵌套。DeepAgent 支持多层嵌套，每个子 Agent 有独立的 SummarizationMiddleware 自主管理上下文。

这些差异在单次简单任务里看不出来，但当你让 Agent 连续调用 20 次 MCP 工具、每次返回 40K 字符时，区别就非常明显了。下面我会用 TaoToken 统一 Key 把两个 Agent 都跑起来，给出可复制的配置骨架，然后演示一次 MCP 工具调用和子 Agent 任务的验证动作。

TaoToken 在这里的作用是统一入口：你不需要为 DeepAgent 和 Claude Code 分别维护两套 Key 和 Base URL，一个 Key 就能同时驱动两边的模型请求。官网在 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，API 端点是 https://taotoken.net/api ，注意 API 地址不带 UTM 参数。

2. TaoToken 统一 Key 的前置准备与 settings.json 骨架

在开始对比之前，你需要先拿到一个能同时用于两个 Agent 的 Key。进入控制台创建 API Key，地址是 https://taotoken.net/console?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，创建后复制保存，后面两个配置文件都要用同一个 Key。

Claude Code 的配置走settings.json，路径通常在~/.claude/settings.json。这个文件控制模型请求的 Base URL、Key 和默认模型。下面是可以直接复制的骨架，把sk-开头的部分替换成你自己的 Key：

{ "env": { "ANTHROPIC_BASE_URL": "https://taotoken.net/api", "ANTHROPIC_AUTH_TOKEN": "sk-你的TaoToken密钥", "ANTHROPIC_MODEL": "claude-sonnet-4-20250514", "ANTHROPIC_SMALL_FAST_MODEL": "claude-haiku-4-20250514" }, "permissions": { "allow": [ "Read", "Write", "Bash(git:*)", "Bash(npm:*)" ] } }

这里三个字段缺一不可：ANTHROPIC_BASE_URL指向 TaoToken 的 API 端点，ANTHROPIC_AUTH_TOKEN放你的 Key，ANTHROPIC_MODEL指定主模型 ID。如果你用的是 Claude Code 的 OAuth 登录流程，需要先退出登录再改这个文件，否则 OAuth 会覆盖环境变量。改完之后可以用claude --version确认 CLI 能正常读取配置。

DeepAgent 这边走config.toml，路径一般在项目根目录或~/.deepagent/config.toml。它的配置结构和 Claude Code 不同，需要显式声明 provider 和模型映射：

[provider] name = "taotoken" base_url = "https://taotoken.net/api" api_key = "sk-你的TaoToken密钥" [model] main = "claude-sonnet-4-20250514" fast = "claude-haiku-4-20250514" max_tokens = 8192 [context] summarization_trigger = 0.85 keep_recent_ratio = 0.1 history_dir = "./conversation_history" [subagent] max_depth = 3 isolate_context = true

summarization_trigger = 0.85对应 DeepAgent 的 85% 压缩触发点，keep_recent_ratio = 0.1是保留最近 10% 消息，history_dir是压缩前历史落盘的目录。subagent.max_depth = 3开启多层嵌套，这是 Claude Code 不具备的能力。

两个配置文件都改完之后，建议先跑一次最小请求确认 Key 有效。Claude Code 直接claude -p "回复 ok"，DeepAgent 用deepagent run --prompt "回复 ok"。如果返回正常文本，说明统一 Key 已经打通。如果报 401，先检查 Key 有没有多余空格；如果报local proxy failed，检查 Base URL 是不是写成了带路径的完整地址——TaoToken 的 API 端点就是https://taotoken.net/api，不要在后面加/v1之类的后缀。

3. MCP 接入与子 Agent 调度的可复制配置

MCP 接入是深度研究能力的核心。Claude Code 的 MCP 配置放在settings.json的mcpServers字段里，DeepAgent 则放在config.toml的[mcp]段。两边都配好之后，你才能对比它们在 MCP 密集调用下的上下文处理差异。

Claude Code 的 MCP 配置追加到刚才的settings.json：

{ "mcpServers": { "filesystem": { "command": "npx", "args": ["-y", "@modelcontextprotocol/server-filesystem", "./workspace"], "env": {} }, "search": { "command": "npx", "args": ["-y", "@modelcontextprotocol/server-brave-search"], "env": { "BRAVE_API_KEY": "你的搜索Key" } } } }

DeepAgent 的 MCP 配置追加到config.toml：

[mcp] enabled = true tool_token_limit_before_evict = 20000 large_result_threshold = 80000 large_result_dir = "./large_tool_results" [[mcp.servers]] name = "filesystem" command = "npx" args = ["-y", "@modelcontextprotocol/server-filesystem", "./workspace"] [[mcp.servers]] name = "search" command = "npx" args = ["-y", "@modelcontextprotocol/server-brave-search"] env = { BRAVE_API_KEY = "你的搜索Key" }

注意tool_token_limit_before_evict = 20000和large_result_threshold = 80000这两个参数。前者是工具定义超过上下文 10% 时的延迟加载阈值，后者是大结果驱逐阈值——超过 80K 字符的 MCP 返回会被写入large_tool_results目录，上下文里只留首尾各 5 行预览加路径提示。Claude Code 对应的阈值是 25K tokens（约 100K 字符），且所有工具统一处理，没有内置工具豁免。

子 Agent 调度配置上，DeepAgent 需要在config.toml里显式声明子 Agent 的任务类型和隔离策略：

[[subagent.definitions]] name = "researcher" description = "负责 MCP 密集调用的研究子任务" isolate_context = true inherit_files = true max_iterations = 15 [[subagent.definitions]] name = "writer" description = "负责汇总研究结果并写入文件" isolate_context = true inherit_files = true max_iterations = 5

isolate_context = true让子 Agent 在独立上下文窗口中工作，MCP 返回的大量数据不会污染主 Agent。inherit_files = true让子 Agent 能访问父 Agent 的文件系统视图，这是 DeepAgent 状态共享的体现。Claude Code 的子 Agent 没有这么细的配置项，它只支持单层级，子 Agent 完成后返回简洁结果摘要。

配置改完后，用claude mcp list和deepagent mcp list分别确认 MCP 服务器已加载。如果 Claude Code 报MCP server failed to start，大概率是npx路径问题，把command改成绝对路径试试。DeepAgent 如果报tool_token_limit_before_evict无效，检查这个参数是不是写在了[mcp]段而不是[[mcp.servers]]里。

4. 验证一次 MCP 工具调用与子 Agent 任务

配置写完不验证等于没配。这一节我用同一个任务分别跑 Claude Code 和 DeepAgent，观察它们在 MCP 调用和子 Agent 调度上的实际行为差异。

验证任务设计成这样：让 Agent 读取./workspace目录下的所有.md文件，统计每个文件的行数，然后调用搜索 MCP 查一个关键词，最后把结果写入report.md。这个任务会触发多次 MCP 调用（filesystem 的 read_file、search 的查询），足以观察上下文变化。

Claude Code 这边直接跑：

claude -p "读取 ./workspace 下所有 .md 文件，统计行数，用 search MCP 查 'context compression'，结果写入 report.md"

跑的过程中用/context命令查看上下文占用。你会看到前几次 MCP 调用后上下文快速上升，到 95% 左右触发 compaction，旧工具输出被清除，上下文骤降。这时候推理链还在，但原始工具返回值已经不可恢复。如果任务需要回溯某个文件的具体内容，Claude Code 只能重新读一次。

DeepAgent 这边跑：

deepagent run --prompt "读取 ./workspace 下所有 .md 文件，统计行数，用 search MCP 查 'context compression'，结果写入 report.md" --subagent researcher

--subagent researcher会把 MCP 密集调用分配给 researcher 子 Agent。观察主 Agent 的上下文占用，你会发现它几乎不涨——因为子 Agent 在独立上下文里处理了所有 MCP 返回，只把精炼的结果文本返回给主 Agent。这就是子 Agent 隔离的价值：天然的上下文压缩。

验证成功的标志有三个：report.md被正确写入且内容完整；./conversation_history/目录下出现压缩前的历史文件（DeepAgent）；./large_tool_results/下出现被驱逐的大结果文件（如果单次 MCP 返回超过 80K 字符）。Claude Code 这边不会有这两个目录，它的压缩是不可恢复的。

如果你想更直观地对比，可以在任务里加一个"回溯"动作：让 Agent 在写入 report.md 之后，再引用第一次读取的某个文件的具体行。DeepAgent 可以通过read_file回溯/conversation_history/里的历史拿到，Claude Code 只能重新调用 MCP 读一次。这个差异在多轮深度研究里会累积成明显的效率差距。

5. 常见报错与排查对照

配置和验证过程中最容易踩的坑集中在认证、代理和上下文读取三类。下面按真实报错信息对照排查。

401 Unauthorized：Key 无效或没传对。检查settings.json里ANTHROPIC_AUTH_TOKEN和config.toml里api_key是不是同一个 Key，有没有多余空格或换行。如果 Key 是从控制台复制的，确认没有把sk-前缀漏掉。TaoToken 的 Key 在 https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= 管理，可以重新生成一个再试。

local proxy failed：Base URL 写错了。常见错误是写成https://taotoken.net/api/v1或https://taotoken.net/api/（末尾多斜杠）。正确写法就是https://taotoken.net/api，不带路径后缀。Claude Code 的ANTHROPIC_BASE_URL和 DeepAgent 的base_url都要用这个值。

Error reading choices / reading choices：模型返回格式不符合预期，通常是模型 ID 写错了。检查ANTHROPIC_MODEL和config.toml里的main字段，确认模型 ID 在 TaoToken 的模型列表里存在。如果用了不支持的模型名，请求会返回空 choices，Agent 解析时报这个错。

OAuth 覆盖配置：Claude Code 如果之前用 OAuth 登录过，settings.json里的环境变量可能被覆盖。解决方法是先claude logout，再改settings.json，然后claude login时选择 API Key 方式而不是 OAuth。如果登录界面没有 API Key 选项，直接删掉~/.claude/下的 OAuth token 文件再重启。

MCP server failed to start：npx找不到或包名写错。把command改成npx的绝对路径（which npx查），或者先手动跑一次npx -y @modelcontextprotocol/server-filesystem ./workspace确认能启动。DeepAgent 这边如果报mcp.servers解析失败，检查 TOML 语法——[[mcp.servers]]是数组表，每个服务器一个，不要写成[mcp.servers]。

子 Agent 不生效：DeepAgent 的--subagent参数需要和config.toml里[[subagent.definitions]]的name对应。如果传了不存在的子 Agent 名，任务会回退到主 Agent 执行，上下文占用会明显上升。检查deepagent subagent list输出里有没有你定义的名字。

上下文压缩不触发：DeepAgent 的summarization_trigger = 0.85是比例值，不是 token 数。如果你的模型上下文窗口是 200K，85% 就是 170K。如果任务很小，永远触发不了压缩，这是正常的。想强制验证压缩行为，可以构造一个超过 170K 字符的 MCP 返回，或者临时把summarization_trigger调到 0.3 观察。

6. 统一 Key 下的选型建议与接入入口

跑完上面的对比流程，你应该能感受到两个 Agent 的设计取舍。DeepAgent 适合需要长期回溯、多层子 Agent 嵌套、MCP 调用密集的深度研究任务——它的"不丢失、只转移"策略让历史可恢复，代价是state["files"]会持续膨胀，需要你定期清理conversation_history和large_tool_results目录。Claude Code 适合推理链清晰、工具输出可以丢弃、追求上下文精简的任务——它的分层清除策略让推理链和工具输出分离，代价是旧消息不可恢复，多次压缩后精度会稀释。

如果你要做的是长期编码或 Agent 编排，建议走 Coding Plan，地址是 https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，它针对高频编码场景做了额度优化。如果只是想先验证模型对话效果，用模型对话入口 https://taotoken.net/chat?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= 快速试一次。接入文档在 https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，里面有各客户端的完整配置示例。

实际用下来，我的建议是：MCP 密集调用全部丢给子 Agent，主 Agent 只做编排和文件写入。DeepAgent 的subagent.max_depth = 3和isolate_context = true组合能有效控制主上下文膨胀，Claude Code 这边虽然没有多层嵌套，但单层子 Agent 加 compaction 的组合也能应付大部分场景。关键是把tool_token_limit_before_evict和large_result_threshold调到一个适合你任务规模的値——默认的 20000 和 80000 对中等规模研究够用，如果你的 MCP 单次返回经常超过 100K 字符，把large_result_threshold降到 50000 会更早触发驱逐。

最后提醒一点：两个 Agent 共用同一个 TaoToken Key 时，注意并发请求的额度消耗。DeepAgent 的子 Agent 会并行发起多个模型请求，Claude Code 的 compaction 也会额外调用一次模型做摘要。如果你的任务规模大，先在控制台看一下额度余量，避免跑到一半报额度不足。