企业官网建设流程全解析

1. 项目负责人视角：IP 头像设计 Skill 批量出图，为什么先固定 TaoToken Key 与 Base URL

项目负责人做“IP 头像设计 Skill”批量出图时，最先要固定的不是提示词，而是 TaoToken 的 Key 归属和 Base URL。你可以先从 TaoToken 官网 获取 Key，再把每个项目的 Base URL 统一设为https://taotoken.net/api。否则常见局面是：A 项目用了一把 Key，B 项目复用同一把，C 项目测试环境又直接写死在脚本里；等到 401、429、404 一起出现，根本不知道是哪条链路出了问题。

“IP 头像设计 Skill”本身可能只是一个提示词模板，但一旦进入项目交付，它就会变成一条批量产线：风格模板、负面词、尺寸、命名规则、项目分 Key、失败重试、产物清单、验收截图。本文按项目负责人视角，把这件事拆成可跟做的配置步骤：先在 TaoToken 官网创建 Key，再设计项目分 Key 表，然后配置 Claude Code、Codex，最后用 Python 脚本批量调用图像生成接口，输出可验收的截图和 manifest。

这里的目标不是讲一个“万能提示词”，而是让每个项目都有独立 Key、独立预算、独立产物目录。项目 A 的头像偏扁平几何，项目 B 偏厚涂质感，项目 C 可能是活动限定风格。它们可以共用同一个https://taotoken.net/api，但不应该共用同一把 Key。分 Key 的意义在于：排障时能定位，限额时能隔离，结算时能归因，轮换时不影响其他项目。

2. TaoToken 接入准备：从官网获取 Key 到校验 Base URL

进入 TaoToken 官网 后，先完成账号与项目空间准备，再创建 Key。建议不要把所有项目塞进一个 Key 名称里，而是按“项目代号 + 环境”命名，例如ip-a-dev、ip-a-prod、ip-b-prod。Key 创建后只显示一次或只在控制台可见，复制后立即放入本地密钥文件或环境变量，不要写进 Git 仓库，也不要贴在聊天记录里。

接入时最关键的两个值是：

• Base URL：https://taotoken.net/api
• Key 占位符：YOUR_API_KEY

注意，Base URL 在工具配置里不加 UTM 参数，保持https://taotoken.net/api即可。官网链接才用于获取 Key、查看模型、创建 Key 和管理项目。很多 404 不是模型不存在，而是把 Base URL 写成了别的路径：有人多写/v1，有人少写/api，有人把控制台地址当成 API 地址。统一约定：项目内所有 AI 工具都指向https://taotoken.net/api。

建议先做一次本地环境变量检查，但不要把完整 Key 打印出来：

export TAOTOKEN_API_KEY_A="YOUR_API_KEY" export TAOTOKEN_API_KEY_B="YOUR_API_KEY" echo "key_a_prefix=${TAOTOKEN_API_KEY_A:0:6}****" echo "base_url=https://taotoken.net/api"

如果终端输出key_a_prefix=为空，说明环境变量没加载；如果 Base URL 不是https://taotoken.net/api，后面所有工具都会出现配置串线。先修环境变量，再调提示词，这是项目负责人应该定的排障顺序。

3. 项目分 Key 表：按项目、批次、环境隔离的落地模板

分 Key 表不是形式主义，它是批量出图项目的“账本”。推荐按四个维度设计：项目、环境、Key 别名、用途。官网入口可参考 TaoToken 官网。创建 Key 后，把别名和用途登记到表中，真实 Key 只放环境变量或密钥管理工具。

下面是一份可直接改造的项目分 Key 表模板：

配套的projects.csv可以这样写，方便脚本读取或导入表格：

project,env,key_alias,env_var,base_url,daily_limit,owner ip-a,dev,tao_ip_a_dev,TAOTOKEN_API_KEY_A_DEV,https://taotoken.net/api,50,owner-a ip-a,prod,tao_ip_a_prod,TAOTOKEN_API_KEY_A_PROD,https://taotoken.net/api,300,owner-a ip-b,prod,tao_ip_b_prod,TAOTOKEN_API_KEY_B_PROD,https://taotoken.net/api,200,owner-b ip-c,prod,tao_ip_c_prod,TAOTOKEN_API_KEY_C_PROD,https://taotoken.net/api,100,owner-c

项目负责人要盯三件事：第一，任何脚本都不能硬编码 Key；第二，测试和生产必须分开；第三，轮换 Key 后只改环境变量，不改业务代码。这样批量出图时，即使某个项目触发限流，也不会把其他项目拖下水。

4. Claude Code settings.json 与 CC Switch 三件套

如果团队用 Claude Code 来维护提示词、生成脚本骨架、检查批量任务配置，那么 Claude Code 侧应该使用ANTHROPIC_*系列变量，并指向 TaoToken 的 Base URL。全局配置可以放在~/.claude/settings.json，项目级覆盖可以放在.claude/settings.local.json。不要把真实 Key 提交到仓库。

全局settings.json示例：

{ "env": { "ANTHROPIC_BASE_URL": "https://taotoken.net/api", "ANTHROPIC_AUTH_TOKEN": "YOUR_API_KEY", "ANTHROPIC_MODEL": "claude-sonnet-4-20250514" } }

项目级.claude/settings.local.json可以覆盖模型或继续使用项目专属 Key：

{ "env": { "ANTHROPIC_BASE_URL": "https://taotoken.net/api", "ANTHROPIC_AUTH_TOKEN": "YOUR_API_KEY", "ANTHROPIC_MODEL": "claude-sonnet-4-20250514" } }

这里的 CC Switch 三件套可以定义为：全局settings.json、项目级.claude/settings.local.json、项目切换脚本。切换脚本的作用是按项目加载不同环境变量，避免手动改配置。示例：

#!/usr/bin/env bash set -euo pipefail PROJECT="${1:?usage: cc-switch ip-a}" KEY_FILE=".cc-switch/${PROJECT}.env" if [[ ! -f "$KEY_FILE" ]]; then echo "missing $KEY_FILE" >&2 exit 1 fi set -a source "$KEY_FILE" set +a export ANTHROPIC_BASE_URL="https://taotoken.net/api" : "${ANTHROPIC_AUTH_TOKEN:?ANTHROPIC_AUTH_TOKEN is required}" : "${ANTHROPIC_MODEL:=claude-sonnet-4-20250514}" echo "CC Switch: project=$PROJECT base_url=$ANTHROPIC_BASE_URL model=$ANTHROPIC_MODEL" exec claude "$@"

对应的.cc-switch/ip-a.env：

export ANTHROPIC_AUTH_TOKEN="YOUR_API_KEY" export ANTHROPIC_MODEL="claude-sonnet-4-20250514"

执行时使用：

chmod +x scripts/cc-switch.sh ./scripts/cc-switch.sh ip-a

如果 Claude Code 报 401，先检查ANTHROPIC_AUTH_TOKEN是否来自当前项目；如果报 404，先检查ANTHROPIC_BASE_URL是否为https://taotoken.net/api。不要在 Claude Code 配置里塞 Codex 的变量，也不要把 Codex 的配置写成ANTHROPIC_*。

5. Codex config.toml：与 Claude Code 分环境变量，不混用 ANTHROPIC_*

Codex 侧走另一套配置。它应使用config.toml，并在model_providers中声明 TaoToken 作为 OpenAI 兼容供应商。关键点是：Codex 不要使用ANTHROPIC_*，Claude Code 也不要使用 Codex 的 provider 配置。两者可以共用同一个 Base URL，但环境变量必须分开。

~/.codex/config.toml示例：

model = "gpt-5-codex" model_provider = "taotoken" [model_providers.taotoken] name = "TaoToken" base_url = "https://taotoken.net/api" env_key = "TAOTOKEN_API_KEY" wire_api = "chat"

本地环境变量：

export TAOTOKEN_API_KEY="YOUR_API_KEY"

如果你的 Codex 版本使用项目级配置，也可以放在项目目录下的.codex/config.toml，但优先级和加载顺序要以本机版本文档为准。项目负责人只需要统一规则：Codex 用TAOTOKEN_API_KEY，Claude Code 用ANTHROPIC_AUTH_TOKEN；两者都指向https://taotoken.net/api；Key 按项目分，不交叉使用。

常见错误是把 Claude Code 的ANTHROPIC_BASE_URL写进 Codex 配置，然后困惑为什么 Codex 不生效。Codex 不读取ANTHROPIC_*。同理，Claude Code 也不应该用TAOTOKEN_API_KEY作为主要认证变量，除非你明确写了包装脚本去映射。分清楚工具边界，批量出图链路才稳定。

6. 批量出图脚本：读取 Skill 模板、项目分 Key、重试与产物清单

现在进入批量出图。建议目录结构如下：

ip-avatar-batch/ skills/ ip_avatar_skill.md projects.json scripts/ batch_generate.py verify_batch.py .cc-switch/ ip-a.env ip-b.env output/ ip-a/ ip-b/

skills/ip_avatar_skill.md是 IP 头像设计 Skill 的可复用模板。不要把风格写死在一个超长提示词里，而是拆成变量：

# IP 头像设计 Skill 你负责生成统一风格的 IP 头像，输出为 1:1 方形图，主体居中，四周留出圆形裁切安全区。 项目风格：{{style}} 批次序号：{{index}} 构图种子提示：{{seed_hint}} 要求： 1. 头像主体占画面 60% 到 75%，肩部或头部轮廓清晰。 2. 背景简洁，不能出现复杂文字、水印、二维码、品牌 Logo。 3. 光线柔和，边缘干净，适合社交头像和社区资料页。 4. 同一批次的角色要保持配色、笔触、面部比例一致。 5. 如果风格与主体冲突，优先保留主体辨识度和头像裁切安全区。

projects.json让不同项目读取不同 Key 环境变量：

{ "projects": [ { "name": "ip-a", "key_env": "TAOTOKEN_API_KEY_A_PROD", "style": "扁平几何，品牌蓝，留白多，科技感", "count": 8, "output": "output/ip-a" }, { "name": "ip-b", "key_env": "TAOTOKEN_API_KEY_B_PROD", "style": "厚涂质感，暖色，少年感，轻微手绘纹理", "count": 8, "output": "output/ip-b" } ] }

批量脚本核心逻辑如下。它从项目配置里读取key_env，为每个项目创建独立客户端，并把结果写入 manifest：

import os import json import time import base64 import hashlib from pathlib import Path from openai import OpenAI BASE_URL = "https://taotoken.net/api" IMAGE_MODEL = os.getenv("TAOTOKEN_IMAGE_MODEL", "gpt-image-1") def load_skill(skill_path: str, style: str, index: int) -> str: template = Path(skill_path).read_text(encoding="utf-8") seed_hint = hashlib.md5(f"{style}-{index}".encode("utf-8")).hexdigest()[:8] return ( template .replace("{{style}}", style) .replace("{{index}}", str(index)) .replace("{{seed_hint}}", seed_hint) ) def make_client(key_env: str) -> OpenAI: key = os.getenv(key_env) if not key: raise RuntimeError(f"missing environment variable: {key_env}") return OpenAI(api_key=key, base_url=BASE_URL) def generate_one(client: OpenAI, prompt: str, out_dir: Path, stem: str, retries: int = 3): last_error = None for attempt in range(1, retries + 1): try: response = client.images.generate( model=IMAGE_MODEL, prompt=prompt, size="1024x1024", n=1, response_format="b64_json", ) image_bytes = base64.b64decode(response.data[0].b64_json) image_path = out_dir / f"{stem}.png" image_path.write_bytes(image_bytes) return {"status": "ok", "file": str(image_path), "attempt": attempt} except Exception as exc: last_error = str(exc) time.sleep(2 ** attempt) return {"status": "fail", "error": last_error} def run(projects_file: str, skill_file: str): projects = json.loads(Path(projects_file).read_text(encoding="utf-8"))["projects"] for project in projects: out_dir = Path(project["output"]) out_dir.mkdir(parents=True, exist_ok=True) client = make_client(project["key_env"]) manifest = [] for index in range(1, project["count"] + 1): prompt = load_skill(skill_file, project["style"], index) stem = f"{project['name']}-{index:03d}" result = generate_one(client, prompt, out_dir, stem) result.update({ "project": project["name"], "index": index, "model": IMAGE_MODEL, "prompt_hash": hashlib.sha1(prompt.encode("utf-8")).hexdigest(), }) manifest.append(result) print(project["name"], index, result["status"]) manifest_path = out_dir / "manifest.json" manifest_path.write_text( json.dumps(manifest, ensure_ascii=False, indent=2), encoding="utf-8", ) print(f"manifest saved: {manifest_path}") if __name__ == "__main__": run("projects.json", "skills/ip_avatar_skill.md")

运行前确认环境变量已经加载：

export TAOTOKEN_API_KEY_A_PROD="YOUR_API_KEY" export TAOTOKEN_API_KEY_B_PROD="YOUR_API_KEY" export TAOTOKEN_IMAGE_MODEL="gpt-image-1" python scripts/batch_generate.py

如果模型页显示当前可用图像模型名称不同，把TAOTOKEN_IMAGE_MODEL换成控制台里可用的名称。项目负责人不需要让每个成员猜模型，只要在项目的 README 里固定变量名和默认值即可。

脚本还要输出manifest.json，里面至少包含项目名、序号、模型、提示词哈希、成功状态、文件路径、重试次数。这个文件是后续验收截图的依据。失败不要静默跳过，否则你以为出了 100 张，实际只有 82 张，交付时才发现缺口。

7. 验收截图与质量门禁：项目负责人要看的三个证据

批量出图不能只丢一句“跑完了”。项目负责人要看的验收证据至少有三类：

第一类，终端运行截图。截图中应包含项目名、批次号、成功数、失败数、manifest 路径，但 Key 必须脱敏。例如：

project=ip-a batch=2025-06-18-001 total=8 ok=8 fail=0 success_rate=100.00% manifest=output/ip-a/manifest.json key_alias=tao_ip_a_prod base_url=https://taotoken.net/api

第二类，contact sheet 拼图。把同一批头像拼成网格图，检查风格是否统一、主体是否居中、是否有文字水印。可以用 Pillow 本地生成：

from pathlib import Path from PIL import Image project_dir = Path("output/ip-a") files = sorted(project_dir.glob("*.png")) if files: thumbs = [Image.open(path).resize((256, 256)) for path in files] cols = 4 rows = (len(thumbs) + cols - 1) // cols sheet = Image.new("RGB", (cols * 256, rows * 256), "white") for idx, image in enumerate(thumbs): x = (idx % cols) * 256 y = (idx // cols) * 256 sheet.paste(image, (x, y)) output = project_dir / "contact-sheet.jpg" sheet.save(output, quality=92) print(f"contact sheet saved: {output}")

第三类，项目分 Key 表脱敏截图。表格中只保留 Key 别名、环境变量名、用途、限额和轮换时间，不显示完整 Key。再配合manifest.json的成功率统计，就能证明“这批图是用哪个项目、哪把 Key、哪个 Base URL 产出的”。

简单的验收门禁脚本：

import json import sys from pathlib import Path def main(manifest_path: str, min_success: float = 0.95): data = json.loads(Path(manifest_path).read_text(encoding="utf-8")) total = len(data) ok = sum(1 for item in data if item["status"] == "ok") rate = ok / total if total else 0 print(f"total={total} ok={ok} success_rate={rate:.2%}") if rate < min_success: sys.exit(1) if __name__ == "__main__": main(sys.argv[1])

执行：

python scripts/verify_batch.py output/ip-a/manifest.json

质量门禁可以定为：成功率不低于 95%；每张图必须为 1:1；主体居中且有圆形裁切安全区；同一批次配色和笔触一致；无文字、水印、二维码、无关 Logo；人工抽检 10% 到 20%。如果不达标，先回溯 Skill 模板和项目 Key 是否对应，再检查模型参数。

8. 常见报错与排障：401、404、429 与配置串线

批量出图最常见的报错有四类。

401 通常表示 Key 无效或环境变量没加载。排查顺序是：先确认当前终端加载了哪个项目的 Key，再确认该 Key 是否属于当前项目，最后确认没有把测试 Key 用到生产脚本。可以只打印前缀：

echo "key_prefix=${TAOTOKEN_API_KEY_A_PROD:0:6}****"

404 通常表示 Base URL 或路径不对。Claude Code、Codex、Python 脚本都应使用https://taotoken.net/api。不要写成控制台页面地址，也不要随意拼接未知路径。把 Base URL 统一后，再排查模型名称是否存在。

429 通常表示限流或并发过高。分 Key 的价值在这里体现：给项目 A 的 Key 降并发，不会影响项目 B。脚本中加入指数退避重试，批量任务不要把并发拉满。对于头像这种可以离线生成的任务，低并发队列更稳。

配置串线通常表现为：Claude Code 读了 Codex 的变量，或 Codex 读了ANTHROPIC_*。记住规则：Claude Code 用ANTHROPIC_BASE_URL、ANTHROPIC_AUTH_TOKEN；Codex 用config.toml的model_providers.taotoken和TAOTOKEN_API_KEY。两套配置可以共存，但不要互相覆盖。

还有一类问题是验收找不到 Key 归属。解决办法不是在截图里暴露完整 Key，而是在项目分 Key 表中维护别名，在 manifest 中记录project和key_env。这样交付时能追溯，安全上也不泄露敏感信息。

9. 文末转化路径：模型对话、Coding Plan、创建 Key、Claude Code 文档

如果你还没有确定图像模型、提示词模板或 Codex/Claude Code 的接入方式，可以按下面路径走一遍：

1. 先到 模型对话 查看可用模型和对话效果，用少量样本确认 IP 头像风格。
2. 如果团队需要长期维护 Skill、脚本和批量任务，可以看 Coding Plan，把项目配置和额度规划清楚。
3. 然后到 创建 Key 按项目建立独立 Key，并登记到项目分 Key 表。
4. Claude Code 侧如果不确定settings.json和ANTHROPIC_*怎么写，直接对照 Claude Code 文档。

最后回到项目负责人的交付标准：每个项目一把 Key，统一 Base URLhttps://taotoken.net/api，Claude Code 和 Codex 配置分离，Python 脚本按projects.json批量出图，manifest.json记录产物，终端截图和 contact sheet 作为验收证据。你可以从 TaoToken 官网 开始创建项目 Key，把“IP 头像设计 Skill”从单次尝试变成可批量、可追溯、可验收的生产线。