企业官网建设流程全解析

1. 为什么你的 Agent 装了 Skill 还是不好用

很多人给 Agent 装 Skill 的流程是这样的：clone 一个仓库，丢进 skills 目录，然后问它“帮我处理这个字幕”。结果要么它根本没触发这个 Skill，要么触发了但中间某一步调用模型失败，最后卡在local proxy failed或者401上。问题往往不在 Skill 本身，而在于你给 Agent 配的模型通道是散的——字幕转动画要调一个模型，图片转 3D 要调另一个，长内容蒸馏又要换一个，每个 Skill 各自读环境变量、各自配 Key，一旦某个 Key 额度用完或者接口地址写错，整条链路就断在那里。

我试过把 6 个 Skill 分别接不同的模型服务，维护成本高得离谱。后来改成用 TaoToken 做统一 Key 和 API 通道，所有 Skill 共用一套 Base URL 和 Key，只在调用时切换 Model ID，链路才真正稳下来。这篇就按“字幕转 Three.js 动画、图片转 3D 模型、长内容转知识库检索”这三条主线，把 6 类 Skill 的落地路径写清楚，TypeScript 和 Python 两种调用示例都给到，你照着配就能一次跑通。

先说清楚这三条主线各自解决什么。字幕转动画这条线，输入是 SRT 字幕，输出是分镜脚本加 Three.js 动画代码，适合知识讲解、课程口播这类场景；图片转 3D 这条线，输入是一张物体参考图，输出是返回THREE.Group的 TypeScript 工厂函数，适合 Web 3D 展示和游戏原型；长内容转知识库这条线，输入是书籍、播客转写稿或长视频字幕，输出是可独立触发、可组合测试的 Skill Pack，适合把方法论沉淀成以后还能调用的工具。三条线共用同一套模型通道，这是 TaoToken 统一 Key 的核心价值。

适合谁看：已经在用 Claude Code、Codex 或者 Cline 这类带 Skill 机制的 Agent 工具，手里有字幕、图片或长内容素材，想让 Agent 真正跑起来而不是停在“能对话”阶段的人。如果你还在一条条复制提示词，这篇的配置片段可以直接拿去用。

2. TaoToken 统一 Key 前置配置：一次配好六类 Skill 共用通道

TaoToken 在这里的角色是统一模型调用入口。你不需要为每个 Skill 单独申请 Key，也不需要记住六套不同的接口地址。官网是 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，API 入口是 https://taotoken.net/api ，注意 API 地址不带 UTM 参数，配置时直接写这个。

前置准备分三步。第一步，在控制台创建一个 API Key，地址是 https://taotoken.net/console?utm_source=taotoken_aicg_blog_end&utm_content=console&utm_campaign=rewrite ，创建后复制出来，后面所有 Skill 共用这一个 Key。第二步，确认你要用的 Model ID，字幕转动画和图片转 3D 这类需要强代码能力的任务，选代码能力强的模型；长内容蒸馏这类需要长上下文的任务，选上下文窗口大的模型。第三步，把 Base URL 和 Key 写进 Agent 的配置文件，不同工具写法不一样，下面分别给。

Claude Code 的配置走settings.json，路径通常在~/.claude/settings.json。写入下面这段，注意env里的ANTHROPIC_BASE_URL和ANTHROPIC_AUTH_TOKEN是 Claude Code 读取的字段名：

{ "env": { "ANTHROPIC_BASE_URL": "https://taotoken.net/api", "ANTHROPIC_AUTH_TOKEN": "你的TaoToken Key", "ANTHROPIC_MODEL": "你的Model ID" } }

Codex 的配置走auth.json，路径在~/.codex/auth.json。这个文件同时管认证和模型选择，三件套 Base URL、Key、Model ID 都要写全：

{ "OPENAI_API_KEY": "你的TaoToken Key", "OPENAI_BASE_URL": "https://taotoken.net/api", "model": "你的Model ID" }

Cline 这类走 MCP 的工具，配置在 MCP 的 server 定义里，同样是三件套。如果你用 CC Switch 管理多个通道，在它的配置界面里新增一个 provider，Base URL 填https://taotoken.net/api，Key 填 TaoToken 的 Key，Model ID 填你要用的模型，然后把这个 provider 设为默认。

配好之后验证一下通道是否通。用 curl 发一个最小请求，确认返回正常：

curl https://taotoken.net/api/v1/chat/completions \ -H "Authorization: Bearer 你的TaoToken Key" \ -H "Content-Type: application/json" \ -d '{ "model": "你的Model ID", "messages": [{"role": "user", "content": "回复ok"}] }'

返回里能看到choices数组就说明通道通了。这一步很关键，因为后面所有 Skill 报错，第一件事就是回到这里确认通道本身没问题。如果这一步就报401，说明 Key 写错了或者没生效；如果报连接超时，检查 Base URL 是不是写成了带 UTM 的地址，API 调用只认https://taotoken.net/api。

配好通道后，Skill 本身不需要再单独配 Key。它们读的是 Agent 进程的环境变量，Agent 读的是上面这些配置文件，所以只要 Agent 能正常对话，Skill 就能正常调用模型。这是统一 Key 最省事的地方——你只维护一份配置。

3. 可复制配置：三条 Skill 链路的完整片段

这一节给可直接复制的配置和脚本片段。三条链路分别是字幕转 Three.js 动画、图片转 3D 模型、长内容转知识库检索，每条都给 TypeScript 和 Python 两种调用示例。

先看字幕转 Three.js 动画。这条链路的核心是把 SRT 解析成分镜，再让模型生成 Three.js 动画代码。Skill 目录结构建议这样放：

~/.codex/skills/ srt-threejs-animation/ SKILL.md scripts/ parse_srt.py generate_scene.ts

SKILL.md里写清楚触发条件和执行步骤，关键是告诉 Agent 什么时候用这个 Skill、输入是什么、输出是什么。一个精简的SKILL.md片段：

--- name: srt-threejs-animation description: 把 SRT 字幕转成 Three.js 动画代码，按 25-35 秒拆分场景 --- ## 触发条件 用户提供 .srt 文件并要求转成动画或 Three.js 代码时触发。 ## 执行步骤 1. 解析 SRT，按时间轴拆分为 25-35 秒的场景 2. 每个场景提取核心语义，生成分镜描述 3. 调用模型生成 Three.js 场景代码，返回 THREE.Group 4. 输出到 output/scene-{n}.ts

Python 侧解析 SRT 的脚本，用标准库就够，不需要额外依赖：

import re from dataclasses import dataclass @dataclass class Cue: index: int start: str end: str text: str def parse_srt(path: str) -> list[Cue]: with open(path, encoding="utf-8") as f: content = f.read() blocks = re.split(r"\n\s*\n", content.strip()) cues = [] for block in blocks: lines = block.strip().split("\n") if len(lines) < 3: continue idx = int(lines[0]) start, end = lines[1].split(" --> ") text = " ".join(lines[2:]) cues.append(Cue(idx, start, end, text)) return cues def split_scenes(cues: list[Cue], min_sec: int = 25, max_sec: int = 35): scenes, current, current_len = [], [], 0 for cue in cues: current.append(cue) current_len += 5 # 简化估算，实际按时间戳差值算 if current_len >= min_sec: scenes.append(current) current, current_len = [], 0 if current: scenes.append(current) return scenes

TypeScript 侧生成 Three.js 场景的调用示例，用 fetch 直接打 TaoToken 的 API：

interface SceneRequest { sceneText: string; sceneIndex: number; } async function generateScene(req: SceneRequest): Promise<string> { const res = await fetch("https://taotoken.net/api/v1/chat/completions", { method: "POST", headers: { "Authorization": `Bearer ${process.env.TAOTOKEN_KEY}`, "Content-Type": "application/json", }, body: JSON.stringify({ model: process.env.TAOTOKEN_MODEL, messages: [ { role: "system", content: "你是 Three.js 动画工程师，输出返回 THREE.Group 的 TypeScript 工厂函数，不要输出解释文字。", }, { role: "user", content: `场景 ${req.sceneIndex}：${req.sceneText}`, }, ], }), }); const data = await res.json(); return data.choices[0].message.content; }

图片转 3D 模型这条链路，Skill 目录里放一个img2threejs的 SKILL.md，核心是分阶段质量闸门：先出细节清单和结构规格，再依次完成基础体块、结构、形体、材质、表面、灯光、交互。Python 侧读取图片并转 base64 传给模型：

import base64 import os import requests def image_to_base64(path: str) -> str: with open(path, "rb") as f: return base64.b64encode(f.read()).decode("utf-8") def rebuild_3d(image_path: str, model_id: str) -> str: b64 = image_to_base64(image_path) resp = requests.post( "https://taotoken.net/api/v1/chat/completions", headers={ "Authorization": f"Bearer {os.environ['TAOTOKEN_KEY']}", "Content-Type": "application/json", }, json={ "model": model_id, "messages": [ { "role": "user", "content": [ {"type": "text", "text": "重建这个物体为 Three.js 代码，保持比例、角度和颜色，为可移动部件暴露轴点。"}, {"type": "image_url", "image_url": {"url": f"data:image/png;base64,{b64}"}}, ], } ], }, ) return resp.json()["choices"][0]["message"]["content"]

长内容转知识库这条链路，Skill 采用七阶段流程：整体理解、五路并行提取、三重验证、RIA++ 结构化、卡片盒关联、压力测试、最终交付。TypeScript 侧做分块和检索的骨架：

interface KnowledgeChunk { id: string; content: string; source: string; embedding?: number[]; } async function distillToSkillPack(chunks: KnowledgeChunk[]): Promise<string> { const combined = chunks.map((c) => `[${c.id}] ${c.content}`).join("\n\n"); const res = await fetch("https://taotoken.net/api/v1/chat/completions", { method: "POST", headers: { "Authorization": `Bearer ${process.env.TAOTOKEN_KEY}`, "Content-Type": "application/json", }, body: JSON.stringify({ model: process.env.TAOTOKEN_MODEL, messages: [ { role: "system", content: "把内容蒸馏成可执行、可测试的 Agent Skills，每个 Skill 写明触发场景、执行步骤和边界。", }, { role: "user", content: combined }, ], }), }); const data = await res.json(); return data.choices[0].message.content; }

这三条链路的配置片段可以直接复制到你的 Skill 目录里。关键点是所有调用都指向同一个 Base URL 和同一个 Key，只在 Model ID 上按任务类型切换。这样你维护的配置只有一份，Skill 之间不会互相干扰。

4. 验证请求：端到端跑通三条链路

配置写完不算完，要实际跑一遍确认每条链路都通。这一节给端到端的验证动作，每条链路一个最小可复现的测试。

先验证字幕转动画链路。准备一个测试用的test.srt：

1 00:00:00,000 --> 00:00:05,000 Agent 的核心不是模型本身 2 00:00:05,000 --> 00:00:10,000 而是你给它配了什么工具 3 00:00:10,000 --> 00:00:15,000 Skill 把这些工具固定成可复用的流程

跑解析脚本，确认能正确拆出 cue 和场景：

python scripts/parse_srt.py test.srt

预期输出是三个 cue，按 25-35 秒拆分后归为一个场景。然后触发 Agent 生成 Three.js 代码，在 Claude Code 里输入：“使用 srt-threejs-animation Skill，把 test.srt 拆成分镜，先生成第一幕的 Three.js 代码。”如果通道正常，你会看到它先输出分镜描述，再输出一段返回THREE.Group的 TypeScript 代码。代码里应该包含new THREE.Group()、基础几何体和材质定义。

验证图片转 3D 链路。准备一张物体参考图，比如一个杯子或一个简单机械零件，跑 Python 脚本：

python rebuild_3d.py cup.png

预期返回一段 TypeScript 代码，里面能看到THREE.Group、BoxGeometry或CylinderGeometry这类基础几何体，以及MeshStandardMaterial材质定义。如果返回的是纯文字描述而不是代码，说明 system prompt 没生效，检查 Skill 的 SKILL.md 里有没有明确要求输出代码。

验证长内容转知识库链路。准备一段长文本，比如一篇 5000 字的文章，跑分块和蒸馏：

python distill.py article.txt

预期输出包含内容总览、索引、术语表和至少一个 SKILL.md 格式的片段。每个 Skill 片段里应该有触发场景、执行步骤和边界说明。如果输出只有摘要没有结构化 Skill，说明模型没按七阶段流程走，检查 system prompt 里有没有写清楚“蒸馏成可执行、可测试的 Agent Skills”。

三条链路都跑通后，做一个联合验证：让 Agent 依次调用三个 Skill，处理同一批素材。比如先字幕转动画，再图片转 3D，最后把前两步的输出作为长内容蒸馏成知识库。这个联合验证能暴露通道切换时的问题——如果某个 Skill 调用时报reading choices错误，说明返回结构不对，通常是模型没按预期返回 JSON 或者返回被截断了。

验证通过的标准很简单：每条链路都能从输入素材走到输出文件，中间不需要手动改配置。如果某条链路卡住，先回到第 2 节的 curl 验证确认通道本身没问题，再检查 Skill 的 SKILL.md 和脚本。

5. 本篇常见错排查：401、local proxy failed、reading choices、OAuth

这一节对照真实报错给排查路径。这些错误我在配六类 Skill 时基本都踩过，按顺序排查能省很多时间。

401 Unauthorized是最常见的。报错长这样：

Error: 401 Unauthorized {"error": {"message": "Invalid API key", "type": "invalid_request_error"}}

原因通常是 Key 写错、Key 没生效或者 Base URL 写成了带 UTM 的地址。排查步骤：第一，确认配置文件里的 Key 和 TaoToken 控制台里创建的一致，注意不要有多余空格；第二，确认 Base URL 是https://taotoken.net/api，不是带?utm_source=的完整地址；第三，重启 Agent 进程，因为环境变量是启动时读取的，改完配置不重启不生效。如果用的是 Claude Code，检查settings.json里的字段名是不是ANTHROPIC_AUTH_TOKEN，写成ANTHROPIC_API_KEY不会生效。

local proxy failed通常出现在 Cline 或走 MCP 的工具里。报错长这样：

Error: local proxy failed to connect ECONNREFUSED 127.0.0.1:xxxx

这个错误说明 Agent 在尝试连本地代理，而不是直连 TaoToken。原因是你之前配过本地代理，配置残留了。排查步骤：第一，检查 MCP 配置里有没有proxy或baseUrl指向127.0.0.1的字段，有就删掉；第二，检查环境变量里有没有HTTP_PROXY或HTTPS_PROXY，有就清掉；第三，确认 Cline 的 provider 设置里 Base URL 填的是https://taotoken.net/api，不是本地地址。清完重启，让它直连。

reading choices错误长这样：

TypeError: Cannot read properties of undefined (reading 'choices')

这个错误说明 API 返回的结构和代码预期的不一样。常见原因是模型返回被截断，或者返回了错误对象但代码没判断。排查步骤：第一，在代码里打印完整返回，看data里到底有什么；第二，如果data里有error字段，说明请求本身失败了，按401或超时的路径排查；第三，如果data里没有choices，检查 Model ID 是不是写错了，写错的 Model ID 有时会返回空结构而不是报错。在 TypeScript 里加一层判断：

const data = await res.json(); if (!data.choices || !data.choices[0]) { console.error("返回结构异常:", JSON.stringify(data)); throw new Error("模型返回缺少 choices 字段"); }

OAuth相关错误通常出现在 Claude Code 里，报错长这样：

Error: OAuth token expired Please run `claude login` to re-authenticate

这个错误说明 Claude Code 在走它自己的 OAuth 认证，而不是用你配的 TaoToken Key。原因是settings.json里的env没生效，或者 Claude Code 版本不认这个配置方式。排查步骤：第一，确认settings.json路径正确，是~/.claude/settings.json不是项目目录下的；第二，确认env字段拼写正确，是ANTHROPIC_BASE_URL和ANTHROPIC_AUTH_TOKEN；第三，如果还是走 OAuth，检查有没有其他配置文件覆盖了设置，比如项目目录下的.claude/settings.json优先级更高。清掉冲突配置后重启。

还有一个容易忽略的错误是模型返回代码但代码跑不起来。比如 Three.js 代码里引用了不存在的几何体，或者 TypeScript 类型不匹配。这类错误不在 API 层，在 Skill 的输出质量层。排查方法是把生成的代码单独拿出来跑，看具体报什么错，然后回到 SKILL.md 里补充约束，比如明确要求“只使用 THREE 标准几何体”或“输出前先检查类型”。

6. 把六类 Skill 串成一条可复用链路

六类 Skill 单独跑通只是第一步，真正省事的是把它们串成一条链路。字幕转动画、图片转 3D、长内容转知识库这三条主线，加上投研复盘、基金行为分析、照片抽象编辑这三类，共用同一套 TaoToken 通道，你只需要维护一份配置。

具体做法是在 Agent 的工作区里建一个统一的 Skill 目录，每个 Skill 一个子目录，各自的 SKILL.md 写清楚触发条件和执行步骤。所有 Skill 的脚本都从环境变量读TAOTOKEN_KEY和TAOTOKEN_MODEL，不各自配 Key。这样新增一个 Skill 时，只需要写 SKILL.md 和脚本，不用再配通道。

长期跑的话，建议把 Coding Plan 用起来，地址是 https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding-plan&utm_campaign=rewrite ，适合需要反复调用模型生成代码的场景。模型对话入口在 https://taotoken.net/chat?utm_source=taotoken_aicg_blog_end&utm_content=chat&utm_campaign=rewrite ，调试单个 Skill 时可以直接在这里试 prompt。API Keys 管理在 https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api-keys&utm_campaign=rewrite ，接入文档在 https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite ，Claude Code 接入说明在 https://taotoken.net/claudecode-anthropic?utm_source=taotoken_aicg_blog_end&utm_content=ClaudeCodeAnthropic&utm_campaign=rewrite 。

最后说一个实际经验：Skill 报错时，先确认通道，再确认 Skill 配置，最后才怀疑模型能力。大部分问题出在前两步，不在模型本身。把通道配稳，六类 Skill 才能真正原地开挂。