企业官网建设流程全解析

1. 为什么你的 Claude 越用越“健忘”：Context Window 与 MCP 调用的真实冲突

如果你最近在 Claude Code 或 Claude Desktop 里挂了三五个 MCP Server，又习惯把项目规范、接口文档、代码风格一股脑塞进系统提示词，大概率会遇到一个很具体的现象：前几轮对话还挺聪明，聊到第十轮左右，它开始忘记你半小时前强调过的命名规则，或者把已经调用过的 MCP 工具又调一遍。这不是模型变笨了，而是 Context Window 被塞满了。

Context Window 可以理解成 Claude 的“工作台面”。台面就这么大，你放的东西越多，它能同时盯住的就越少。传统做法是把所有规则、所有工具描述、所有参考资料都写进系统提示词，结果是每次请求都要把这些内容重新送进上下文，token 消耗高，而且真正需要精细推理时，留给“思考”的空间被挤没了。

Agent Skills 想解决的就是这件事。它把能力拆成一个个独立的技能包，每个技能包的核心是一个SKILL.md文件。Claude 启动时只加载每个技能的元数据（name + description），大概 100 tokens 左右，相当于只看“目录”。只有当你的请求真的匹配某个技能时，它才会去读SKILL.md的正文，再按需读取脚本和参考文档。这套机制叫渐进式披露，本质上是把 Context Window 当成稀缺资源来管理。

而 MCP 解决的是另一个维度的问题：让 Claude 能调用外部工具和服务。MCP 的痛点在于，每个 Server 的工具描述都会占用上下文，挂多了同样会挤爆窗口。所以真正合理的架构是：用 Skills 管理“知识和流程”，用 MCP 管理“外部动作”，两者配合，而不是把所有东西都堆进提示词。

这篇文章面向的是已经在用 Claude Code、Cline 或者自建 Agent 的开发者。我会给出可直接复制的SKILL.md模板、MCP 配置片段，以及验证技能加载和上下文消耗的具体命令。你不需要从头理解 Anthropic 的规范文档，跟着做就能跑起来。

先说清楚一个边界：Skills 不是让 Claude 替代你的编辑器，也不是什么黑魔法。它就是一个 Markdown 文件加一套目录约定，把“什么时候用什么知识”这件事工程化。理解这一点，后面的配置就不会觉得神秘。

2. TaoToken 前置准备：Base URL、API Key 与 Model ID 三件套

在写SKILL.md之前，得先让 Claude 能稳定跑起来。如果你用的是官方直连，网络和额度问题会频繁打断调试节奏。我自己的做法是通过 TaoToken 这类兼容 Anthropic 协议的中转服务来统一管理请求，好处是 Base URL、Key、Model ID 三件套配一次，Claude Code、Cline、Codex 都能复用。

先拿 Key。打开 https://taotoken.net/api-keys ，登录后创建一个新的 API Key，复制出来。这个 Key 只在创建时完整显示一次，建议直接存进密码管理器。

Base URL 用https://taotoken.net/api，注意这里不加任何查询参数。Model ID 根据你的场景选，做 Agent Skills 调试我一般用claude-sonnet-4-5-20250929这类带日期的稳定版本，避免行为漂移。

如果你用的是 Claude Code，配置写在~/.claude/settings.json里。这个文件是 Claude Code 读取模型和端点配置的地方，格式如下：

{ "env": { "ANTHROPIC_BASE_URL": "https://taotoken.net/api", "ANTHROPIC_AUTH_TOKEN": "sk-你的TaoToken密钥", "ANTHROPIC_MODEL": "claude-sonnet-4-5-20250929" } }

注意ANTHROPIC_AUTH_TOKEN和ANTHROPIC_API_KEY的区别。Claude Code 走的是AUTH_TOKEN这条路径，如果你只填了API_KEY，可能会遇到 401。这是我在排查时踩过的坑，后面第五节会详细说。

如果你用的是 Cline 或者 Roo Code 这类 VS Code 插件，配置在插件的设置面板里，选择 “Anthropic” 作为 Provider，然后填 Base URL、API Key、Model ID。Cline 的 MCP 配置是单独的cline_mcp_settings.json，路径通常在~/Library/Application Support/Code/User/globalStorage/saoudrizwan.claude-dev/settings/（macOS）或%APPDATA%\Code\User\globalStorage\saoudrizwan.claude-dev\settings\（Windows）。

如果你用的是 Codex，配置在~/.codex/auth.json，格式是：

{ "OPENAI_API_KEY": "sk-你的TaoToken密钥", "OPENAI_BASE_URL": "https://taotoken.net/api" }

这里有个细节：Codex 默认走 OpenAI 协议，而 TaoToken 同时兼容 Anthropic 和 OpenAI 两套接口。如果你在 Codex 里调 Claude 模型，需要确认端点路径是/v1/chat/completions还是/v1/messages。实测下来，Codex 用 OpenAI 兼容模式更顺，Model ID 填claude-sonnet-4-5-20250929也能正常返回。

配好之后，先用一条最简单的请求验证连通性：

curl https://taotoken.net/api/v1/messages \ -H "x-api-key: sk-你的TaoToken密钥" \ -H "anthropic-version: 2023-06-01" \ -H "content-type: application/json" \ -d '{ "model": "claude-sonnet-4-5-20250929", "max_tokens": 64, "messages": [{"role": "user", "content": "回复 OK 两个字母"}] }'

如果返回里能看到content字段且文本是 “OK”，说明三件套没问题。这一步别跳过，后面 Skills 加载失败时，你至少能确定不是网络层的问题。

关于 Coding Plan，如果你打算长期跑 Agent 任务，比如让 Claude 自动重构代码、批量处理文档，按量计费可能会比预期高。TaoToken 的 Coding Plan 是包月形式，适合高频调用场景，具体额度可以在 https://taotoken.net/coding-plan 看。我自己的用法是：调试阶段用按量，稳定跑批任务时切到 Coding Plan。

3. 可复制配置：SKILL.md 模板与 MCP 调用片段

现在进入核心部分。一个 Skill 的最小结构就是一个目录加一个SKILL.md：

my-skill/ └── SKILL.md

完整结构会长这样：

my-skill/ ├── SKILL.md ├── scripts/ │ └── process.py ├── references/ │ └── api-spec.md └── assets/ └── template.html

SKILL.md分两段：开头的 YAML 元数据，和下面的 Markdown 正文。元数据里name和description是必填的，description尤其重要，因为 Claude 就是靠它判断“这个请求要不要用这个技能”。

下面是一个可以直接复制的模板，我把它设计成“Python 代码审查”技能：

--- name: python-code-review description: 当用户要求审查、重构或编写 Python 代码时使用。检查命名规范、类型注解、异常处理和测试覆盖。 allowed-tools: Read, Grep, Bash --- # Python 代码审查技能 ## 指令 1. 检查所有内部辅助函数是否以 `_internal_` 前缀命名。 2. 检查函数是否有类型注解，缺失时给出补充建议。 3. 检查异常处理是否捕获了具体异常类型，禁止裸 `except:`。 4. 检查是否有对应的单元测试文件，没有则提示用户。 ## 工作流程 1. 先用 Grep 找到目标文件。 2. 用 Read 读取文件内容。 3. 按上述四条逐项检查，输出问题列表。 4. 如果用户要求修复，生成修改后的代码块。 ## 参考示例 正确： ```python def _internal_calculate_risk(score: int) -> float: try: return score / 100.0 except ZeroDivisionError: return 0.0

错误：

def _calculate_risk(score): try: return score / 100.0 except: return 0.0

注意事项

• 不要自动修改文件，只输出建议。
• 如果项目有pyproject.toml，读取其中的 lint 配置作为补充规则。

把这个文件放到项目的 `.claude/skills/python-code-review/SKILL.md`，Claude Code 启动时会自动扫描。 接下来是 MCP 配置。假设你要挂一个文件系统 MCP Server，让 Claude 能读写指定目录。Claude Desktop 的配置在 `~/Library/Application Support/Claude/claude_desktop_config.json`（macOS），Claude Code 的 MCP 配置在 `~/.claude.json` 或项目级 `.mcp.json`。 ```json { "mcpServers": { "filesystem": { "command": "npx", "args": [ "-y", "@modelcontextprotocol/server-filesystem", "/Users/yourname/projects" ] }, "fetch": { "command": "npx", "args": ["-y", "@modelcontextprotocol/server-fetch"] } } }

这里的关键点是：MCP Server 的工具描述也会占用 Context Window。如果你挂了 10 个 Server，每个 Server 暴露 5 个工具，光工具描述就可能吃掉几千 tokens。所以我的建议是，只挂当前任务真正需要的 Server，用完就注释掉。

Skills 和 MCP 的配合方式是这样的：在SKILL.md里通过allowed-tools声明这个技能允许调用哪些工具，然后在正文里写清楚“什么情况下调用哪个 MCP 工具”。比如：

## 数据获取流程 1. 如果需要读取本地文件，使用 filesystem MCP 的 read_file 工具。 2. 如果需要获取网页内容，使用 fetch MCP 的 fetch 工具。 3. 获取到的内容先摘要，再决定是否写入上下文。

这样 Claude 在加载这个技能时，就知道工具边界在哪，不会乱调。

还有一个进阶用法：context: fork。在元数据里加上这一行，技能会在独立的子上下文中执行，不污染主对话的 Context Window。适合那种“读一大堆文档然后只返回结论”的场景。

--- name: doc-summarizer description: 当用户要求总结长文档时使用。 context: fork agent: general-purpose ---

agent字段指定 fork 时用哪个子代理。这个配置在 Claude Code 里生效，Claude Desktop 目前支持有限。

4. 验证请求：确认技能加载与上下文消耗

配置写完不代表生效。你需要一套验证流程，确认三件事：技能被扫描到了、请求匹配时被加载了、上下文消耗在预期范围内。

第一步，检查技能目录结构。在项目根目录执行：

find .claude/skills -name "SKILL.md" -exec echo "--- {} ---" \; -exec head -5 {} \;

这条命令会列出所有SKILL.md文件并打印前 5 行，你能快速确认 YAML 元数据格式对不对。如果name或description缺失，Claude 会跳过这个技能，而且不会报错，这是最容易踩的坑。

第二步，启动 Claude Code 并观察加载日志：

claude --debug

--debug会输出技能扫描过程。你应该能看到类似Loaded skill: python-code-review的行。如果没有，检查目录层级：是.claude/skills/技能名/SKILL.md，不是.claude/skills/SKILL.md。多一层少一层都不行。

第三步，发一个能触发技能的请求：

帮我审查 src/utils.py 里的代码

如果技能生效，Claude 会先调用 Read 工具读取文件，然后按SKILL.md里的四条规则逐项检查。你可以在输出里看到它引用了“内部辅助函数命名”这类规则，说明正文被加载了。

第四步，量化上下文消耗。Claude Code 里可以用/cost命令查看当前会话的 token 使用情况。更精确的做法是在请求前后对比：

# 记录初始 token claude -p "当前上下文使用了多少 token？" --output-format json | jq '.usage'

实测下来，一个只有元数据的技能，常驻开销约 100 tokens。加载正文后，根据正文长度增加 500 到 5000 tokens 不等。如果你发现某个技能一加载就吃掉 8000 tokens，说明正文写太长了，该拆到references/里按需读取。

第五步，验证 MCP 工具是否可用。在 Claude Code 里输入：

列出当前可用的 MCP 工具

它会返回所有已连接 Server 的工具列表。如果某个 Server 没出现，检查.mcp.json的 JSON 格式，以及npx命令是否能在终端里独立跑通。常见问题是 Node 版本太低，@modelcontextprotocol/server-filesystem需要 Node 18 以上。

第六步，做一个上下文压力测试。连续发 10 轮对话，每轮都涉及不同的技能，然后用/cost看总消耗。如果第 10 轮的响应明显变慢或开始遗忘早期规则，说明 Context Window 接近上限。这时候的优化方向是：把不常用的技能从项目目录移到全局目录，或者给技能加context: fork。

我试过在一个中型项目里挂 6 个技能加 3 个 MCP Server，初始上下文约 1200 tokens，跑 20 轮后涨到 15000 左右。把其中 3 个低频技能改成 fork 模式后，同样 20 轮只涨到 9000。这个差距在长会话里非常明显。

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

这一节按真实报错来。你在配 Skills 和 MCP 的过程中，大概率会遇到下面几类问题。

401 Unauthorized

这是最常见的。表现是请求直接返回 401，Claude Code 里提示authentication_error。原因通常有三个：Key 填错、Base URL 带了多余路径、或者用了ANTHROPIC_API_KEY而不是ANTHROPIC_AUTH_TOKEN。

排查顺序：先用第 2 节的 curl 命令独立测试 Key 是否有效。如果 curl 能通但 Claude Code 不通，检查settings.json里的字段名。Claude Code 读的是ANTHROPIC_AUTH_TOKEN，不是ANTHROPIC_API_KEY。另外 Base URL 必须是https://taotoken.net/api，结尾不要加/v1，Claude Code 会自己拼路径。

local proxy failed

这个报错通常出现在 MCP Server 启动阶段。表现是 Claude 提示MCP server filesystem failed to start: local proxy failed。原因是npx命令在 Claude 的运行环境里找不到，或者网络问题导致包下载失败。

解决办法：先在终端里手动跑一遍npx -y @modelcontextprotocol/server-filesystem /你的路径，确认能启动。如果终端能跑但 Claude 里不行，把command从npx改成绝对路径，比如/usr/local/bin/npx。Windows 上则是C:\\Program Files\\nodejs\\npx.cmd。

reading 'choices' of undefined

这个报错一般出现在用 OpenAI 兼容协议调 Claude 模型时。表现是返回体里没有choices字段，代码里访问response.choices[0]就崩了。原因是端点返回的是 Anthropic 格式（content数组），而你的代码按 OpenAI 格式解析。

解决方式有两种：要么把请求打到/v1/chat/completions走 OpenAI 兼容层，要么改代码解析content字段。如果你用的是 Cline 这类插件，在 Provider 设置里选对协议就行。Codex 的auth.json里如果同时配了OPENAI_BASE_URL和 Anthropic 端点，容易混，建议只保留一套。

OAuth 相关报错

Claude Code 某些版本会尝试 OAuth 流程，报OAuth token exchange failed。如果你用的是 API Key 模式，不需要 OAuth。检查settings.json里有没有残留的oauth字段，删掉。另外确认没有设置CLAUDE_CODE_USE_OAUTH这类环境变量。

技能不生效

没有报错，但 Claude 就是不按SKILL.md里的规则来。九成是description写得太模糊。description要写清楚“什么时候用”，而不是“这是什么”。对比一下：

差的写法：description: Python 代码审查工具

好的写法：description: 当用户要求审查、重构或编写 Python 代码时使用。检查命名规范、类型注解、异常处理和测试覆盖。

后者包含了触发场景和具体检查项，Claude 匹配得更准。

MCP 工具调用超时

表现是 Claude 说“正在调用工具”然后卡住。原因是 MCP Server 的响应时间超过了 Claude 的等待阈值。排查方法是看 Server 的日志，通常在~/Library/Logs/Claude/mcp-server-xxx.log。如果是网络类工具（比如 fetch），检查目标 URL 是否可达。如果是文件系统工具，检查路径权限。

上下文消耗异常高

用/cost发现每轮消耗远超预期。检查是不是某个SKILL.md正文写了几千字。正文建议控制在 5000 tokens 以内，超出的内容拆到references/目录，在正文里用相对路径引用，比如“详细 API 规范见references/api-spec.md”。Claude 只会在需要时读取那个文件。

6. 把 Skills 和 MCP 用成一套工程化流程

走到这里，你已经有了可运行的SKILL.md、配好的 MCP Server、以及一套验证和排障方法。最后说几个我在实际项目里沉淀下来的用法。

第一，技能目录按“领域”分，不按“工具”分。比如code-review、doc-writing、data-analysis各一个目录，而不是read-tool、grep-tool这种。因为 Claude 匹配的是任务意图，不是工具名。

第二，description里带上“反触发”条件。比如“当用户要求审查 Python 代码时使用，不适用于 JavaScript 或 TypeScript”。这样能减少误触发，省上下文。

第三，MCP Server 按需挂载。日常开发只挂 filesystem 和 git，需要抓网页时临时加 fetch，用完注释掉。Claude Code 支持在.mcp.json里用注释语法（JSON5）临时禁用 Server。

第四，长任务用context: fork。凡是“读大量资料然后输出结论”的技能，都加 fork。主对话只保留结论，中间过程不占窗口。

第五，定期用/cost做基线对比。我一般每周跑一次标准测试会话，记录 token 消耗。如果某周突然涨了 30%，说明新加的技能或 MCP 有问题，及时排查。

如果你还没配好 Key，回到 https://taotoken.net/api-keys 拿一个，然后按第 2 节的 JSON 片段填进对应文件。接入文档在 https://taotoken.net/doc ，里面有各客户端的详细步骤。想先感受一下模型对话效果，可以直接用 https://taotoken.net/chat 。长期跑 Agent 任务的话，Coding Plan 在 https://taotoken.net/coding-plan 。

最后一步，把你项目里最常用的那条规则写成SKILL.md，放到.claude/skills/下，启动 Claude Code，发一个能触发它的请求。看到它按你写的流程执行，这套机制就算真正跑通了。