企业官网建设流程全解析

1. 从 MONAI 心脏重建训练脚本注释切入：为什么把代码助手切到 TaoToken

最近在整理 NVIDIA MONAI 儿童心脏 CT/MRI/超声 3D 重建训练脚本注释，我把代码助手供应商切到 TaoToken：先到 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_content= 拿 Key，再把 Base URL 设为 https://taotoken.net/api。这个场景和普通 CRUD 项目不一样，训练脚本里经常出现多模态数据 affine、spacing、orientation、label 对齐、CUDA OOM、Sliding Window Inference 结果偏移等问题。代码助手如果只听“模型训练”四个字，给出的回答往往很泛；把供应商、Base URL、模型名和日志上下文固定下来后，排障过程才可复现。

公开案例里，儿童心脏建模平台会基于 NVIDIA MONAI 把 CT、MRI、超声转成 3D 模型，帮助医生在术前研究解剖结构、评估器械适配，最终仍由心脏科或放射科医生审核签署。对模型训练工程师来说，真正要落地的是：训练脚本怎么写注释、数据变换怎么配、代码助手怎么接、日志怎么对照。本文不讨论新闻评论，只给可跟做的接入、配置、排障和复现步骤。

本文产出四类可复现材料：

1. TaoToken 取 Key 与 Base URL 固定方式；
2. 一个贴近 MONAI 心脏 3D 重建的训练脚本注释骨架；
3. Claude Code 的 settings.json / ANTHROPIC_* 配置，以及 Codex 的 config.toml 配置；
4. CC Switch 三件套与日志输出对照表，方便从 401、404、超时定位到具体配置项。

如果你也在做医学影像分割、重建或术前规划模型，建议先把工具链接口统一，再谈训练效率。否则每次报错都要怀疑“是数据问题、模型问题，还是代码助手供应商问题”。

2. 到 TaoToken 官网拿 Key，并把 Base URL 固定为 https://taotoken.net/api

第一步不是改训练脚本，而是把外部模型服务配置独立出来。进入 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_content= 后，在控制台里创建 API Key。Key 只用于本地或受控服务器环境，不要写进 Git 仓库，也不要写进 notebook 输出。工具配置里的 Base URL 统一使用：

https://taotoken.net/api

注意：Base URL 是给 Claude Code、Codex、CC Switch 或其他客户端使用的，不要在后面拼 UTM 参数。UTM 只用于官网访问和活动归因，不参与接口请求。

建议先在 shell 中建立两个变量，后续所有客户端都引用它们：

export TAOTOKEN_BASE_URL="https://taotoken.net/api" export TAOTOKEN_API_KEY="YOUR_API_KEY"

如果你使用 Claude Code，则还需要 ANTHROPIC_* 变量；如果使用 Codex，则读取 config.toml 和对应环境变量。两者不要混用变量名。最小连通性检查可以先用 curl 看域名是否可达：

curl -sS -o /dev/null -w "%{http_code}\n" "$TAOTOKEN_BASE_URL"

返回 200、401、403、404 都可能说明网络通，但鉴权或路径需要继续排。不要因为一个非 200 就判定 Base URL 错误。更稳的方式是：先确认官网能打开，再确认 Key 已复制完整，再确认客户端的供应商配置指向 TaoToken。

创建 Key 后建议做三件事：

• 立即在密码管理器或本地 .env 中保存，不要只留在浏览器剪贴板；
• 给 Key 起可识别名称，例如monai-heart-dev、claude-code-local；
• 如果团队多人使用，按人按用途拆 Key，避免日志里无法定位是谁的请求。

训练脚本本身不应该直接读取硬编码 Key。推荐让代码助手客户端走环境变量，训练脚本只走本地数据路径和本地配置：

# .env.example，仅示例，不要提交真实 Key TAOTOKEN_BASE_URL=https://taotoken.net/api TAOTOKEN_API_KEY=YOUR_API_KEY

在训练服务器上运行 MONAI 任务时，也不需要把 Key 注入训练进程。代码助手和训练进程可以解耦：代码助手用于解释日志、补注释、生成排障清单；训练进程只负责读取 NIfTI、做变换、训练网络、保存预测结果。这样即使代码助手切换供应商，也不会影响正在跑的训练任务。

3. 训练脚本注释示例：MONAI 儿童心脏 CT/MRI/超声 3D 重建管线

下面是一个贴近儿童心脏 3D 重建的训练脚本注释骨架。它不是完整生产训练代码，但保留了模型训练工程师最常关注的字段：多模态输入、affine 对齐、spacing、方向统一、强度归一化、标签处理、缓存、滑动窗口推理和结果保存。你可以把路径换成自己的数据后做最小验证。

""" train_heart_seg.py 任务：儿童心脏 CT/MRI/超声影像的 3D 分割与重建预处理。 目标：输出可被后续表面重建或网格生成消费的标签与概率图。 注意： 1. CT 的 HU 值、MRI 的强度分布、超声的噪声模式差异很大，不能共用一套强度归一化参数。 2. 3D 重建对 spacing 和 orientation 很敏感，训练前必须打印 affine 和 axcodes。 3. 每个病例最终仍需心脏科或放射科医生审核，模型输出不能直接作为临床结论。 4. 本脚本只在本地执行，数据路径、训练命令、评估命令均由工程师在本地终端运行。 """ import os import torch from monai.data import CacheDataset, DataLoader, decollate_batch from monai.networks.nets import UNet from monai.losses import DiceCELoss from monai.metrics import DiceMetric from monai.transforms import ( Compose, LoadImaged, EnsureChannelFirstd, Spacingd, Orientd, NormalizeIntensityd, CropForegroundd, RandCropByPosNegLabeld, EnsureTyped, AsDiscreted, KeepLargestConnectedComponentd, ) # 1. 数据列表：建议 CT、MRI、超声分别维护，不要把所有模态混在一个 train_files 里。 # 每个样本至少包含 image 和 label；如果后续要做重建，可以额外记录 spacing、affine、设备来源。 train_files = [ { "image": "data/chd/ct/patient_001.nii.gz", "label": "data/chd/ct/patient_001_seg.nii.gz", "modality": "ct", }, { "image": "data/chd/mri/patient_002.nii.gz", "label": "data/chd/mri/patient_002_seg.nii.gz", "modality": "mri", }, ] # 2. 训练变换：先加载，再统一 channel first；spacing 和 orientation 按你的标注规范设置。 # CT 常用固定窗宽窗位后再归一化；MRI 常用 z-score；超声需要额外去噪或裁剪。 train_transforms = Compose( [ LoadImaged(keys=["image", "label"]), EnsureChannelFirstd(keys=["image", "label"]), Spacingd( keys=["image", "label"], pixdim=(1.0, 1.0, 1.0), mode=("bilinear", "nearest"), ), Orientd(keys=["image", "label"], axcodes="RAS"), NormalizeIntensityd(keys=["image"], nonzero=True, channel_wise=True), CropForegroundd(keys=["image", "label"], source_key="image"), RandCropByPosNegLabeld( keys=["image", "label"], label_key="label", spatial_size=(96, 96, 96), pos=2, neg=1, num_samples=2, ), EnsureTyped(keys=["image", "label"]), ] ) # 3. CacheDataset 适合小规模医学影像调试，cache_rate 从 0.1 开始，避免内存被吃满。 train_ds = CacheDataset(data=train_files, transform=train_transforms, cache_rate=0.1) train_loader = DataLoader(train_ds, batch_size=1, shuffle=True, num_workers=2) # 4. 网络与损失：3D UNet 只是基线，心脏结构复杂时还需要注意力、深监督或 nnU-Net 风格配置。 device = torch.device("cuda" if torch.cuda.is_available() else "cpu") model = UNet( spatial_dims=3, in_channels=1, out_channels=2, channels=(16, 32, 64, 128), strides=(2, 2, 2), num_res_units=2, ).to(device) loss_function = DiceCELoss(to_onehot_y=True, softmax=True) optimizer = torch.optim.AdamW(model.parameters(), lr=1e-4) dice_metric = DiceMetric(include_background=False, reduction="mean") # 5. 训练循环：每轮打印 loss 与 Dice，日志里保留 modality、spacing、shape，方便代码助手解释报错。 for epoch in range(5): model.train() epoch_loss = 0.0 for batch_data in train_loader: inputs = batch_data["image"].to(device) labels = batch_data["label"].to(device) optimizer.zero_grad() outputs = model(inputs) loss = loss_function(outputs, labels) loss.backward() optimizer.step() epoch_loss += loss.item() print(f"epoch={epoch}, train_loss={epoch_loss / len(train_loader):.4f}") # 6. 推理与后处理：滑窗推理用于大体积 CT/MRI，超声可以根据扇区做裁剪。 # 后处理只保留最大连通域，减少小碎片；最终仍要医生审核。 # post_transforms = Compose([ # AsDiscreted(keys="pred", argmax=True), # KeepLargestConnectedComponentd(keys="pred", applied_labels=[1]), # ])

这段脚本注释的重点不是“代码看起来多复杂”，而是让代码助手能读懂上下文。比如你问“为什么 Spacingd 之后 label 的 shape 和 image 不一致”，如果注释里已经写明mode=("bilinear","nearest")，模型就能围绕插值方式回答，而不是泛泛地说“检查数据”。

如果你还没创建 Key，可以从 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_content= 进入控制台创建。创建后把 Base URL 固定为https://taotoken.net/api，再配置下面的 Claude Code 或 Codex。

4. Claude Code 配置：settings.json 与 ANTHROPIC_* 的 TaoToken 写法

Claude Code 适合用来阅读训练脚本、解释 MONAI 日志、补全注释和生成排障清单。它使用 ANTHROPIC_* 系列变量，不要把这一套变量名套到 Codex 上。推荐用两层配置：全局 settings.json 放默认环境，项目目录或 shell 临时变量做覆盖。

先看 settings.json 示例。路径按你的系统和 Claude Code 版本放置，核心是 env 字段：

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

如果你更习惯 shell，可以直接导出：

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

这里的YOUR_MODEL_NAME不是随便填。你应该在 TaoToken 的模型对话或控制台里确认当前账号可用的模型名，再填入配置。Base URL 仍然只用https://taotoken.net/api，不要加/v1或 UTM 参数，除非客户端明确要求你这样做。

配置完成后，进入一个 MONAI 项目目录，启动 Claude Code，然后用具体问题验证它是否真的读到了训练脚本：

cd ~/projects/monai-heart claude

可以问一些与训练日志强相关的问题：

• “解释这段 MONAI 变换里Spacingd和Orientd的执行顺序，为什么先 spacing 再 orient？”
• “训练日志里出现RuntimeError: Expected all tensors to be on the same device，结合当前脚本指出最可能的位置。”
• “把train_heart_seg.py中关于 CT/MRI/超声差异的注释补充成工程说明，不要改代码逻辑。”
• “根据DiceCELoss(to_onehot_y=True, softmax=True)解释 label 的通道要求。”

注意：代码助手用于解释、补注释、排障和生成检查清单，不要让它在未经审核的情况下改训练逻辑。医学影像模型的可复现性来自数据版本、变换参数、随机种子和评估协议，而不是某一次对话。

常见错误：

• 401：Key 错误或未导出。重新创建 Key，确认ANTHROPIC_AUTH_TOKEN没有多余空格。
• 404：Base URL 或模型名错误。先确认ANTHROPIC_BASE_URL是https://taotoken.net/api，再确认ANTHROPIC_MODEL来自可用列表。
• 仍然走旧供应商：检查 shell 里是否存在旧的 ANTHROPIC_* 变量，settings.json 和 shell 变量可能互相覆盖。

如果你还没 Key，从 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_content= 进入后创建，再回到这里填YOUR_API_KEY。

5. Codex 配置：config.toml 切供应商，别把 ANTHROPIC_* 塞进来

Codex 使用 config.toml，不使用 ANTHROPIC_*。很多配置混乱来自把 Claude Code 的环境变量复制到 Codex，结果启动时报鉴权失败或模型不存在。下面是一个把供应商切到 TaoToken 的核心示例，字段名以你本地 Codex 版本为准，重点是 Base URL、Key 环境变量和模型名。

model = "YOUR_MODEL_NAME" model_provider = "taotoken" [model_providers.taotoken] name = "TaoToken" base_url = "https://taotoken.net/api" env_key = "TAOTOKEN_API_KEY" wire_api = "chat"

然后在 shell 中只导出 Codex 需要的 Key：

export TAOTOKEN_API_KEY="YOUR_API_KEY"

不要写成：

# 错误示例：Codex 不要套 Claude Code 的 ANTHROPIC_* 变量 export ANTHROPIC_AUTH_TOKEN="YOUR_API_KEY"

如果你的 Codex 版本支持wire_api = "responses"或其它取值，按本地版本要求调整。但 Base URL 的供应商地址仍应使用：

https://taotoken.net/api

Codex 适合处理什么？在 MONAI 心脏重建项目里，它可以辅助阅读 Python 训练脚本、整理错误栈、把日志翻译成排查步骤。比如训练时出现：

torch.cuda.OutOfMemoryError: CUDA out of memory. Tried to allocate 2.00 GiB

你可以把 batch size、patch size、模型 channels、GPU 显存和完整错误栈贴给代码助手，让它按可能性排序：先降RandCropByPosNegLabeld的spatial_size，再降CacheDataset的cache_rate，再考虑梯度累积或混合精度。最终是否修改，仍由工程师本地验证。

Codex 的日志排障顺序建议固定为：

1. 确认 Codex 进程能读到TAOTOKEN_API_KEY；
2. 确认 config.toml 中base_url没有带 UTM；
3. 确认model_provider指向taotoken；
4. 确认模型名可用；
5. 再用一个最小问题验证返回。

最小验证问题可以很具体：“用三句话解释 MONAI 的CacheDataset和Dataset在医学影像训练中的区别。”如果回答正常，说明供应商配置已经通了。如果 401，先查 Key；如果 404，先查模型名和 Base URL；如果一直超时，先查本地网络和代理环境变量，但不要把代理配置写进项目仓库。

6. CC Switch 三件套：Base URL、Key、模型名怎么统一

如果你同时用 Claude Code、Codex 或多个供应商，CC Switch 这类工具的价值是减少手工改配置。无论界面怎么变，核心都是三件套：

在 CC Switch 里建议这样操作：

• 新建一个供应商配置，名称写TaoToken；
• Base URL 填https://taotoken.net/api；
• Key 填YOUR_API_KEY；
• 默认模型填你在控制台确认的模型名；
• 保存后先切换到一个测试终端，运行claude或codex；
• 如果仍走旧供应商，检查 shell 里是否残留旧的环境变量，以及 settings.json 是否覆盖了 CC Switch。

下面是一组常见日志输出对照，方便你快速定位：

现象：401 Unauthorized 日志片段：invalid api key / authentication failed 优先检查：Key 是否复制完整；ANTHROPIC_AUTH_TOKEN 或 TAOTOKEN_API_KEY 是否导出；是否误用了旧 Key 处理动作：到 TaoToken 控制台重新创建 Key，替换 YOUR_API_KEY 后重启终端 现象：404 Not Found 日志片段：model not found / path not found 优先检查：Base URL 是否为 https://taotoken.net/api；模型名是否拼错；客户端是否自动拼接了额外路径 处理动作：先用模型对话确认模型名，再回填配置 现象：403 Forbidden 日志片段：permission denied / plan required 优先检查：当前 Key 权限、套餐或模型访问范围 处理动作：查看 Coding Plan 或控制台权限说明，必要时换 Key 现象：请求超时 日志片段：timeout / connect ETIMEDOUT 优先检查：本地网络、Base URL、代理变量 处理动作：本地 curl 检查域名连通性，不要在训练脚本里写死代理 现象：正常返回 日志片段：HTTP 200，返回 JSON 或流式文本 处理动作：记录模型名、Base URL、客户端版本，作为可复现配置

训练日志和代码助手日志要分开看。MONAI 训练日志里的 shape、affine、loss、Dice 是模型问题；代码助手返回的 401、404、超时是接入问题。两者混在一起排查，效率会很低。

7. 多模态数据排障与复现清单：CT/MRI/超声到 3D 模型

儿童心脏 CT、MRI、超声的 3D 重建，训练工程师最容易被三件事卡住：affine 不一致、spacing 不一致、标签方向不一致。建议在每个病例进入训练前做一次本地检查：

import nibabel as nib path = "data/chd/ct/patient_001.nii.gz" img = nib.load(path) print("shape:", img.shape) print("affine:\n", img.affine) print("axcodes:", nib.aff2axcodes(img.affine)) print("zooms:", img.header.get_zooms())

如果axcodes不是预期方向，或者zooms差异很大，直接训练会让 3D 模型学到错误空间关系。MONAI 的Spacingd和Orientd可以统一，但参数必须和标注规范一致。对于超声，还要注意扇区、探头方向、帧间相关性和噪声，不能简单套用 CT 的 HU 窗宽窗位。

复现清单建议至少包含：

• 数据版本：每个病例来自哪个批次、哪种模态、是否做过匿名化；
• 变换版本：spacing、orientation、强度归一化、裁剪参数；
• 标签版本：谁标注、谁审核、是否有修正记录；
• 训练配置：随机种子、batch size、patch size、学习率、损失函数；
• 推理配置：滑窗大小、重叠率、后处理规则；
• 评估配置：Dice、HD95、体积误差、表面距离，以及医生审核记录。

当训练日志出现下面这类信息时，可以把日志和脚本注释一起交给代码助手解释：

monai.transforms.spatial.dictionary Spacingd: input shape (1, 512, 512, 220), output shape (1, 320, 320, 180) monai.transforms.spatial.dictionary Orientd: input axcodes ('L', 'A', 'S'), output axcodes ('R', 'A', 'S')

你可以问：“解释 shape 变化是否会影响 label 的类别边界，为什么 nearest 插值更适合分割标签。”这类问题能直接服务于训练脚本注释，而不是停留在泛泛的 API 介绍。

如果你还没有 Key，可以从 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_content= 进入控制台创建。创建后按本文顺序配 Claude Code 或 Codex，再用日志对照表逐项排障。

8. CTA：模型对话 → Coding Plan → 创建 Key → Claude Code 文档

到这里，训练脚本注释、多模态数据检查、Claude Code 配置、Codex 配置和 CC Switch 三件套已经串起来了。建议按下面路径走一遍，不要跳步：

1. 先在模型对话里确认你要用的模型名和基础返回是否正常：
   https://taotoken.net/models/detail/chat?utm_source=taotoken_aicg_blog_end&utm_content=

2. 如果准备把代码助手长期接入 MONAI 训练工作流，再看 Coding Plan 是否匹配你的使用强度：
   https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=

3. 然后到控制台创建自己的 API Key，替换本文所有YOUR_API_KEY：
   https://taotoken.net/console/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=

4. Claude Code 用户最后对照官方文档检查 settings.json 和 ANTHROPIC_* 配置：
   https://taotoken.net/doc/ClaudeCodeAnthropic?utm_source=taotoken_aicg_blog_end&utm_content=

官网入口仍然是：
https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_content=

配置时记住两条硬规则：Claude Code 用 ANTHROPIC_* 和 settings.json；Codex 用 config.toml，不要把 ANTHROPIC_* 套到 Codex。Base URL 统一为https://taotoken.net/api，Key 使用YOUR_API_KEY占位。先在本地终端验证连通性，再把代码助手接入你的 NVIDIA MONAI 儿童心脏 CT/MRI/超声 3D 重建训练脚本注释工作流。最终模型输出仍要经过心脏科或放射科医生审核签署，工程配置只负责让训练和排障过程更可复现。