企业官网建设流程全解析

1. 从提示词堆砌到技能包：Agent Skill 到底解决什么问题

如果你正在做 LLM 应用落地，大概率经历过这样的场景：想让智能体处理一份 PDF 合同，提示词里得写清楚「先用 PyPDF2 提取文本，乱码就换 pdfplumber，再不行转图片走 OCR」；想让它按公司规范生成合同，ReAct 模式下每次调用工具的顺序都不一样，同一需求走出三条路径；想固定业务流程，Workflow 又把执行路径焊死在平台里，终端用户只能「用」不能「改」。

这些困境指向同一个问题：提示词工程解决「激发」，ReAct 解决「连接」，Workflow 解决「编排」，但三者都没能同时满足「专业化、标准化、可复用」。Agent Skill 就是在这个缝隙里长出来的能力模块——它把提示词、工具调用、执行步骤封装成一个文件夹，按需加载，随插随用。

Agent Skill 是 Anthropic 提出的一种轻量级能力封装方式，物理载体是一个文件夹，文件夹名就是 Skill 名。核心文件是SKILL.md，用 Markdown 写，顶部是 YAML 格式的元数据（至少包含 name 和 description），下面是执行指令。可选目录有三个：scripts/放可执行脚本，references/放参考资料，assets/放模板和静态资源。

它的工作方式叫「渐进式披露」，分三层加载。L1 是元数据，智能体初始化时只读每个 Skill 的名称和描述，占用上下文极小，但「知道」自己有哪些技能。L2 是执行指令，当 LLM 判断用户输入和某个 Skill 描述匹配后，才把SKILL.md的完整指令读进上下文。L3 是动态内容，执行过程中脚本运行结果、按需引用的参考文件才被加载。没被选中的 Skill，指令内容根本不进上下文。

这套机制的价值在于：你不再需要把领域知识全塞进系统提示词，也不用担心 ReAct 路径飘忽。Skill 里的工具调用链是预先定义的，执行步骤是固定的，但 Skill 本身由终端用户自己编排，可以随时插拔。一句话概括：平台提供执行引擎，用户提供执行剧本。

我试过把一个「合同生成」流程从提示词迁移到 Skill，最直观的变化是上下文占用从 3000+ token 降到 200 左右，而且工具调用顺序稳定了。下面就从零搭一个最小闭环，用 TaoToken 统一 Key 把模型通道接上。

2. TaoToken 前置准备：统一 Key 与 API 通道怎么配

在写 Skill 之前，先把模型通道打通。Agent Skill 本身不绑定模型供应商，它只负责「编排」，真正推理还得靠 LLM。TaoToken 在这里的角色是统一 Key 和 API 通道——你用一个 Key 就能访问多个模型，Skill 里的脚本和智能体框架都走同一个 Base URL，省去多供应商切换的麻烦。

先注册并拿到 Key。打开官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，完成账号注册后进入控制台。控制台地址是 https://taotoken.net/console?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，在「API Keys」页面创建一个新 Key。建议按项目命名，比如agent-skill-demo，方便后续排查。

创建完 Key 后，API 端点固定为 https://taotoken.net/api ，注意这个地址不加 UTM 参数，直接作为 Base URL 使用。模型 ID 可以在「模型对话」页面查看，也可以直接调/v1/models接口拉列表。常用的模型 ID 比如claude-sonnet-4-20250514、gpt-4o等，具体以控制台显示为准。

环境变量建议这样设置，避免把 Key 硬编码进脚本：

export TAOTOKEN_API_KEY="sk-你的Key" export TAOTOKEN_BASE_URL="https://taotoken.net/api" export TAOTOKEN_MODEL="claude-sonnet-4-20250514"

如果你用的是 Claude Code 或 Cline 这类工具，配置方式略有不同。Claude Code 需要在~/.claude/settings.json里写env字段，Cline 则在 MCP 配置里填 Base URL 和 Key。不管哪种方式，三件套都是：Base URL 填https://taotoken.net/api，Key 填你创建的那串，Model ID 填控制台里选的模型。

这里有个容易踩的坑：Base URL 末尾不要加/v1，TaoToken 的路径已经内置了版本段。如果你填成https://taotoken.net/api/v1，请求会 404。另外 Key 不要提交到 Git，用.env文件加.gitignore隔离。

配置完成后，先用一条 curl 验证通道是否通：

curl -s https://taotoken.net/api/v1/chat/completions \ -H "Authorization: Bearer $TAOTOKEN_API_KEY" \ -H "Content-Type: application/json" \ -d '{ "model": "'"$TAOTOKEN_MODEL"'", "messages": [{"role": "user", "content": "回复 OK"}], "max_tokens": 10 }'

返回里能看到choices[0].message.content就说明通道没问题。这一步过了，再往下写 Skill 才有意义。

3. 可复制配置：SKILL.md 与 settings 片段

现在写一个最小可运行的 Skill。目标场景：用户输入一段需求，Skill 负责判断是销售合同还是服务协议，收集字段，调用脚本生成文档。目录结构如下：

contract-generator/ ├── SKILL.md ├── scripts/ │ └── generate_contract.py ├── references/ │ └── field_mapping.csv └── assets/ └── templates/ ├── sales_contract_template.docx └── service_agreement_template.docx

SKILL.md的完整内容，可以直接复制：

--- name: contract-generator description: 专业合同生成器。当用户需要生成销售合同或服务协议时使用此技能。 --- # 合同生成器 ## 概述 自动化生成销售合同或服务协议文档，支持模板填充和 PDF 导出。 ## 可用模板 - `sales_contract_template.docx` - 销售合同模板 - `service_agreement_template.docx` - 服务协议模板 ## 工作流程 ### 1. 选择模板 - 涉及产品销售 → `sales_contract_template.docx` - 涉及服务提供 → `service_agreement_template.docx` ### 2. 收集信息 参考 `references/field_mapping.csv` 获取必填字段，向用户收集： - 合同双方信息 - 合同金额 - 服务/产品详情 - 签署日期 ### 3. 生成合同 运行生成脚本： ```bash python scripts/generate_contract.py --template <模板> --data <用户数据> --output <输出路径>

4. 导出 PDF

bash scripts/export_to_pdf.sh <输入文件> <输出文件>

参考文件

注意事项

生成的合同建议由法务审核后再正式使用。

`scripts/generate_contract.py` 的最小实现，用 TaoToken 做字段抽取： ```python import os import json import argparse import requests TAOTOKEN_BASE_URL = os.getenv("TAOTOKEN_BASE_URL", "https://taotoken.net/api") TAOTOKEN_API_KEY = os.getenv("TAOTOKEN_API_KEY") TAOTOKEN_MODEL = os.getenv("TAOTOKEN_MODEL", "claude-sonnet-4-20250514") def extract_fields(raw_text: str) -> dict: resp = requests.post( f"{TAOTOKEN_BASE_URL}/v1/chat/completions", headers={ "Authorization": f"Bearer {TAOTOKEN_API_KEY}", "Content-Type": "application/json", }, json={ "model": TAOTOKEN_MODEL, "messages": [ {"role": "system", "content": "从用户输入中抽取合同字段，输出 JSON。"}, {"role": "user", "content": raw_text}, ], "response_format": {"type": "json_object"}, }, timeout=60, ) resp.raise_for_status() return json.loads(resp.json()["choices"][0]["message"]["content"]) if __name__ == "__main__": parser = argparse.ArgumentParser() parser.add_argument("--template", required=True) parser.add_argument("--data", required=True) parser.add_argument("--output", required=True) args = parser.parse_args() fields = extract_fields(args.data) print(f"模板: {args.template}") print(f"抽取字段: {json.dumps(fields, ensure_ascii=False)}") print(f"输出路径: {args.output}")

如果你用 Claude Code 加载这个 Skill，~/.claude/settings.json里需要这样写：

{ "env": { "TAOTOKEN_API_KEY": "sk-你的Key", "TAOTOKEN_BASE_URL": "https://taotoken.net/api", "TAOTOKEN_MODEL": "claude-sonnet-4-20250514" }, "skills": { "directory": "./skills" } }

Cline 的 MCP 配置则在cline_mcp_settings.json里：

{ "mcpServers": { "taotoken": { "command": "npx", "args": ["-y", "@taotoken/mcp-server"], "env": { "TAOTOKEN_API_KEY": "sk-你的Key", "TAOTOKEN_BASE_URL": "https://taotoken.net/api", "TAOTOKEN_MODEL": "claude-sonnet-4-20250514" } } } }

三件套对齐：Base URL 都是https://taotoken.net/api，Key 都是控制台创建的那串，Model ID 都是控制台选的模型。配置片段里的路径和原文一致，直接复制改 Key 就能用。

4. 端到端验证：一次请求跑通 Skill 调用链

配置写完后，跑一次完整验证。先确认环境变量已加载：

source .env echo $TAOTOKEN_BASE_URL echo $TAOTOKEN_MODEL

然后模拟智能体加载 Skill 的过程。第一步是「发现」阶段，智能体只读元数据。你可以用一条请求模拟 LLM 判断是否匹配：

curl -s https://taotoken.net/api/v1/chat/completions \ -H "Authorization: Bearer $TAOTOKEN_API_KEY" \ -H "Content-Type: application/json" \ -d '{ "model": "'"$TAOTOKEN_MODEL"'", "messages": [ {"role": "system", "content": "可用技能：contract-generator - 专业合同生成器。当用户需要生成销售合同或服务协议时使用此技能。"}, {"role": "user", "content": "帮我生成一份销售合同"} ], "max_tokens": 100 }'

如果返回里出现contract-generator或类似调用意图，说明 L1 发现阶段正常。接着进入「激活」阶段，把完整SKILL.md指令加载进上下文，再发一次请求：

curl -s https://taotoken.net/api/v1/chat/completions \ -H "Authorization: Bearer $TAOTOKEN_API_KEY" \ -H "Content-Type: application/json" \ -d '{ "model": "'"$TAOTOKEN_MODEL"'", "messages": [ {"role": "system", "content": "'"$(cat contract-generator/SKILL.md)"'"}, {"role": "user", "content": "帮我生成一份销售合同，甲方是A公司，乙方是B公司，金额10万元，签署日期2025-06-01"} ], "max_tokens": 500 }'

预期结果是 LLM 输出结构化操作请求，比如选择sales_contract_template.docx，列出需要收集的字段，并给出运行generate_contract.py的命令。这就是「执行」阶段的起点。

最后跑脚本本身：

python contract-generator/scripts/generate_contract.py \ --template sales_contract_template.docx \ --data "甲方A公司，乙方B公司，金额10万元，签署日期2025-06-01" \ --output ./output/contract.docx

成功的话终端会打印抽取的字段 JSON 和输出路径。如果output/contract.docx生成，整条链路就通了：TaoToken 提供模型推理，Skill 提供编排逻辑，脚本负责落地执行。

验证时注意看返回的usage字段，L1 阶段 token 消耗应该很小（几十到一百），L2 阶段会明显上升（因为加载了完整指令），L3 阶段取决于脚本返回内容。这个 token 曲线就是渐进式披露的直接证据。

5. 常见报错排查：401、local proxy failed 与 choices 读取失败

接入过程中最容易撞上的几类报错，逐个拆解。

401 Unauthorized。返回体通常是{"error": {"message": "Invalid API key"}}。先检查环境变量有没有真正加载，echo $TAOTOKEN_API_KEY看是否为空。如果 Key 是从控制台复制的，注意有没有带多余空格或换行。还有一种情况是 Key 被禁用或额度耗尽，去控制台「API Keys」页面确认状态。修复方式：重新创建 Key，更新.env，重启终端或重新source。

local proxy failed / connection refused。这个报错一般出现在本地智能体框架里，比如 Cline 或 Claude Code 启动时。原因通常是 Base URL 填错，或者本地网络无法直连。先确认TAOTOKEN_BASE_URL是https://taotoken.net/api，没有多余路径。如果框架里有「代理」相关配置项，清空它，不要填任何本地代理地址。TaoToken 的通道是直连的，不需要额外代理层。修复后重启框架进程。

reading choices 失败 / KeyError: 'choices'。脚本里resp.json()["choices"]报 KeyError，说明返回体结构不对。先打印原始返回：print(resp.text)。常见原因是请求体里model字段为空，或者messages格式不对。还有一种情况是response_format设了json_object但模型不支持，返回了错误信息。修复方式：确认TAOTOKEN_MODEL有值，messages是列表且每项有role和content，去掉不支持的参数再试。

OAuth 相关报错。如果你用 Claude Code 且看到 OAuth 字样，说明它还在走默认的 Anthropic 认证流程。需要在settings.json的env里显式覆盖ANTHROPIC_BASE_URL和ANTHROPIC_API_KEY，指向 TaoToken 的地址和 Key。有些版本还需要设ANTHROPIC_AUTH_TOKEN。改完重启 Claude Code，再跑一次验证请求。

Skill 未被触发。用户输入后 LLM 没有选择 Skill，先检查SKILL.md的description是否足够具体。描述太泛（比如「处理文档」）会导致匹配失败。改成「当用户需要生成销售合同或服务协议时使用此技能」这种带触发条件的描述。另外确认元数据 YAML 格式正确，---分隔符不能少，name和description不能缺。

脚本执行权限问题。bash scripts/export_to_pdf.sh报 Permission denied，先chmod +x scripts/export_to_pdf.sh。如果是 Windows 环境，用 Git Bash 或 WSL 跑，别用 CMD。

排查顺序建议：先 curl 验证通道，再验证 Skill 元数据匹配，最后验证脚本执行。每一层单独确认，别跳步。

6. 把 Skill 接进你的 LLM 应用：下一步怎么走

最小闭环跑通后，你可以把 Skill 目录挂到自己的智能体框架里。如果是自研 Agent，在初始化阶段扫描skills/目录，读每个SKILL.md的 frontmatter 拼成元数据列表，塞进系统提示词。用户输入后，先让 LLM 做一次「技能选择」，命中后再加载完整指令。执行阶段解析 LLM 输出的结构化请求，调用对应脚本或工具，把结果回填上下文。

TaoToken 在这里的价值是统一通道。你的 Skill 脚本、智能体框架、验证请求都走同一个 Base URL 和 Key，换模型只改TAOTOKEN_MODEL一个变量。模型对话页面可以快速试不同模型对同一 Skill 的匹配效果，接入文档里有完整的参数说明和示例。如果你要长期跑编码类 Agent，Coding Plan 提供了更稳定的配额和通道。

下一步可以做的：把references/里的条款库换成你自己的业务文档，把scripts/里的生成逻辑换成真实模板引擎，把assets/里的模板换成公司实际合同。Skill 的目录结构不变，只换内容，智能体的加载逻辑完全不用改。这就是「平台提供执行引擎，用户提供执行剧本」的实际含义。

最后留一个实用技巧：给每个 Skill 写一个test_input.txt，放一条典型用户输入，配合 curl 做回归测试。每次改完SKILL.md跑一遍，确认元数据匹配和指令加载都正常。这个习惯能帮你省下大量调试时间。