企业官网建设流程全解析

1. 从 0 开发 AI Agent，为什么第一步不是写 Prompt 而是打通 LLM 调用链

AI Agent 这个词在 2026 年已经被说烂了，但真正动手从零写一个能跑起来的 Agent，很多人卡住的地方并不是 LangChain 的 API 记不住，而是模型接入层没打通。你可能会遇到这种情况：本地代码写好了，npm run dev一跑，报 401、超时、模型名不存在，或者今天用 GPT 明天换 Claude 就得改一遍环境变量和 SDK 初始化逻辑。Agent 的核心是 LLM 调用，而 LLM 调用链如果一开始就是散的，后面加 tool、加 memory、加 subagent 只会越来越乱。

这篇内容聚焦的是从零构建 AI Agent 的工程化起点：用 TypeScript + Node.js + LangChain 作为技术栈，先把多模型调用统一到一个 Key、一个 API 通道上，再谈 ReAct 循环和工具链。适合已经会写 Node.js、想往 AI 工程师方向走的前端或全栈开发者。你不需要先精通 LangChain，但需要有一个能跑 Node 20+ 的环境和基本的 TypeScript 配置能力。

我试过把 OpenAI、Claude、DeepSeek 的 Key 分别写在三个.env文件里，结果调试一个 Agent 的 tool calling 时，光切换模型就花了半小时。后来把接入层收敛到 TaoToken 的统一 Key 上，settings.json和config.toml各维护一份，Agent 代码里只认一个baseURL，换模型只改一个字符串。下面按可复制的步骤来。

2. TaoToken 前置：统一 Key 与 API 通道在 Agent 项目里的位置

TaoToken 在这里扮演的角色是模型接入层的统一入口。官网地址是 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，API 端点是 https://taotoken.net/api （这个不加 UTM）。你可以在控制台里创建 API Key，然后让 LangChain 的ChatOpenAI或ChatAnthropic指向这个端点。

为什么 Agent 项目特别需要这一层？因为一个完整的 Agent 至少会涉及三类调用：主推理模型（负责 ReAct 决策）、工具调用模型（可能用更便宜的模型做 function calling）、以及子智能体或压缩上下文时的辅助模型。如果每个模型都单独配 Key、单独处理重试和限流，代码里会充斥if (model === 'gpt')这种分支。统一 Key 之后，模型切换变成配置项，而不是代码逻辑。

你需要先拿到一个可用的 API Key。进入控制台后创建 Key，建议按项目命名，比如agent-dev-local，方便后面在环境变量里区分。创建完成后不要直接硬编码到代码里，下一步会用.env注入。

注意：API Key 只显示一次，创建后立即复制到密码管理器或本地.env，不要提交到 Git。

3. 可复制配置：settings.json、config.toml 与环境变量注入

这一节给出三个可直接复制的配置骨架。第一个是settings.json，用于存放模型路由和 Agent 运行参数；第二个是config.toml，用于 LangChain 或 CLI 工具的模型声明；第三个是.env注入示例。

先看settings.json。这个文件放在项目根目录，Agent 启动时读取，决定主模型、工具模型和子智能体模型分别走哪个通道。

{ "llm": { "provider": "taotoken", "baseURL": "https://taotoken.net/api", "apiKeyEnv": "TAOTOKEN_API_KEY", "defaultModel": "claude-sonnet-4-20250514", "toolModel": "gpt-4.1-mini", "subagentModel": "deepseek-chat", "timeoutMs": 60000, "maxRetries": 3 }, "agent": { "maxIterations": 12, "contextLimitTokens": 128000, "compressThreshold": 0.8, "enableSubagent": true }, "tools": { "allowed": ["read_file", "write_file", "exec", "web_fetch"], "denyPaths": [".env", ".git/config", "~/.ssh"] } }

这里的关键是baseURL指向https://taotoken.net/api，apiKeyEnv指向环境变量名而不是 Key 本身。defaultModel、toolModel、subagentModel可以不同，但都走同一个通道。

再看config.toml。如果你用 LangChain 的 CLI 或某些支持 TOML 的 Agent 框架，可以用这个骨架。

[llm] provider = "openai-compatible" base_url = "https://taotoken.net/api" api_key_env = "TAOTOKEN_API_KEY" model = "claude-sonnet-4-20250514" temperature = 0.2 max_tokens = 4096 [llm.fallback] model = "gpt-4.1-mini" max_retries = 2 [agent] name = "my-first-agent" runtime = "nodejs" langchain_version = "0.3.x"

然后是.env注入。不要把 Key 写进settings.json，用环境变量。

# .env TAOTOKEN_API_KEY=sk-你的实际Key TAOTOKEN_BASE_URL=https://taotoken.net/api NODE_ENV=development

在 TypeScript 里读取时，用dotenv加载，然后传给 LangChain 的模型实例。

import 'dotenv/config'; import { ChatOpenAI } from '@langchain/openai'; import settings from './settings.json' assert { type: 'json' }; const apiKey = process.env[settings.llm.apiKeyEnv]; if (!apiKey) { throw new Error(`缺少环境变量 ${settings.llm.apiKeyEnv}`); } export const mainModel = new ChatOpenAI({ modelName: settings.llm.defaultModel, openAIApiKey: apiKey, configuration: { baseURL: settings.llm.baseURL, }, timeout: settings.llm.timeoutMs, maxRetries: settings.llm.maxRetries, });

这段代码里，baseURL来自settings.json，Key 来自.env，模型名来自配置。换模型时只改settings.json里的defaultModel，代码不动。

4. 验证请求：一次 Agent 工具链调用的完整动作与成功结果

配置写完后，不要急着写 ReAct 循环。先做一次最小验证：让模型通过统一通道返回一个 tool call，然后你手动执行这个 tool，再把结果传回去。这一步跑通，说明 LLM 调用链和工具链的衔接没问题。

先写一个最简单的 tool 定义，用 LangChain 的DynamicStructuredTool。

import { DynamicStructuredTool } from '@langchain/core/tools'; import { z } from 'zod'; import { mainModel } from './llm'; const readFileTool = new DynamicStructuredTool({ name: 'read_file', description: '读取指定路径的文本文件内容', schema: z.object({ path: z.string().describe('要读取的文件路径'), }), func: async ({ path }) => { const fs = await import('fs/promises'); const content = await fs.readFile(path, 'utf-8'); return content.slice(0, 2000); }, }); const modelWithTools = mainModel.bindTools([readFileTool]);

然后发一条请求，观察返回的tool_calls。

const response = await modelWithTools.invoke([ { role: 'user', content: '请读取 package.json 文件，告诉我项目名称和版本号。', }, ]); console.log('finish_reason:', response.response_metadata?.finish_reason); console.log('tool_calls:', JSON.stringify(response.tool_calls, null, 2));

如果通道正常，你会看到类似这样的输出：

finish_reason: tool_calls tool_calls: [ { "name": "read_file", "args": { "path": "package.json" }, "id": "call_abc123" } ]

这说明模型已经通过 TaoToken 通道返回了工具调用意图。接下来手动执行 tool，把结果作为tool消息传回去。

import { ToolMessage } from '@langchain/core/messages'; const toolCall = response.tool_calls[0]; const toolResult = await readFileTool.invoke(toolCall.args); const finalResponse = await modelWithTools.invoke([ { role: 'user', content: '请读取 package.json 文件，告诉我项目名称和版本号。' }, response, new ToolMessage({ content: toolResult, tool_call_id: toolCall.id, }), ]); console.log('最终回复:', finalResponse.content);

成功时，finalResponse.content会包含项目名称和版本号。这一步验证了两个东西：一是 TaoToken 通道能正常返回 tool calling 格式；二是你的 tool 执行结果能正确回传。这两点跑通，后面写 ReAct 循环只是把手动步骤自动化。

如果你需要更直观地验证模型对话是否正常，可以打开模型对话页面 https://taotoken.net/models?utm_source=taotoken_aicg_blog_end&utm_content=model_chat&utm_campaign=rewrite 直接发一条消息，确认 Key 和通道没问题。长期做编码和 Agent 开发的话，Coding Plan 页面 https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding_plan&utm_campaign=rewrite 里有更完整的额度说明。

5. 本篇常见错排查：401、模型名不存在、tool_calls 为空

这一节列出验证过程中最容易遇到的四类错误，以及对应的排查动作。

第一类：401 Unauthorized。报错信息通常是Incorrect API key provided或invalid_api_key。先检查.env里的TAOTOKEN_API_KEY是否有多余空格或换行。然后确认settings.json里的apiKeyEnv和.env里的变量名完全一致，大小写敏感。最后确认baseURL是https://taotoken.net/api，不要多加/v1或漏掉/api。

第二类：模型名不存在。报错类似model_not_found或The model does not exist。这时候去控制台或模型列表确认你写的模型名是否在当前通道可用。不同通道支持的模型名可能不同，claude-sonnet-4-20250514和claude-sonnet-4可能只有一个有效。把settings.json里的defaultModel换成确认可用的名称再试。

第三类：tool_calls为空。模型返回了文本而不是工具调用。先检查bindTools是否真的传入了 tool 数组，再检查 tool 的description是否清晰。如果描述太模糊，模型可能选择直接回答而不是调用工具。另外，部分模型对 tool calling 的支持需要显式设置tool_choice，可以在bindTools时加上{ tool_choice: 'auto' }。

第四类：请求超时。Agent 场景下上下文可能很长，默认超时时间不够。在settings.json里把timeoutMs调到 60000 或更高，同时确认maxRetries至少为 2。如果还是超时，检查网络环境是否能正常访问https://taotoken.net/api，可以用curl做一次最小请求。

curl -X POST https://taotoken.net/api/chat/completions \ -H "Authorization: Bearer $TAOTOKEN_API_KEY" \ -H "Content-Type: application/json" \ -d '{ "model": "claude-sonnet-4-20250514", "messages": [{"role": "user", "content": "ping"}], "max_tokens": 16 }'

如果curl返回正常，说明通道没问题，问题在代码配置。如果curl也报错，先解决 Key 或模型名的问题。

提示：排查时把NODE_ENV设为development，并在代码里打印baseURL和模型名，但不要打印完整 Key。

6. 接入层跑通之后：Agent 技能树的下一步与统一 Key 的长期价值

LLM 调用链跑通之后，你才算真正站在了 AI Agent 开发的起点上。接下来要补的技能包括 ReAct 循环、tool 权限分级、context 压缩、memory 分层、subagent 隔离、hook 扩展点，以及 MCP server 或 skills + CLI 的取舍。这些内容每一个都值得单独展开，但它们的共同前提是：模型接入层是稳定的、可切换的、可观测的。

统一 Key 的长期价值在于，当你从单模型 Agent 演进到多模型协作时，不需要重写接入代码。主模型用 Claude 做推理，工具模型用 GPT 做 function calling，子智能体用 DeepSeek 做长上下文压缩，这些切换都只改settings.json里的一个字段。API Key 的管理、额度查看、模型列表都在控制台 https://taotoken.net/console?utm_source=taotoken_aicg_blog_end&utm_content=console&utm_campaign=rewrite 里完成，代码里只保留环境变量引用。

如果你还没创建 Key，先去 API Keys 页面 https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api_keys&utm_campaign=rewrite 生成一个，然后按第 3 节的配置骨架把.env和settings.json填好。接入文档在 https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite ，里面有不同语言和框架的调用示例。Claude Code 相关的接入说明在 https://taotoken.net/claudecode-anthropic?utm_source=taotoken_aicg_blog_end&utm_content=claudecode&utm_campaign=rewrite ，如果你后面想用 Claude Code 做 Agent 调试，可以参考。

把第 4 节的验证脚本跑通，看到tool_calls里出现read_file和正确的args，你就可以开始写第一个 ReAct 循环了。接入层不拖后腿，后面的技能树才长得起来。