企业官网建设流程全解析

1. 为什么你的 AI 助手一次只能干一件事

如果你用过一段时间的 AI 编程助手或者对话工具，大概率遇到过这种尴尬：让它分析一份长文档，界面就卡在那里转圈，你连问一句「顺便看下今天天气」都做不到。传统对话是严格串行的——你发一条，它回一条，中间它去跑一个五分钟的抓取任务，你就只能干等。这不是模型慢，而是调度层没有把「任务」和「对话」拆开。

我最近在折腾 blockcell 这个开源项目时，发现它的子智能体（Subagent）设计正好戳中这个痛点。核心思路很朴素：主智能体不再亲自干所有活，而是通过spawn工具把任务丢给后台独立运行的子智能体，每个子智能体有自己的上下文和工具集，跑完再把结果回传。主循环 meanwhile 继续接收你的新消息，互不阻塞。配合TaskManager统一追踪任务状态，你随时能用/tasks看进度。

但这里有个绕不开的前置问题：多个子智能体并发跑起来，意味着同一时间会有好几路请求打到模型 API。如果你用的是各家平台零散申请的 Key，额度、限流、计费口径全不一样，并发一上来就容易撞墙。所以这篇我先把 TaoToken 的统一 Key/API 通道搭好，再在config.toml和settings.json里把 spawn、TaskManager、blockcell 的骨架配出来，最后用真实并发请求验证「同时做多件事」到底跑不跑得通。适合已经在用 AI 工具链、想让助手从单线程变工作台的开发者。

2. 前置准备：用 TaoToken 统一 Key 收口并发入口

子智能体并发的本质是「一个入口，多路出口」。如果每路出口都指向不同的 API 供应商，你的配置会变成一团乱麻，排查限流问题时根本不知道是哪家先挂的。TaoToken 在这里扮演的角色就是统一入口：你申请一个 Key，所有子智能体的模型请求都走同一个 API 通道，额度、日志、限流策略集中管理。

先拿到 Key。访问控制台创建：

https://taotoken.net/console?utm_source=taotoken_aicg_blog_end&utm_content=console&utm_campaign=rewrite

创建完在 API Keys 页面复制出来，形如sk-xxxxxxxx。这个 Key 后面会同时写进 blockcell 的config.toml和settings.json，保证主智能体和子智能体用的是同一套凭证。

注意：Key 只显示一次，复制后先存到本地密码管理器，别直接提交到 Git 仓库。

API 的基础地址是https://taotoken.net/api，注意这个地址不带任何查询参数，配置里填裸地址即可。如果你后面要接 Claude Code 这类工具，Anthropic 兼容端点单独走文档里的说明，别和通用 API 混用。

接入文档在这里，配置字段对不上时回来查：

https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite

3. 可复制配置：config.toml 与 settings.json 骨架

blockcell 的配置分两层：config.toml管运行时和任务调度，settings.json管模型通道和工具权限。下面是我实测能跑通的片段，你直接改 Key 就能用。

3.1 config.toml：开启 spawn 与 TaskManager

[runtime] # 主循环 tick 间隔，单位毫秒，负责进化与维护任务 tick_interval_ms = 1000 # 单个子智能体最长运行时间，超时会被 TaskManager 标记为 Failed subagent_timeout_sec = 600 # 同时运行的子智能体上限，防止并发把额度打爆 max_concurrent_subagents = 8 [task_manager] # 任务状态持久化路径，重启后 /tasks 还能看到历史 store_path = "./data/tasks.json" # 完成后是否通过原始渠道回传结果 notify_on_complete = true [tools.spawn] enabled = true # 子智能体禁止再派生，防止无限递归 allow_nested_spawn = false [gateway] # Gateway 模式下用 HTTP 查询任务状态 enabled = true listen = "127.0.0.1:18790"

这里max_concurrent_subagents是关键参数。设太小，并发优势出不来；设太大，TaoToken 那边的限流会先教你做人。我一般从 8 起步，观察/tasks里 Running 的数量再调。

3.2 settings.json：模型通道与子智能体工具白名单

{ "model": { "provider": "openai-compatible", "base_url": "https://taotoken.net/api", "api_key": "sk-你的TaoToken密钥", "default_model": "gpt-4o-mini" }, "subagent": { "allowed_tools": [ "file_read", "file_write", "web_search", "web_fetch", "http_request", "data_process", "chart_generate", "list_tasks" ], "denied_tools": ["spawn", "message", "cron"] } }

denied_tools里那三个是刻意禁掉的。spawn禁掉是防递归，message禁掉是防止子智能体绕过主智能体直接往渠道发消息，cron禁掉是避免子智能体偷偷创建定时任务。这个白名单机制是子智能体不失控的底线。

3.3 主循环里的非阻塞处理

blockcell 的runtime.rs用tokio::select!把「收消息」和「定时 tick」放在同一个循环里，收到消息后不直接处理，而是注册任务再tokio::spawn出去：

async fn run_loop(&mut self) { loop { select! { Some(msg) = inbound_rx.recv() => { let task_id = format!("msg_{}", uuid::Uuid::new_v4()); self.task_manager.create_task(&task_id, &msg.content).await; tokio::spawn(run_message_task(msg, task_id, self.ctx.clone())); } _ = tick_interval.tick() => { self.tick().await; } } } }

这段代码的意义在于：你发一条长任务，它立刻返回一个 task_id，主循环马上回到select!等待下一条消息。这就是「同时做多件事」的底层保证。

4. 验证请求：三路并发分发与结果回收

配置写完，得用真实请求验证。我拿三个可以并行、互不依赖的任务来测：查 BTC 价格、抓一个网页标题、算一段本地数据的均值。

4.1 派生子智能体

在对话里直接说：

帮我同时做三件事： 1. 查询当前 BTC 价格 2. 抓取 https://example.com 的页面标题 3. 计算 [12, 45, 78, 33, 90] 的平均值 完成后汇总给我

主智能体应该会连续吐出三个 spawn 调用，结构类似：

{ "tool": "spawn", "params": { "task": "查询当前 BTC 价格并返回美元数值", "label": "BTC价格查询", "notify_on_complete": true } }

三个任务分别拿到task_001、task_002、task_003，进入后台。

4.2 用 /tasks 看进度

不等结果，立刻输入：

/tasks

预期输出：

任务摘要：运行中 3 | 已完成 0 | 失败 0 运行中： ⟳ [task_001] BTC价格查询 (已用时 2s) ⟳ [task_002] 网页标题抓取 (已用时 2s) ⟳ [task_003] 均值计算 (已用时 2s)

三个任务同时处于 Running，说明并发分发成功。均值计算这种纯本地任务通常几秒就完成，你会看到它先变成 Completed，而网络请求类的还在跑——这正是并发该有的样子。

4.3 Gateway 模式下的 HTTP 验证

如果你开了 Gateway，可以直接用 curl 查任务状态，不依赖交互界面：

curl "http://localhost:18790/v1/tasks?status=running" \ -H "Authorization: Bearer 你的token"

返回：

{ "tasks": [ { "id": "task_001", "label": "BTC价格查询", "status": "running", "started_at": "2025-02-18T08:30:00Z", "progress": "正在请求行情接口..." } ] }

progress字段是子智能体自己上报的，方便你判断它是真在跑还是卡死了。

4.4 结果回收

三个任务跑完后，主智能体会把结果汇总回传到你最初发消息的渠道。如果你在等待期间又问了别的（比如「顺便查下今天天气」），那条消息会作为msg_xxx任务独立处理，不受前面三个子智能体影响。这就是非阻塞对话的实际效果。

5. 本篇常见错排查

并发跑不起来，八成是下面几个坑。

报错一：spawn tool not enabled说明config.toml里[tools.spawn] enabled是 false，或者settings.json的denied_tools里误把 spawn 加进去了。检查两处，主智能体需要 spawn 权限，子智能体才需要禁。

报错二：任务一直 Queued 不进入 Runningmax_concurrent_subagents被占满了。用/tasks看是不是有卡死的 Running 任务，或者把上限调大。但别盲目调大，先确认 TaoToken 那边的并发额度够。

报错三：401 Unauthorized或invalid api keysettings.json里的api_key没填对，或者base_url写成了带路径的地址。正确写法是https://taotoken.net/api，不要在后面加/v1之类。Key 重新去控制台生成一个：

https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api-keys&utm_campaign=rewrite

报错四：子智能体结果没回传检查[task_manager] notify_on_complete是否为 true，以及origin_channel是否被正确记录。如果任务在 Gateway 模式下发起，回传渠道和 CLI 不一样，别在错误的窗口等。

报错五：并发一高就超时subagent_timeout_sec设太短，或者网络请求类任务本身慢。先把超时调到 600 秒以上，再观察是不是某一路请求被限流。限流问题回到 TaoToken 控制台看调用日志，比在本地瞎猜快得多。

6. 把并发能力接进你的日常工具链

跑通上面的验证后，你会发现子智能体真正的价值不在「炫技」，而在把那些本来要串行等待的活拆开。比如让一个子智能体去抓十个竞品官网，另一个同时整理本地数据，主对话还能继续用来问问题。这套流程要长期用，建议把模型通道固定成 TaoToken 的统一 Key，省得每次加子智能体都要重新配一遍凭证。

如果你主要拿它做长期编码或者 Agent 类任务，Coding Plan 的额度模型比按次调用更适合高频并发：

https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding-plan&utm_campaign=rewrite

想先单独验证某个模型在并发下的表现，用模型对话页面手动发几路请求对比延迟：

https://taotoken.net/chat?utm_source=taotoken_aicg_blog_end&utm_content=model-chat&utm_campaign=rewrite

接 Claude Code 的话，Anthropic 兼容端点的配置和通用 API 不同，照文档走：

https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=claude-code&utm_campaign=rewrite

最后留个我踩过的坑：子智能体的工具白名单别一次开太多。我一开始把http_request和web_fetch都放开，结果某个子智能体在抓取时陷入重试循环，把并发额度占满了。后来给网络类工具单独加了重试上限，问题才消失。并发是能力，限流是纪律，两个都得有。