企业官网建设流程全解析

1. 从 Hyperagents 论文到本地可跑的最小闭环

Meta 那篇 HYPERAGENTS 论文刷屏的时候，我第一反应不是「AI 要觉醒了」，而是——这套「自己写代码、自己改自己」的机制，能不能在本地用现成工具复现一个最小版本？论文里提到的达尔文哥德尔机（DGM）在 SWE-bench 上把性能从 20.0% 拉到 50.0%，Polyglot 上从 14.2% 涨到 30.7%，核心动作其实就一句话：让智能体读自己的代码、提改进方案、写回文件、再跑一遍验证。这个循环，开发者完全可以在自己机器上搭出来。

所谓超级智能体（Hyperagents），论文的定义是「既能修改任务执行行为，也能修改生成未来改进建议的过程」，也就是元认知自我修改。落到工程上，它需要一个能稳定调用大模型的入口、一套读写本地代码的脚本、一个能判断「这轮改动到底有没有变好」的验证器。这三件事里，最容易被卡住的是模型调用——不同模型不同 Key、不同 Base URL、不同参数格式，智能体每换一个模型就要改一次配置，自我进化循环根本跑不顺。

这篇就按「本地复现」的场景来写：用 TaoToken 统一 Key 把模型调用收敛成一个入口，然后写一个能自读代码、自提改进、自回写的脚本，最后跑一轮进化前后的能力对比。适合已经会写 Python、想让自己的 Agent 真正「动起来改自己」的开发者。全程不需要 GPU 集群，一台能联网的开发机就够。

我试过把模型调用散落在各个脚本里的写法，改一次模型要翻五个文件，后来统一到一个配置层才顺过来。下面按步骤走。

2. TaoToken 统一 Key 前置：把模型入口收敛成一个 Base URL

在写自我进化脚本之前，先把「模型怎么调」这件事固定下来。TaoToken 的作用是提供一个统一的 API 入口，你用同一个 Key、同一个 Base URL，就能切换不同模型，不用为每个模型单独维护一套鉴权和地址。对自我进化循环来说这点很关键——智能体在迭代过程中可能会换模型来提改进方案，如果每次换模型都要改代码里的 endpoint，循环就断了。

先拿 Key。打开官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，注册后在控制台里创建 API Key。控制台地址是 https://taotoken.net/console?utm_source=taotoken_aicg_blog_end&utm_content=console&utm_campaign=rewrite ，Key 列表在 https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api-keys&utm_campaign=rewrite 。创建完先复制存好，后面脚本里要用。

这里有个容易踩的坑：很多人拿到 Key 之后直接写死在脚本里，结果一提交就泄露。正确做法是放到环境变量或者本地.env文件，并且把.env加进.gitignore。我一般用环境变量，跨脚本复用最省事。

export TAOTOKEN_API_KEY="sk-你的key" export TAOTOKEN_BASE_URL="https://taotoken.net/api"

注意 Base URL 是https://taotoken.net/api，不带任何查询参数。有些教程会让你在 Base URL 后面拼/v1，那是另一套兼容格式的写法，用 TaoToken 的时候按官方给的地址来，别自己加后缀，否则容易出现 404 或者路径重复。

模型 ID 这块，TaoToken 支持多种主流模型，你在调用时通过model字段指定。建议先想清楚自我进化循环里要用哪几个模型：一个负责「提改进方案」（推理强一点的），一个负责「执行具体改动」（速度快一点的）。两个角色可以用同一个模型，也可以分开，统一 Key 的好处就是切换只改一个字符串。

验证 Key 是否可用，最直接的方式是发一个最小请求。用 curl 试一下：

curl https://taotoken.net/api/chat/completions \ -H "Authorization: Bearer $TAOTOKEN_API_KEY" \ -H "Content-Type: application/json" \ -d '{ "model": "claude-3-5-sonnet", "messages": [{"role": "user", "content": "回复 ok 两个字母"}], "max_tokens": 16 }'

如果返回里能看到choices字段和内容，说明 Key 和地址都通了。如果返回 401，先检查 Key 有没有复制完整、有没有多余空格；如果返回 404，检查 Base URL 是不是写成了带/v1的形式。这一步通了，再往下写脚本。

如果你更习惯在对话界面里先试模型效果，可以打开模型对话页 https://taotoken.net/chat?utm_source=taotoken_aicg_blog_end&utm_content=model_chat&utm_campaign=rewrite ，选一个模型发几句话，确认账号状态正常。这一步不是必须，但对第一次接入的人来说能快速排除「Key 本身有问题」这种情况。

3. 可复制配置：settings.json 与智能体回写脚本

配置层我建议单独放一个文件，不要混在业务脚本里。下面这套结构在本地复现时最省心：一个settings.json管模型入口，一个evolve_agent.py管自我进化循环。

先写settings.json，路径放在项目根目录：

{ "provider": { "base_url": "https://taotoken.net/api", "api_key_env": "TAOTOKEN_API_KEY", "timeout": 120 }, "models": { "planner": "claude-3-5-sonnet", "executor": "claude-3-5-sonnet" }, "evolution": { "target_file": "./agent_core.py", "max_rounds": 3, "backup_dir": "./.evolve_backup", "score_threshold": 0.05 } }

这里planner负责读代码、提改进方案，executor负责把方案落成具体代码改动。target_file是智能体要改的那个文件——也就是它自己的核心逻辑。max_rounds控制最多迭代几轮，本地跑建议先设 3，别一上来就放开。score_threshold是「这轮改动至少要比上轮好多少才算数」，防止无意义的抖动被当成进化。

然后是主脚本。核心逻辑分四步：读当前代码 → 让模型提改进 → 写回文件 → 跑验证打分。下面是一个可运行的最小版本：

import json import os import shutil import subprocess from pathlib import Path from openai import OpenAI CFG = json.loads(Path("settings.json").read_text()) client = OpenAI( base_url=CFG["provider"]["base_url"], api_key=os.environ[CFG["provider"]["api_key_env"]], ) def read_target(): return Path(CFG["evolution"]["target_file"]).read_text() def backup(round_idx): src = Path(CFG["evolution"]["target_file"]) dst_dir = Path(CFG["evolution"]["backup_dir"]) dst_dir.mkdir(exist_ok=True) shutil.copy(src, dst_dir / f"round_{round_idx}_{src.name}") def propose_improvement(code, history): prompt = f"""你是一个自我改进智能体。下面是当前代码： {code} 历史尝试记录： {history} 请提出一处能提升该代码任务成功率的改进，直接输出完整的修改后代码， 不要解释，不要用 markdown 代码块包裹。""" resp = client.chat.completions.create( model=CFG["models"]["planner"], messages=[{"role": "user", "content": prompt}], max_tokens=4096, ) return resp.choices[0].message.content.strip() def write_back(new_code): Path(CFG["evolution"]["target_file"]).write_text(new_code) def run_validation(): result = subprocess.run( ["python", "-m", "pytest", "tests/", "-q"], capture_output=True, text=True, ) passed = result.stdout.count(" passed") return passed, result.stdout def evolve(): history = [] best_score = 0 for i in range(CFG["evolution"]["max_rounds"]): backup(i) code = read_target() new_code = propose_improvement(code, "\n".join(history)) write_back(new_code) score, log = run_validation() delta = score - best_score history.append(f"round {i}: score={score}, delta={delta}") if delta < CFG["evolution"]["score_threshold"]: print(f"round {i} 提升不足，回滚") shutil.copy( Path(CFG["evolution"]["backup_dir"]) / f"round_{i}_agent_core.py", CFG["evolution"]["target_file"], ) else: best_score = score print(f"round {i} 进化成功，score={score}") if __name__ == "__main__": evolve()

这段脚本里，propose_improvement是核心——它把当前代码和历史尝试一起喂给模型，让模型输出完整的新代码。注意 prompt 里明确要求「直接输出完整代码，不要 markdown 包裹」，否则模型很容易给你一段带 ```python 的文本，写回文件后直接语法错误。这个坑我在第一次跑的时候踩过，回写后 pytest 报SyntaxError，排查了半天才发现是代码块标记混进去了。

run_validation用 pytest 的通过数当分数，这是最朴素的验证器。真实场景里你可以换成自己的评测集，比如一组固定任务的成功率。关键是这个分数要能自动算出来，不能靠人眼看。

如果你打算把这个循环跑成长期任务，比如让它每天自己迭代几轮，那用 Coding Plan 会更合适，地址是 https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding_plan&utm_campaign=rewrite 。它面向的就是这种持续编码、Agent 长跑的用量场景，比按次调用更划算。

4. 验证请求与成功结果：跑一轮进化前后对比

配置和脚本都就位后，先别急着放开迭代，做一次「单轮进化」的对照实验，确认整条链路是通的。

准备一个待改进的agent_core.py，故意留一个可优化的点。比如下面这个版本，它做字符串处理时没有处理空输入：

def normalize(text): return text.strip().lower().replace(" ", "_")

再写一个测试文件tests/test_core.py：

from agent_core import normalize def test_basic(): assert normalize("Hello World") == "hello_world" def test_empty(): assert normalize("") == "" def test_none(): assert normalize(None) == ""

跑一次pytest tests/ -q，你会看到test_none失败，因为None.strip()会抛AttributeError。当前通过数是 2。

现在跑python evolve_agent.py。脚本会读agent_core.py，把代码和空历史发给模型，模型大概率会提出加一个空值判断，比如：

def normalize(text): if text is None: return "" return text.strip().lower().replace(" ", "_")

写回后再跑 pytest，通过数变成 3。脚本输出round 0 进化成功，score=3。这就是一轮完整的「自读代码 → 自提改进 → 自回写 → 自验证」闭环。

如果你想更直观地看进化前后的差异，可以在跑之前先手动记录一次分数，跑完再记录一次，用表格对照：

第二轮如果模型提的改动没有让通过数继续涨，脚本会按score_threshold回滚，保证agent_core.py始终停在当前最优版本。这个「只保留有提升的改动」的机制，就是论文里说的「从经验上提升性能的方案」在工程上的简化版。

验证模型本身是否正常工作，也可以单独发一个请求确认返回结构：

resp = client.chat.completions.create( model="claude-3-5-sonnet", messages=[{"role": "user", "content": "输出一行 python 代码：打印 hello"}], ) print(resp.choices[0].message.content)

能正常打印出代码，说明模型调用没问题。如果这里就报错，先回到第 2 步检查 Key 和 Base URL，别往下走。

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

本地复现这类自我进化循环，报错基本集中在模型调用和文件读写两块。下面按真实遇到的报错逐个说。

401 Unauthorized。最常见的原因是 Key 没读到。脚本里用的是os.environ["TAOTOKEN_API_KEY"]，如果你在另一个终端窗口跑的脚本，而环境变量只在当前窗口 export 过，就会读不到。解决办法是把 export 写进~/.bashrc或~/.zshrc，或者用python-dotenv从.env读。还有一种情况是 Key 复制时带了首尾空格，Bearer后面多一个空格也会 401，用echo $TAOTOKEN_API_KEY | wc -c看一下长度对不对。

local proxy failed。这个报错通常出现在你本机设置了系统级网络配置、但脚本运行环境没继承到的时候。检查方式是看你的 shell 里有没有HTTP_PROXY/HTTPS_PROXY这类变量，如果有，确认它们指向的地址是通的。另一种可能是 Base URL 写错了，比如写成了https://taotoken.net/api/v1，多出来的路径导致请求打到了不存在的端点。按第 2 步给的地址https://taotoken.net/api来，不要自己拼后缀。

reading 'choices'。典型报错是TypeError: Cannot read properties of undefined (reading 'choices')，或者 Python 里resp.choices报AttributeError。这说明返回体里根本没有choices字段，通常是请求本身失败了但你没检查状态码。在脚本里加一层判断：

resp = client.chat.completions.create(...) if not resp.choices: raise RuntimeError(f"空返回: {resp}")

更常见的原因是模型 ID 写错了。比如你写了一个 TaoToken 不支持的模型名，接口可能返回一个错误结构而不是标准 completion。解决办法是先用第 2 步的 curl 命令确认模型 ID 可用，再写进settings.json。

OAuth 相关报错。如果你用的是某些需要 OAuth 授权的客户端（比如 Claude Code 这类工具），报错里可能出现OAuth token expired或invalid_grant。这类工具接入 TaoToken 时，需要在配置里把 Base URL 指向https://taotoken.net/api，Key 用 API Key 而不是 OAuth token。以 Claude Code 为例，它的配置文件里要同时写全三件套：Base URL、API Key、Model ID。缺任何一个都会导致鉴权失败。具体接入方式可以看文档 https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite ，里面有各客户端的配置示例。

还有一个不报错但很坑的情况：模型返回的代码带了 markdown 代码块标记，写回文件后 pytest 报SyntaxError。解决办法是在 prompt 里明确要求「不要用 markdown 包裹」，或者在写回前做一次清洗：

def strip_fence(text): if text.startswith("```"): lines = text.splitlines() return "\n".join(lines[1:-1]) return text

这个清洗函数建议直接加进write_back之前，能省掉很多莫名其妙的语法错误。

6. 把循环跑长：从单轮进化到持续迭代

单轮跑通之后，你可以把max_rounds调大，让它连续迭代。但连续迭代会暴露一个新问题：模型容易陷入局部最优，反复提类似的改动。论文里 DGM 用「开放式进化搜索」解决这个问题——从现有智能体库里采样，保留表现稍差但方向不同的「祖先」，避免早熟收敛。本地复现时可以用一个简化策略：每轮把历史尝试记录完整传给模型，并且在 prompt 里加一句「不要重复历史中已经尝试过的改动方向」。

历史记录我建议存成 JSON，而不是拼成字符串。这样你可以记录每轮的分数、改动摘要、是否保留，下一轮提改进时把最近几轮的历史一起喂进去：

history.append({ "round": i, "score": score, "delta": delta, "kept": delta >= CFG["evolution"]["score_threshold"], "summary": new_code[:200], }) Path("evolution_history.json").write_text(json.dumps(history, ensure_ascii=False, indent=2))

这样跑十几轮之后，你能清楚看到智能体在哪些方向上试过、哪些有效、哪些被回滚。这个记录本身就是「元学习」的雏形——它不只是在改代码，还在积累「怎么改才有效」的经验。

如果你想让这个循环长期跑下去，比如挂在一个定时任务里每天迭代，那模型调用的稳定性和成本就变成主要矛盾。Coding Plan 面向的就是这种长期编码场景，地址 https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding_plan&utm_campaign=rewrite ，适合把自我进化循环当成一个持续运行的 Agent 来用。接入文档在 https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite ，API Key 管理在 https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api-keys&utm_campaign=rewrite 。

最后说一个实际跑下来的经验：验证器的质量决定了进化的方向。如果你的 pytest 只覆盖了三个用例，智能体很快就会把这三个用例全过掉，然后开始提一些「为了过测试而改」的无效改动。真正让自我进化有意义的前提，是验证器能代表你真实想要的能力。所以与其急着把max_rounds调到 100，不如先把测试集写扎实。循环本身不难搭，难的是让每一轮迭代都朝着你真正想要的方向走。