企业官网建设流程全解析

🚀 告别海外账号与网络限制！稳定直连全球优质大模型，限时半价接入中。 👉 点击领取海量免费额度

1. 为什么拿 Continue 做这次 Python CLI 重构评测

Continue 是 VS Code 和 JetBrains 里都能装的 AI 编程插件，它的定位不是「一键生成整个项目」，而是把补全、对话、编辑、Agent 几种模式拆开，让开发者按需调用。这次我选它做评测，原因很直接：它支持自定义 OpenAI 兼容供应商，能填 Base URL 和模型 ID，这意味着可以用 TaoToken 作为默认供应商，把 Qwen3.7 Flash 接进来，然后在一个真实的重构任务上记录完成轮次、人工介入次数和 Token 消耗。

任务本身不复杂，但足够暴露工具的真实能力边界：把一个 Python CLI 的 argparse 解析从「一个文件里堆十几个 add_argument」重构成子命令结构，同时保留原有测试全部通过。这个任务有几个特点——它需要理解现有代码结构、需要做跨文件的编辑、需要保证重构后行为不变、还需要跑测试验证。Continue 的 Agent 模式和 Edit 模式在这种任务上表现差异很大，正好可以对比。

评测环境如下：VS Code 1.96，Continue 扩展版本以插件市场当前版本为准，Python 3.12，pytest 8.x。模型用 Qwen3.7 Flash，模型 ID 以 TaoToken 模型广场 展示为准。API Key 在同一个页面创建，Base URL 填https://taotoken.net/api。整篇文章不含任何公榜排行分数，所有数字都来自我这一次本地运行的记录，一次运行不代表公榜。

1.1 被重构的 CLI 长什么样

原始代码是一个单文件cli.py，大约 180 行，用 argparse 定义了这些参数：

# 重构前：cli.py 片段 parser = argparse.ArgumentParser(description="Task runner") parser.add_argument("--list", action="store_true", help="列出所有任务") parser.add_argument("--add", type=str, help="添加任务") parser.add_argument("--done", type=int, help="标记任务完成") parser.add_argument("--remove", type=int, help="删除任务") parser.add_argument("--priority", type=str, choices=["low", "mid", "high"]) parser.add_argument("--tag", type=str, action="append") parser.add_argument("--json", action="store_true", help="JSON 输出")

测试文件test_cli.py有 12 个用例，覆盖了 list、add、done、remove、priority、tag、json 输出这些路径。重构目标是把上面这种扁平参数改成子命令：

python cli.py list --json python cli.py add "写周报" --priority high --tag work python cli.py done 3 python cli.py remove 5

要求是：原有 12 个测试全部通过，不能改测试断言，只能改被测代码和必要的测试导入路径。

1.2 为什么用 TaoToken 做默认供应商

Continue 默认走 OpenAI 或 Anthropic 的官方端点，但模型选择受限于它内置的 provider 列表。要接 Qwen3.7 Flash，最干净的方式是走 OpenAI 兼容通道。TaoToken 在这里的角色是统一 API 基线：一把 Key、一个 Base URL，模型 ID 从广场选。Continue 的 config 里把 provider 设为openai，apiBase 填https://taotoken.net/api，apiKey 填YOUR_API_KEY，model 填广场上的 Qwen3.7 Flash ID。

这样配的好处是，后面如果想把模型换成别的 Flash 系列，只改 model 字段，Base URL 和 Key 不动。评测的可复现性也来自这里——读者拿同一把 Key、同一个 Base URL、同一个模型 ID，就能跑同一套任务。

2. Continue 接入 TaoToken 的完整配置

Continue 的配置文件在 VS Code 里是~/.continue/config.json（新版可能拆成config.yaml，以插件当前文档为准）。下面这份配置可以直接复制，把YOUR_API_KEY换成你在 TaoToken 控制台 创建的 Key。

{ "models": [ { "title": "Qwen3.7 Flash via TaoToken", "provider": "openai", "model": "以模型广场为准", "apiKey": "YOUR_API_KEY", "apiBase": "https://taotoken.net/api" } ], "tabAutocompleteModel": { "title": "Qwen3.7 Flash Autocomplete", "provider": "openai", "model": "以模型广场为准", "apiKey": "YOUR_API_KEY", "apiBase": "https://taotoken.net/api" }, "allowAnonymousTelemetry": false }

几个容易踩的点：

第一，apiBase末尾不要加/v1。Continue 的 openai provider 会自己拼/v1/chat/completions，如果你填了https://taotoken.net/api/v1，实际请求会变成/api/v1/v1/chat/completions，直接 404。这一点和很多其他工具不一样，配的时候注意。

第二，model字段必须和模型广场上的 ID 完全一致，大小写、连字符都不能差。填错的表现是 400 或 404，Continue 的报错面板里会显示model not found。

第三，如果你同时用 tab 补全和对话，建议把tabAutocompleteModel单独配一份，补全用同一个 Flash 模型即可。补全请求频率高，Token 消耗要单独看。

第四，Continue 的 Agent 模式需要模型支持 function calling。Qwen3.7 Flash 在 TaoToken 通道上是支持的，但如果你在 Continue 里发现 Agent 模式不触发工具调用，先检查 config 里有没有开"contextProviders"或"systemMessage"覆盖了默认行为。

配好之后重启 VS Code，在 Continue 侧边栏的模型下拉里应该能看到「Qwen3.7 Flash via TaoToken」。选中它，发一条ping，能正常回复就说明通道通了。

2.1 验证通道是否真的走 TaoToken

一个简单的验证方法：在 Continue 对话框里问「你是什么模型」，Flash 的回答不一定准确，所以更可靠的方式是看 TaoToken 控制台的用量页面。发一条消息后刷新 控制台用量，如果看到对应时间点的调用记录和 Token 数，说明请求确实走了 TaoToken 通道。

这一步很重要，因为 Continue 的配置如果 provider 写错，它可能静默 fallback 到别的模型。用量页面是唯一可靠的确认方式。

2.2 重构任务清单

在开始之前，我把任务拆成 6 个可检查的步骤，每步都记录 Continue 的完成轮次和人工介入：

这个清单的作用是让「完成轮次」和「人工介入次数」有明确的计数点。每完成一步算一轮，每次我手动改代码或手动跑命令算一次介入。

3. 实测过程：Qwen3.7 Flash 在 Continue 里的表现

3.1 第一步到第三步：理解与改写

第一步我直接把两个文件的内容贴进 Continue 对话框，让它输出参数结构。Flash 用了大约 8 秒返回，列出了 7 个参数，但把--tag的action="append"漏了，只写了type=str。这是一次人工介入：我手动补了一句「--tag 是 append 行为，可以多次传入」。

第二步设计子命令映射，Flash 给出的方案基本合理：list 保留--json，add 接收位置参数title加--priority和--tag，done 和 remove 接收位置参数id。这里没有介入。

第三步改写 cli.py，这是消耗最大的一步。Flash 在 Agent 模式下尝试直接编辑文件，但第一次编辑只改了 parser 定义部分，没有改后面的args.list判断逻辑，导致代码引用了不存在的属性。我手动指出「args.list 现在应该是 args.command == 'list'」，Flash 在第二轮修正了。这一步用了 2 轮，1 次介入。

3.2 第四步到第五步：测试与修复

第四步调整测试导入路径。原测试是from cli import main，重构后 main 函数签名没变，所以理论上不用改。但 Flash 主动建议把测试里的main(["--list"])改成main(["list"])，这是对的，因为子命令结构下参数列表变了。这一步 Flash 一次做对，0 次介入。

第五步跑 pytest。第一次跑挂了 3 个用例，都是--json相关的。原因是 Flash 在改写时把--json只加到了 list 子命令，但原测试里 add 也支持--json。我手动把--json加到 add 子命令，再跑，12 passed。这一步 2 轮，1 次介入。

3.3 第六步：边界检查

最后检查--tag的 append 行为和--json的输出格式。Flash 在这里表现不错，主动指出--tag在子命令里应该用action="append"并且default=[]，避免 None 导致的迭代错误。这一步 1 轮，0 次介入。

3.4 实测记录表

下面是这次运行的完整记录。所有数字来自我这一次本地运行，环境是同一把 Key、同一个 Prompt、2025 年 1 月某次运行，一次运行不代表公榜。

Token 数是估算，因为 Continue 的用量面板显示的是请求次数，精确 Token 数要看 TaoToken 控制台的用量记录。建议读者在复现时直接以控制台数字为准，把上表的「估」换成实际值。

3.5 这次评测暴露的三个问题

第一个问题是 Agent 模式的编辑范围控制。Flash 在第三步只改了 parser 定义，没改下游的args.xxx引用，说明它在做跨段落编辑时容易「改一半」。这不是模型能力问题，而是 Continue 的 Agent 模式在文件编辑时给的上下文窗口有限，模型看不到完整文件的下游依赖。解决办法是在 Prompt 里明确说「改完后检查所有 args. 引用」。

第二个问题是测试路径的隐式依赖。原测试用main(["--list"])这种列表传参，重构后必须改成main(["list"])。Flash 主动发现了这一点，但如果测试文件更大，这种隐式依赖容易漏。建议在任务清单里单独列一步「检查所有测试的调用方式」。

第三个问题是--json的作用域。原代码里--json是全局参数，重构后 Flash 把它只放到了 list 子命令。这其实是一个设计决策——子命令结构下，全局参数和子命令参数的边界需要明确。我在介入时选择了「每个子命令各自支持 --json」，但也可以做成全局参数。这个决策点值得在评测时记录，因为它影响后续的测试改动量。

4. 可复现的 Token 消耗记录模板

上面那张表是这次运行的结果，但读者复现时数字会不同。下面给一个空白模板，按这个格式记录，方便横向对比不同模型或不同工具。

## 复现记录 - 日期： - 工具：Continue（版本：） - 模型：Qwen3.7 Flash（模型 ID：） - Base URL：https://taotoken.net/api - 任务：argparse 重构为子命令 | 步骤 | 完成轮次 | 人工介入 | 输入 Token | 输出 Token | 完成 | |------|----------|----------|------------|------------|------| | 1 读取结构 | | | | | | | 2 设计映射 | | | | | | | 3 改写主文件 | | | | | | | 4 调整测试 | | | | | | | 5 跑测试修复 | | | | | | | 6 边界检查 | | | | | | | 合计 | | | | | | - 最终测试结果：__ passed - 备注：

Token 数从 TaoToken 控制台 的用量页面读取，按请求时间对应到步骤。如果一次对话跨多个步骤，按消息条数分摊。

这个模板的价值在于：它把「完成轮次」「人工介入」「Token 消耗」三个字段固定下来，换模型或换工具时只改表头，数字直接对比。比如你想对比 Qwen3.7 Flash 和另一个 Flash 模型在同一个任务上的表现，用同一份模板跑两遍，差异一目了然。

4.1 怎么读这三个字段

完成轮次反映的是模型一次做对的概率。轮次越少，说明模型对任务的理解越完整。但轮次少不一定代表好——如果模型一次改太多导致测试挂掉，轮次少反而意味着返工成本高。

人工介入次数反映的是模型输出与预期之间的偏差。介入多说明 Prompt 需要更明确，或者模型对这类任务不熟。介入少但轮次多，说明模型在自我修正，这也是可接受的。

Token 消耗反映的是成本。输入 Token 高说明上下文长，输出 Token 高说明模型在生成大量代码。重构任务里输出 Token 通常比输入高，因为要写新代码。

三个字段要一起看。比如这次运行 9 轮 3 介入，Token 合计约 11600，属于中等水平。如果换个模型跑出 6 轮 1 介入但 Token 翻倍，那就要权衡时间成本和费用。

4.2 复现时的注意事项

第一，Prompt 要固定。我这次用的 Prompt 是分步发的，每步一条消息。如果你一次性把整个任务贴进去，轮次和 Token 会完全不同。建议按任务清单分步发，这样记录才有可比性。

第二，测试文件不要改断言。这是任务约束，改了断言就失去对比意义。如果模型建议改断言，要拒绝并让它改被测代码。

第三，Token 数从控制台读，不要用 Continue 面板的估算。Continue 面板显示的是请求次数和粗略 Token，精确值以 TaoToken 控制台为准。

第四，记录环境。Python 版本、pytest 版本、Continue 版本都会影响结果。特别是 pytest 版本，不同版本的收集行为可能不同。

5. 排障：这次配置里踩过的坑

5.1 404：apiBase 多写了 /v1

最常见的错误。Continue 的 openai provider 会自动拼/v1/chat/completions，所以 apiBase 只能填到https://taotoken.net/api。如果你填了https://taotoken.net/api/v1，实际请求路径变成/api/v1/v1/chat/completions，返回 404。改回不带/v1即可。

5.2 401：Key 没填对或没生效

401 通常是 Key 问题。检查三件事：Key 是否从 TaoToken 控制台 创建、是否复制完整、config.json 里有没有多余空格。如果 Key 没问题，检查 Continue 是否重启过——改 config 后不重启，插件可能还在用旧配置。

5.3 模型 ID 不匹配

400 或model not found通常是模型 ID 写错。Qwen3.7 Flash 的 ID 以模型广场为准，不要凭记忆写。广场上的 ID 可能带版本号或前缀，复制粘贴最稳妥。

5.4 Agent 模式不触发工具调用

如果 Continue 的 Agent 模式只聊天不编辑文件，检查 config 里有没有覆盖systemMessage。有些用户会自定义 system message，把工具调用指令覆盖掉了。删掉自定义 system message，用默认的即可。

5.5 补全和对话抢配额

如果同时开了 tab 补全和对话，补全请求会消耗大量 Token。建议在评测期间关掉 tab 补全，只留对话，这样 Token 记录更干净。补全的 Token 消耗单独测。

6. 这次评测的结论和下一步

Qwen3.7 Flash 在 Continue 里跑这个 Python CLI 重构任务，9 轮完成，3 次人工介入，12 个测试全过。这个结果说明 Flash 级别的模型在结构化重构任务上是可用的，但需要把任务拆细，并且在 Prompt 里明确检查点。Continue 的 Agent 模式在跨段落编辑时容易「改一半」，这是工具层面的限制，不是模型问题。

如果你要复现这个评测，建议按第 4 节的模板记录，把 Token 数从控制台读出来填进去。跑完之后可以打开 模型对话 确认 Qwen3.7 Flash 的模型 ID 和广场一致，长期做这类重构可以看 Coding Plan。Key 在 控制台 创建，Claude Code 或 CC Switch 的接入方式对照 接入文档。

下一步我打算用同一套任务清单和记录模板，换一个模型跑一遍，对比完成轮次和 Token 消耗。如果你也跑了，欢迎把记录表贴出来对照。

🚀 告别海外账号与网络限制！稳定直连全球优质大模型，限时半价接入中。 👉 点击领取海量免费额度