企业官网建设流程全解析

1. 前端工程师的多模型接入困局：为什么你的代码补全总在关键时刻掉线

前端工程师对 AI 代码补全的期待，往往从第一次按下 Tab 键开始。你希望它补全一个防抖函数、一个 React Hook 依赖数组、一段 Tailwind 类名，结果它要么转圈半天，要么给出一个早已废弃的 API 写法。更让人头疼的是，当你想在项目里同时用上擅长补全的模型、擅长长上下文重构的模型、擅长生成交互文案的模型时，你会发现每个模型都有自己的 API 地址、自己的鉴权方式、自己的请求体格式。一个.env文件里塞了四五个 Key，每个 Key 对应不同的 Base URL，改一处配置就要重新跑一遍构建。

我试过在一个中后台项目里同时接入三家模型：一家负责行内补全，一家负责整文件重构，一家负责把产品经理的自然语言需求转成表单校验逻辑。结果光是维护三套 SDK 的版本兼容就花掉了一个下午。更麻烦的是，当某个模型服务出现波动时，前端代码里散落各处的调用点根本没法快速切换备用模型。这不是前端工程师该花时间的地方，前端的时间应该花在交互编排、组件抽象、性能优化上，而不是在多个模型供应商的控制台之间来回跳转。

这个场景的核心矛盾在于：前端应用对 AI 的调用是高频、碎片、多场景的，而多模型接入的工程成本却是一次性、重配置、高耦合的。你需要的不是再学一个 SDK，而是一个统一的 API 通道，把模型选择、鉴权、请求格式差异全部收敛到一层配置里。TaoToken 做的就是这件事：它提供一个兼容 OpenAI 请求格式的统一 Base URL，你只需要在配置里改一个模型 ID，就能在补全、对话、重构、Agent 编排之间切换底层模型，而前端业务代码几乎不用动。

具体到前端工作流，统一 Key 带来的收益非常直接。行内补全场景要求低延迟，你可以把补全请求指向一个轻量快速模型；整文件重构场景要求长上下文和强推理，你可以把重构请求指向另一个模型；智能交互组件里的流式对话又可以用第三个模型。这三类请求共用同一个 API Key、同一个 Base URL，只是model字段不同。你的编辑器插件、你的前端组件、你的 Node 中间层，全部走同一套鉴权逻辑。当某个模型响应变慢时，你只需要改一行配置就能切到备用模型，不需要重新打包前端代码。

这篇文章面向的是已经有一定前端工程经验、正在把 AI 能力集成到实际项目里的开发者。我会从零开始，给出可复制的 Base URL 与 Key 配置片段，然后分别在编辑器补全和浏览器端智能交互两个场景里验证延迟与响应，最后把常见的报错和排查路径整理出来。目标很明确：一套配置跑通多模型切换，让你的前端项目不再被模型供应商的差异拖住。

2. TaoToken 统一 Key 前置准备：Base URL 与 API Key 的获取与配置

在开始写任何前端代码之前，你需要先拿到两样东西：一个统一的 Base URL，和一个可以调用多模型的 API Key。TaoToken 的 API 入口是https://taotoken.net/api，这个地址兼容 OpenAI 的请求格式，意味着你之前为 OpenAI SDK 写的代码，只需要改baseURL和apiKey两个参数就能直接跑通。对于前端项目来说，这意味着你不需要引入新的 SDK，继续用openai这个 npm 包，或者直接用fetch发请求都可以。

获取 API Key 的路径在控制台里。打开https://taotoken.net/console，登录后进入 API Keys 管理页面，创建一个新的 Key。创建时建议给 Key 起一个能区分用途的名字，比如frontend-completion或frontend-chat，这样后面在多个项目里复用时不会搞混。Key 创建后会显示一次，复制下来保存到安全的地方。注意不要把这个 Key 直接提交到 Git 仓库，前端项目里建议通过环境变量注入，Vite 项目用VITE_前缀，Next.js 项目用NEXT_PUBLIC_前缀，但更安全的做法是放在 Node 中间层，浏览器端只调用你自己的后端接口。

拿到 Key 之后，你需要确认要使用哪些模型。TaoToken 的模型列表可以在文档里查到，地址是https://taotoken.net/doc。对于前端代码补全场景，建议选择响应速度快的模型；对于智能交互组件里的流式对话，选择支持流式输出的模型；对于整文件重构，选择上下文窗口大的模型。你不需要一次性把所有模型都配好，先选两个：一个用于补全，一个用于对话，跑通之后再扩展。

配置层面，前端项目通常有两种接入方式。第一种是直接在编辑器插件里配置，比如 Cline、Continue、Cursor 这类工具，它们都支持自定义 OpenAI 兼容的 Base URL。第二种是在你的前端应用代码里配置，通过openaiSDK 或者fetch调用。两种方式用的都是同一个 Base URL 和同一个 Key，区别只是配置写在哪里。下面先给出编辑器侧的配置片段，因为这是前端工程师最快能感受到补全延迟的场景。

如果你用的是 Cline 或者类似的 VS Code 插件，配置通常写在一个 JSON 文件里。以 Cline 为例，你需要在设置里选择 "OpenAI Compatible" 作为 API Provider，然后填入 Base URL 和 API Key。对应的配置文件片段如下：

{ "apiProvider": "openai", "openAiBaseUrl": "https://taotoken.net/api", "openAiApiKey": "sk-你的Key", "openAiModelId": "gpt-4o-mini", "openAiModelInfo": { "maxTokens": 4096, "contextWindow": 128000, "supportsImages": false, "supportsPromptCache": false } }

这段配置里的openAiModelId就是你要切换的模型 ID。当你需要换模型时，只改这一个字段，Base URL 和 Key 都不动。对于 Claude Code 这类工具，配置方式略有不同，它通常通过环境变量或者settings.json来指定。Claude Code 的配置文件路径一般在用户目录下的.claude/settings.json，你需要写入ANTHROPIC_BASE_URL和ANTHROPIC_API_KEY两个字段，但注意 Claude Code 使用的是 Anthropic 的请求格式，TaoToken 的 API 入口同样兼容，具体配置可以参考文档里的 Claude Code 接入章节。

对于前端应用代码，配置方式更直接。如果你用openainpm 包，初始化客户端的代码如下：

import OpenAI from 'openai'; const client = new OpenAI({ baseURL: 'https://taotoken.net/api', apiKey: import.meta.env.VITE_TAOTOKEN_API_KEY, dangerouslyAllowBrowser: false, }); export default client;

注意dangerouslyAllowBrowser这个参数，在浏览器端直接调用模型 API 会暴露你的 Key，所以生产环境一定要通过你自己的 Node 中间层转发。开发阶段可以临时开启，但上线前必须改掉。如果你用 Next.js 的 Route Handler 或者 Vite 的插件系统做中间层，那么浏览器端只请求你自己的/api/chat接口，由中间层去调用 TaoToken，Key 只存在于服务端环境变量里。

配置完成后，建议先做一个最小验证：用curl或者 Postman 发一个最简单的请求，确认 Key 和 Base URL 是通的。请求体里只需要model和messages两个字段，messages里放一句 "你好"，看返回是否正常。这个步骤能帮你排除掉大部分配置层面的低级错误，比如 Key 复制多了空格、Base URL 写成了https://taotoken.net/api/带了多余的斜杠、或者模型 ID 拼写错误。验证通过之后，再进入编辑器补全和前端交互组件的实战环节。

3. 可复制配置：在编辑器与前端项目中接入多模型补全

这一节给出完整的可复制配置，覆盖编辑器侧和前端项目侧两个场景。你不需要全部照搬，根据自己的工具链选对应的片段即可。核心原则只有一个：Base URL 和 API Key 只写一次，模型 ID 作为变量抽出来，方便后续切换。

先看编辑器侧。如果你用的是 Cline，它的配置文件通常位于 VS Code 的全局存储目录下，路径类似~/.vscode/globalStorage/saoudrizwan.claude-dev/settings/cline_mcp_settings.json，但更推荐直接在 Cline 的设置面板里填写，因为面板会自动写入正确的路径。面板里需要填的字段有四个：API Provider 选 "OpenAI Compatible"，Base URL 填https://taotoken.net/api，API Key 填你的 Key，Model ID 填你要用的模型。填完之后点 "Done"，Cline 会自动保存到配置文件。对应的 JSON 结构如下：

{ "mcpServers": { "taotoken": { "command": "npx", "args": ["-y", "@taotoken/mcp-server"], "env": { "TAOTOKEN_BASE_URL": "https://taotoken.net/api", "TAOTOKEN_API_KEY": "sk-你的Key", "TAOTOKEN_MODEL_ID": "gpt-4o-mini" } } } }

这段配置里的TAOTOKEN_MODEL_ID就是切换模型的入口。当你需要从补全模型切到重构模型时，只改这个值，然后重启 Cline 的 MCP 服务即可。注意 MCP 配置里的command和args是示例，实际使用时请以 TaoToken 文档里给出的 MCP 接入方式为准。如果你不用 MCP，直接在 Cline 的 API 配置面板里填 Base URL 和 Key 也能工作，效果是一样的。

对于 Claude Code，配置方式是通过settings.json文件。这个文件通常位于~/.claude/settings.json，如果目录不存在就手动创建。写入以下内容：

{ "env": { "ANTHROPIC_BASE_URL": "https://taotoken.net/api", "ANTHROPIC_API_KEY": "sk-你的Key", "ANTHROPIC_MODEL": "claude-3-5-sonnet-20241022" } }

Claude Code 使用的是 Anthropic 的请求格式，TaoToken 的 API 入口兼容这种格式，所以ANTHROPIC_BASE_URL直接指向 TaoToken 即可。ANTHROPIC_MODEL字段控制使用的模型，切换模型时改这里。注意 Claude Code 的配置生效需要重启终端会话，改完settings.json后关掉当前终端重新打开，再运行claude命令。

再看前端项目侧。假设你有一个 React 项目，需要在两个地方调用模型：一个是在代码编辑器组件里做行内补全，一个是在侧边栏做智能对话。你可以在项目根目录创建一个src/lib/ai-client.js文件，统一管理客户端实例：

import OpenAI from 'openai'; const BASE_URL = 'https://taotoken.net/api'; const API_KEY = process.env.TAOTOKEN_API_KEY; export const completionClient = new OpenAI({ baseURL: BASE_URL, apiKey: API_KEY, }); export const chatClient = new OpenAI({ baseURL: BASE_URL, apiKey: API_KEY, }); export const MODELS = { completion: 'gpt-4o-mini', chat: 'gpt-4o', refactor: 'claude-3-5-sonnet-20241022', };

这里把 Base URL 和 Key 抽成了常量，模型 ID 放在MODELS对象里。补全场景用completionClient加MODELS.completion，对话场景用chatClient加MODELS.chat，重构场景用MODELS.refactor。当你想把补全模型换成另一个更快的模型时，只改MODELS.completion的值，其他代码不动。

如果你用 Next.js 的 App Router，建议把模型调用放在 Route Handler 里，浏览器端只请求你自己的接口。创建一个app/api/chat/route.js文件：

import { NextResponse } from 'next/server'; import OpenAI from 'openai'; const client = new OpenAI({ baseURL: 'https://taotoken.net/api', apiKey: process.env.TAOTOKEN_API_KEY, }); export async function POST(request) { const { messages, model } = await request.json(); const stream = await client.chat.completions.create({ model: model || 'gpt-4o-mini', messages, stream: true, }); const encoder = new TextEncoder(); const readable = new ReadableStream({ async start(controller) { for await (const chunk of stream) { const content = chunk.choices[0]?.delta?.content || ''; if (content) { controller.enqueue(encoder.encode(content)); } } controller.close(); }, }); return new NextResponse(readable, { headers: { 'Content-Type': 'text/plain; charset=utf-8' }, }); }

这个 Route Handler 接收前端传来的messages和model，用流式方式调用 TaoToken，然后把内容逐块返回给浏览器。前端只需要用fetch请求/api/chat，就能实现打字机效果的智能对话。模型切换通过请求体里的model字段控制，前端可以传MODELS.chat或MODELS.refactor，服务端不需要改代码。

配置写完之后，建议先跑一个最小验证。在编辑器里打开一个 JavaScript 文件，输入一行注释// 写一个防抖函数，看补全是否在 1 到 2 秒内返回。如果超过 5 秒还没反应，先检查网络请求是否真的发到了https://taotoken.net/api，可以在浏览器 DevTools 的 Network 面板里看请求地址和响应状态。如果返回 401，说明 Key 有问题；如果返回 404，说明 Base URL 或模型 ID 写错了。这些排查步骤在第五节会详细展开。

4. 验证请求与成功结果：补全延迟与交互响应的实测步骤

配置写完之后，最关键的一步是验证。你需要确认两件事：编辑器里的代码补全延迟是否在可接受范围内，以及浏览器端的智能交互组件是否能正常流式返回。这两个场景的验证方法不同，下面分别给出具体步骤和预期结果。

先验证编辑器补全。打开 VS Code，创建一个测试文件test-completion.js，输入以下内容：

// 写一个函数，接收一个数组，返回去重后的新数组

把光标放在注释末尾，按下回车，等待补全触发。如果你用的是 Cline 或 Continue，补全通常会自动弹出；如果是 Cursor，按Ctrl+Enter或Cmd+Enter手动触发。预期结果是模型在 1 到 3 秒内返回一段使用Set去重的代码，类似：

function uniqueArray(arr) { return [...new Set(arr)]; }

如果补全没有触发，先检查插件是否启用了 OpenAI Compatible 模式，Base URL 是否填了https://taotoken.net/api，Key 是否有效。如果补全触发了但返回的是乱码或无关内容，检查模型 ID 是否拼写正确。如果补全延迟超过 5 秒，可能是网络问题，也可能是模型本身响应慢，可以换一个更轻量的模型 ID 再试。

为了量化延迟，你可以在浏览器 DevTools 里看请求耗时。打开 VS Code 的命令面板，运行 "Developer: Open Webview Developer Tools"，在 Network 面板里筛选taotoken.net，找到补全请求，看Time列的值。正常情况下，轻量模型的补全请求应该在 800 毫秒到 2 秒之间。如果超过 3 秒，考虑换模型或检查本地网络环境。

再验证浏览器端的智能交互。假设你已经按照第三节的配置创建了 Next.js 的 Route Handler，现在写一个简单的前端组件来测试流式对话。创建一个app/chat-test/page.js文件：

'use client'; import { useState } from 'react'; export default function ChatTest() { const [input, setInput] = useState(''); const [output, setOutput] = useState(''); const [loading, setLoading] = useState(false); async function handleSend() { setLoading(true); setOutput(''); const response = await fetch('/api/chat', { method: 'POST', headers: { 'Content-Type': 'application/json' }, body: JSON.stringify({ messages: [{ role: 'user', content: input }], model: 'gpt-4o-mini', }), }); const reader = response.body.getReader(); const decoder = new TextDecoder(); while (true) { const { done, value } = await reader.read(); if (done) break; const text = decoder.decode(value); setOutput((prev) => prev + text); } setLoading(false); } return ( <div style={{ padding: 20 }}> <input value={input} onChange={(e) => setInput(e.target.value)} placeholder="输入问题" style={{ width: 300, marginRight: 8 }} /> <button onClick={handleSend} disabled={loading}> {loading ? '生成中...' : '发送'} </button> <pre style={{ marginTop: 16, whiteSpace: 'pre-wrap' }}>{output}</pre> </div> ); }

运行npm run dev，打开http://localhost:3000/chat-test，在输入框里输入 "用一句话解释什么是防抖"，点发送。预期结果是文字逐字出现，而不是一次性全部显示。如果文字是一次性出现的，说明流式没有生效，检查 Route Handler 里的stream: true是否写了，以及前端是否正确读取了response.body.getReader()。

如果请求返回 401，说明 Key 无效或没有正确注入到环境变量。在 Next.js 里，process.env.TAOTOKEN_API_KEY需要在.env.local文件里定义，并且重启 dev server 才会生效。如果返回 404，检查 Base URL 是否写成了https://taotoken.net/api/带了尾部斜杠，或者模型 ID 是否在 TaoToken 的模型列表里存在。如果返回 500，看服务端控制台的报错信息，通常是请求体格式不对，比如messages数组为空或者model字段缺失。

验证通过之后，你可以进一步测试多模型切换。把前端请求里的model字段从gpt-4o-mini改成claude-3-5-sonnet-20241022，刷新页面再发一次请求，看返回内容是否正常。如果两个模型都能正常返回，说明你的统一 Key 配置已经跑通了多模型切换。这时候你可以把补全场景和对话场景分别指向不同的模型，在同一个项目里实现"补全用快模型、对话用强模型"的组合。

5. 本篇常见错误排查：401、local proxy failed、reading choices 与 OAuth 报错

接入过程中最容易遇到的报错集中在四类：401 鉴权失败、local proxy failed 本地代理错误、reading choices 响应解析失败、以及 OAuth 相关的授权报错。下面逐个给出报错原文、原因分析和修复步骤。

第一类：401 Unauthorized。报错原文通常是Error: 401 Incorrect API key provided或者{"error":{"message":"Invalid API key","type":"invalid_request_error"}}。原因有三个可能：Key 复制时多了空格或换行、Key 已经过期或被删除、请求头里的Authorization字段格式不对。修复步骤：先到 TaoToken 控制台的 API Keys 页面确认 Key 还在，然后重新复制一次，注意不要复制到首尾空格。在代码里检查apiKey字段是否直接传入了 Key 字符串，而不是Bearer sk-xxx这种带前缀的格式。openaiSDK 会自动加Bearer前缀，你只需要传sk-xxx本身。如果你用fetch手动发请求，请求头应该是Authorization: Bearer sk-xxx。

第二类：local proxy failed。报错原文类似Error: local proxy failed: connect ECONNREFUSED 127.0.0.1:7890或者Error: request to https://taotoken.net/api/v1/chat/completions failed, reason: connect ETIMEDOUT。这类错误通常是因为本地网络环境配置了代理，但代理服务没有运行，或者代理地址填错了。修复步骤：检查你的终端环境变量里是否有HTTP_PROXY或HTTPS_PROXY，如果有，确认代理服务是否在运行。如果你不需要代理，直接取消这些环境变量即可。在 Node.js 项目里，可以在.env文件里加一行NO_PROXY=taotoken.net，让请求绕过代理。如果你用的是公司网络，确认防火墙是否允许访问taotoken.net的 443 端口。

第三类：reading choices。报错原文通常是TypeError: Cannot read properties of undefined (reading 'choices')或者Error: Cannot read properties of undefined (reading '0')。这类错误发生在解析响应时，说明返回的 JSON 结构里没有choices字段。原因可能是请求体格式不对，比如messages数组为空、model字段缺失、或者stream参数和响应处理方式不匹配。修复步骤：先在浏览器 DevTools 的 Network 面板里看原始响应内容，确认返回的是不是标准的 OpenAI 格式。如果返回的是错误信息，比如{"error":{"message":"..."}}，先解决错误信息里提到的问题。如果返回的是空对象，检查请求体是否被正确序列化，Content-Type是否设置为application/json。如果你用了流式请求，确保解析的是chunk.choices[0]?.delta?.content，而不是chunk.choices[0]?.message?.content。

第四类：OAuth 相关报错。报错原文可能是Error: OAuth token expired或者Error: invalid_grant。这类错误通常出现在 Claude Code 或某些需要 OAuth 授权的工具里。原因是你之前用 OAuth 方式登录过，但 token 过期了，而工具还在尝试用旧的 OAuth 流程。修复步骤：在 Claude Code 里，删除~/.claude/settings.json里的 OAuth 相关字段，改用ANTHROPIC_API_KEY方式鉴权。如果你用的是 Cline，在设置面板里把 API Provider 从 "Anthropic" 改成 "OpenAI Compatible"，然后填入 TaoToken 的 Base URL 和 Key。这样就走 API Key 鉴权，不再依赖 OAuth。

除了这四类，还有一个常见问题是模型 ID 不存在。报错原文类似Error: model not found或者{"error":{"message":"The model 'xxx' does not exist"}}。修复步骤：到 TaoToken 文档的模型列表页确认模型 ID 的准确拼写，注意大小写和连字符。比如gpt-4o-mini不能写成gpt-4o mini或GPT-4O-MINI。如果你不确定用哪个模型，先用gpt-4o-mini测试，这个模型在大多数场景下都能工作。

排查的时候有一个通用技巧：把请求体打印出来，确认model、messages、stream三个字段的值符合预期。然后在 TaoToken 的模型对话页面手动发一条同样的消息，看是否能正常返回。如果手动能返回但代码不能，问题一定在代码侧；如果手动也不能返回，问题在 Key 或模型配置侧。这个二分法能帮你快速定位问题范围。

6. 一套配置跑通多模型：从补全到智能交互的工程化落地

走到这里，你已经有了一个可工作的统一 Key 配置，编辑器补全和浏览器端流式对话都验证通过了。接下来要做的，是把这套配置真正落到前端工程里，让它成为项目的一部分，而不是一个临时测试。这一节给出几个工程化落地的建议，帮你把多模型切换变成日常开发中无感的能力。

第一个建议是把模型配置抽成独立的配置文件。不要在每个组件里硬编码模型 ID，而是创建一个src/config/models.js文件，把所有模型 ID 和用途映射集中管理：

export const MODEL_CONFIG = { completion: { id: 'gpt-4o-mini', maxTokens: 2048, temperature: 0.2, }, chat: { id: 'gpt-4o', maxTokens: 4096, temperature: 0.7, }, refactor: { id: 'claude-3-5-sonnet-20241022', maxTokens: 8192, temperature: 0.3, }, };

这样当你想把补全模型换成另一个更快的模型时，只改completion.id一个字段，所有调用补全的地方自动生效。温度参数也放在这里，补全场景用低温度保证确定性，对话场景用高温度保证多样性。

第二个建议是在 Node 中间层做模型路由。前端不应该直接决定用哪个模型，而是把场景标识传给中间层，由中间层根据场景选择模型。比如前端请求/api/ai时传{ scene: 'completion', messages: [...] }，中间层根据scene查MODEL_CONFIG找到对应的模型 ID，再调用 TaoToken。这样做的好处是模型切换完全在服务端完成，前端不需要重新部署。你甚至可以在中间层加一个降级逻辑：如果主模型响应超过 3 秒，自动切到备用模型。

第三个建议是给补全和对话分别设置超时和重试。补全场景对延迟敏感，超时设短一点，比如 3 秒，超时后直接返回空，不要阻塞用户输入。对话场景可以设长一点，比如 30 秒，并且允许重试一次。在openaiSDK 里可以通过timeout参数控制：

const client = new OpenAI({ baseURL: 'https://taotoken.net/api', apiKey: process.env.TAOTOKEN_API_KEY, timeout: 3000, maxRetries: 1, });

注意maxRetries不要设太大，补全场景重试两次以上用户体验会很差。对话场景可以设maxRetries: 2，但要在 UI 上给出"正在重试"的提示。

第四个建议是把 API Key 的管理纳入项目的密钥管理流程。开发环境用.env.local，生产环境用部署平台的密钥管理服务。不要把 Key 写进 Dockerfile 或 CI 配置文件。如果你用 Vercel 部署，在项目设置的 Environment Variables 里添加TAOTOKEN_API_KEY，并且只勾选 Production 和 Preview 环境，不要勾选 Development，避免本地开发时误用生产 Key。

第五个建议是给智能交互组件加一个模型切换的 UI 开关。在侧边栏对话组件的顶部放一个下拉框，让用户可以选择"快速模式"和"深度模式"，分别对应不同的模型 ID。前端把选中的模式传给中间层，中间层映射到具体的模型。这样用户可以根据当前任务选择速度优先还是质量优先，而你不需要为每个模式写一套独立的调用逻辑。

最后，建议你定期检查 TaoToken 文档里的模型列表更新。模型供应商会不断推出新模型，TaoToken 的模型列表也会同步更新。当你发现某个新模型在补全或对话场景表现更好时，只需要在MODEL_CONFIG里改一个 ID，就能完成升级。整套配置的核心价值就在这里：Base URL 和 Key 是稳定的，模型是可替换的，前端业务代码是不需要动的。把这三层解耦之后，你的前端项目就真正具备了多模型切换的能力，而不是被某一家模型供应商锁死。

如果你在落地过程中遇到配置问题，可以先到 TaoToken 的接入文档里对照检查，文档地址是https://taotoken.net/doc。需要验证某个模型的实际效果时，可以直接在模型对话页面手动测试，地址是https://taotoken.net/chat。如果你打算把 AI 能力长期集成到编码工作流里，Coding Plan 页面有更详细的长期使用方案，地址是https://taotoken.net/coding-plan。API Key 的管理和创建在控制台，地址是https://taotoken.net/console，API Keys 的快捷入口是https://taotoken.net/api-keys。Claude Code 的接入配置可以参考https://taotoken.net/claude-code-anthropic。这些入口覆盖了从 Key 管理到模型验证再到长期使用的完整链路，按需取用即可。