企业官网建设流程全解析

1. 从「手动跑测试」到「AI 自己 debug」：我为什么盯上 Claude Code 子代理

先说清楚这篇要解决什么。Claude Code 是 Anthropic 推出的命令行编码代理，能读你的仓库、改文件、跑命令。而它最近让我真正用起来的功能，是子代理（Sub Agent）配合自动循环——简单说，就是让 AI 在写完代码后，自己触发验证、自己读报错、自己改，改到质量门控通过为止。这套东西适合谁？适合本地开发、手里有一堆重复性验证工作、又不想每次都手动复制报错再贴回对话框的人。

我之前的日常是这样的：写完一个模块，手动npm test，红了，复制报错，切到对话框，粘贴，等它给建议，再切回编辑器改，再跑。一个下午能来回十几轮。问题不在于 AI 不会修，而在于「捕获报错 → 喂给 AI → 应用修复 → 再验证」这条链路全靠人肉搬运。Claude Code 的子代理机制把这条链路变成了一个可编排的循环：一个代理负责生成规格，一个负责写代码，一个负责打分，分数不够就带着反馈回到第一步重来。

这里的关键词是「量化门控」。传统自动化测试只告诉你 pass/fail，而子代理验证器可以输出一个 0-100 的分数加具体反馈列表，比如「需求符合度 30 分里拿了 22，因为漏了边界条件」。有了这个结构化反馈，循环才有方向，不然 AI 只会瞎改。

但要让这套流程在本地稳定跑起来，绕不开一个现实问题：Claude Code 需要能持续访问模型接口。本地环境里网络链路、Key 管理、模型 ID 配置任何一环出问题，自动循环就会在「捕获报错」那一步直接断掉——AI 还没开始 debug，自己先报错了。所以下面我会先讲怎么用 TaoToken 把通道配好，再讲子代理工作流本身。顺序不能反，通道不稳，后面全是空谈。

2. 前置：用 TaoToken 统一 Key 与 API 通道接入 Claude Code

Claude Code 的配置入口是环境变量和 settings 文件。官方默认指向 Anthropic 的端点，但在本地开发环境里，我们更希望有一个统一的 Key 和 Base URL 管理方式，避免每个工具各配一套。TaoToken 在这里扮演的角色就是统一通道：一个 Key、一个 Base URL，Claude Code、Cline、Codex 这些工具都能复用。

先拿 Key。打开 https://taotoken.net/api-keys ，登录后在控制台创建 API Key。注意这个 Key 只在创建时完整显示一次，复制下来存到本地密码管理器或者.env里，别直接写进会提交到 git 的文件。

拿到 Key 之后，Claude Code 的接入有两种方式：环境变量和 settings 文件。环境变量适合临时验证，settings 文件适合长期使用。我建议两个都配，环境变量用来快速测通，settings 用来固化。

环境变量方式，在~/.zshrc或~/.bashrc里加：

export ANTHROPIC_BASE_URL="https://taotoken.net/api" export ANTHROPIC_API_KEY="sk-你的TaoToken密钥"

改完执行source ~/.zshrc让它生效。这里有个坑：Claude Code 读的是ANTHROPIC_BASE_URL和ANTHROPIC_API_KEY这两个变量名，别写成OPENAI_开头的，不然它不认。

settings 文件方式，Claude Code 会读项目根目录或用户目录下的.claude/settings.json。项目级的配置长这样：

{ "env": { "ANTHROPIC_BASE_URL": "https://taotoken.net/api", "ANTHROPIC_API_KEY": "sk-你的TaoToken密钥", "ANTHROPIC_MODEL": "claude-sonnet-4-20250514" } }

注意ANTHROPIC_MODEL这个字段，它决定了子代理循环里每次调用用哪个模型。验证器代理需要较强的推理能力来打分，执行器代理需要稳定的代码生成，我实测下来 Sonnet 系列在两者之间平衡得比较好。如果你要做长期编码任务，模型 ID 写错会直接导致 404，所以复制的时候核对一遍。

配好之后，用一条命令验证通道是否通：

claude -p "回复 OK 两个字母即可"

如果返回OK，说明 Base URL、Key、Model ID 三件套都对上了。如果报 401，往下看第 5 节的排查。这一步别跳过，通道没通就去配子代理，后面每个代理调用都会失败，你会以为是工作流写错了，其实是 Key 的问题。

3. 可复制配置：子代理工作流与 settings 片段

现在进入正题。Claude Code 的子代理本质上是放在.claude/agents/目录下的 Markdown 文件，每个文件用 YAML frontmatter 定义名称、描述、可用工具，正文写这个代理的职责。工作流则通过一个自定义命令文件来编排，放在.claude/commands/下。

先建目录结构：

mkdir -p .claude/agents .claude/commands

第一个代理，规格生成器.claude/agents/spec-generation.md：

--- name: spec-generation description: 根据功能描述生成需求与设计文档 tools: Read, Write, Grep --- 你是规格生成代理。接收一个功能描述，输出 requirements.md， 包含验收标准、边界条件、输入输出定义。每条验收标准必须可测试。

第二个代理，代码执行器.claude/agents/spec-executor.md：

--- name: spec-executor description: 根据规格文档实现代码 tools: Read, Write, Edit, Bash --- 你是代码执行代理。读取 requirements.md，实现对应代码。 实现完成后运行项目测试命令，把原始输出保留下来。

第三个代理，质量验证器.claude/agents/spec-validation.md，这是整个循环的门控：

--- name: spec-validation description: 对代码进行多维度验证，输出 0-100 量化分数 tools: Read, Grep, Write, Bash --- 你是代码验证协调器。系统分析代码是否符合规格。 输出必须是包含分数和反馈的 JSON。 评分标准（总分 100）： - 需求符合度 30：是否覆盖 requirements.md 全部验收标准 - 代码质量 25：可读性、可维护性、结构清晰度 - 安全性 20：无硬编码密钥、有输入验证 - 性能 15：无明显瓶颈 - 可测试性 10：结构是否易于单元测试 输出格式： 分数 >= 95 时 decision 为 PASS； 分数 < 95 时 decision 为 FAIL，并给出 feedback 列表，每条包含具体改进建议。

第四个代理，测试生成器.claude/agents/spec-testing.md：

--- name: spec-testing description: 为通过验证的代码生成测试套件 tools: Read, Write, Bash --- 你是测试生成代理。为通过质量门控的代码编写完整测试用例， 覆盖正常路径、边界条件、异常输入。生成后运行测试并报告结果。

然后是编排文件.claude/commands/spec-workflow.md：

--- description: 启动带质量门控的自动开发流程 --- ## 用法 /spec-workflow <功能描述> ## 你的角色 你是工作流调度器，严格按以下链条执行。 ## 子代理执行链 1. 使用 spec-generation 子代理为 <功能描述> 生成规格说明。 2. 使用 spec-executor 子代理根据规格实现代码。 3. 使用 spec-validation 子代理对代码质量量化评分。 4. 如果分数低于 95，使用 spec-generation 子代理根据验证反馈改进规格， 然后重复步骤 1-3。 5. 如果分数等于或高于 95，使用 spec-testing 子代理生成测试套件。

这套配置里，settings.json的 env 段和第 2 节的一致，不用重复写。如果你用的是 Cline 或 Codex，Base URL 和 Key 的填法一样，只是配置文件路径不同：Cline 在扩展设置里填，Codex 在~/.codex/auth.json里填。三件套永远是 Base URL、Key、Model ID，缺一不可。

4. 验证请求：跑一次完整的 AI 自修复闭环

配置写完了，得真跑一次才知道行不行。我拿一个故意留 bug 的小函数来测，这样能观察到验证器是否真的会打回。

先建一个测试项目：

mkdir -p ~/demo-autofix && cd ~/demo-autofix npm init -y

写一个带 bug 的文件calc.js：

function divide(a, b) { return a / b; } module.exports = { divide };

这个函数没处理b === 0的情况，也没做输入类型校验，正好用来触发验证器的安全性和需求符合度扣分。

现在在项目里启动 Claude Code，输入工作流命令：

claude

进入交互后输入：

/spec-workflow 实现一个安全的除法函数，要求处理除零和非法输入

接下来观察它的执行链。第一步 spec-generation 会生成requirements.md，里面应该包含「b 为 0 时抛出明确错误」「非数字输入抛出 TypeError」这类验收标准。第二步 spec-executor 会改calc.js，加上校验逻辑。第三步 spec-validation 会读代码、跑检查、输出 JSON。

我实测下来，第一次验证经常拿不到 95 分，因为执行器可能只处理了除零，漏了类型校验。这时验证器会输出类似这样的反馈：

{ "score": 82, "decision": "FAIL", "feedback": [ "需求符合度扣 8 分：未处理非数字输入，requirements.md 第 3 条未满足", "安全性扣 10 分：缺少输入类型校验" ] }

看到 FAIL 和分数后，调度器会自动回到 spec-generation，把反馈带进去改进规格，再走一遍执行和验证。第二轮执行器补上类型校验，验证器重新打分，这次输出：

{ "score": 96, "decision": "PASS", "feedback": [] }

PASS 之后，spec-testing 代理接手，生成calc.test.js并运行。终端里能看到测试通过的结果。整个过程从输入命令到测试通过，我这边大概两分钟，中间没有手动干预。这就是「AI 自己 debug、自己修复」的实际形态：不是它一次写对，而是它自己发现不对、自己带着反馈重来。

这里有个细节值得说：验证器的反馈必须是结构化的，否则循环会退化成「AI 反复改但不知道改什么」。上面 JSON 里的feedback列表就是循环的燃料，每条都要指向具体文件的具体问题。

5. 本篇常见错排查：401、local proxy failed、reading choices、OAuth

自动循环跑不起来，八成不是工作流写错，而是通道或配置的问题。我把踩过的坑按报错对照列出来。

401 Unauthorized。最常见。原因通常是 Key 没生效或写错。先确认echo $ANTHROPIC_API_KEY能打印出完整 Key，再确认echo $ANTHROPIC_BASE_URL是https://taotoken.net/api，注意结尾不要多加/v1或斜杠。如果环境变量对但 settings.json 里也写了一份，检查两份是否冲突——Claude Code 的优先级是项目 settings 覆盖用户 settings，环境变量又覆盖 settings，任何一层写错都会 401。改完记得重启终端或重新source。

local proxy failed。这个报错说明 Claude Code 尝试走本地代理但连不上。检查你的 shell 里有没有残留的HTTP_PROXY/HTTPS_PROXY环境变量，有的话unset掉。另外确认没有其他工具占用了 Claude Code 想用的本地端口。这个错和 Key 无关，纯粹是链路问题。

reading choices 相关报错。通常出现在模型返回格式不符合预期时，比如 Model ID 写成了一个不存在的模型，接口返回了错误结构，Claude Code 解析choices字段就失败了。回到 settings.json 核对ANTHROPIC_MODEL，用官方文档里存在的模型 ID。我建议先用第 2 节那条claude -p "回复 OK"验证模型可用，再跑工作流。

OAuth 相关报错。如果你之前登录过官方账号，本地可能残留了 OAuth token，Claude Code 会优先用它而不是你的 API Key，结果就是认证失败。清理掉旧的凭据缓存，确保走的是ANTHROPIC_API_KEY这条路径。具体位置在用户目录下的.claude配置里，把旧的认证文件移除后重新用 Key 登录。

排查顺序建议固定：先claude -p "回复 OK"确认通道，再跑单代理确认子代理文件被识别，最后跑完整工作流。任何一步失败就停在那一步查，别跳。通道问题解决后，如果还想验证不同模型在验证器角色上的打分差异，可以去 https://taotoken.net/api 的模型对话页面试几条，对比输出稳定性。

6. 把循环用起来：从单次修复到长期编码

跑通一次闭环之后，你会发现这套东西的价值不在「修一个 bug」，而在「把验证标准固化下来」。验证器里的评分标准一旦写好，每次代码变更都会自动过一遍同样的门控，标准统一，不依赖当天状态。这对个人开发者尤其有用——你不需要一个同事来 review，门控就是那个不会累的 reviewer。

如果你打算长期用这套流程做编码和 Agent 任务，建议把 Key 和额度规划一下。TaoToken 的 Coding Plan 适合这种持续调用的场景，比按次零散调用更可控，具体可以在 https://taotoken.net/api 的 coding-plan 页面看。接入文档在 https://taotoken.net/api 的 doc 页面，里面有各工具的 Base URL 和配置示例，配 Cline 或 Codex 的时候对着抄就行。

最后留一个实用技巧：验证器的评分标准不要一次写太严。我一开始把门控设成 95 分且要求覆盖所有边界，结果循环跑了五轮还在打回，因为有些边界条件在当前需求下根本不需要。后来我把标准拆成「必须满足」和「加分项」两类，必须满足的不过就打回，加分项只影响分数不影响 decision，循环效率立刻上来了。门控的目的是让代码达标，不是让 AI 无限自我折磨。