企业官网建设流程全解析

1. 从 environment-probing curation 到 TaoToken 写入通道：先拆 Token 账本

Microsoft 近期关于 environment-probing curation 的论文，把长期运行智能体的持久记忆问题推到了一个很工程化的位置：经验不是写完就算，写入前要有一个独立记忆智能体，以只读方式探测环境，校验这条经验是否正确、是否可复用。这个思路放到 Claude Code、Codex、CC Switch 这类编码工具里，真正容易踩坑的不是“要不要校验”，而是写入通道和校验通道的 Base URL、Key、Token 统计是否统一。很多团队的做法是主 Agent 走一个供应商，校验 Agent 走另一个供应商，最后经验库是更新了，但没人能回答这次写入消耗了多少 Token、只读探测读了多少证据、哪些记忆读取其实可以省略。

本文的目标很具体：把经验库写入通道改到 TaoToken，记忆校验再通过只读环境探测，最后输出校验后的读取结果与 Token 消耗。TaoToken 的官网入口是 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_content=memory_curation_intro，工具配置统一使用 Base URL：https://taotoken.net/api，Key 先用占位符YOUR_API_KEY。下面不会复述论文结论，而是给出可复制的配置路径：Claude Code 走settings.json和ANTHROPIC_*，Codex 走config.toml和model_provider，CC Switch 用 Profile、Key、Base URL 三件套统一切换，再用一个本地只读脚本完成记忆校验。

2. 记忆校验的 Token 账本：写入、探测、回执、再读取

要复现 environment-probing curation 的核心动作，先把一次“经验写入”拆成五个阶段。

第一阶段是候选经验生成。主 Agent 在完成任务后，从对话、报错、修复过程中提炼出一条候选经验，例如“在本仓库升级依赖前先运行某个冒烟测试”。这一步通常由主模型完成，消耗的是任务上下文和生成候选条目的 Token。

第二阶段是只读环境探测。独立的记忆校验智能体不能直接接受候选经验，它要按照白名单读取环境证据，例如 README、依赖声明、测试文件、最近一次本地命令输出。只读意味着不修改文件、不写入数据库、不连接生产库，也不执行任何有副作用的命令。校验 Agent 的任务是回答：这条经验在当前环境中是否成立，是否具有跨任务复用价值。

第三阶段是校验回执。为了后面能自动过滤，校验结果最好强制为 JSON，例如correct、reusable、reason、suggested_fix四个字段。这样主流程不需要解析自然语言，也能把“不通过”的经验挡在持久化之前。

第四阶段是持久化。只有回执同时满足正确和可复用时，才把候选经验、证据摘要、校验回执、时间戳写入经验库。写入本身不一定调用模型，但如果在写入时做摘要压缩，就会再产生一次 Token 消耗。

第五阶段是再读取。下一轮任务读取记忆时，不能只读经验文本，还要读取校验标记和证据来源。否则一个已经被标记为“环境相关、不可复用”的经验，会在另一个项目里被错误套用。

把这五个阶段放在 TaoToken 的同一个 Base URL 下，好处是每次调用的usage字段结构一致，主 Agent 和校验 Agent 的消耗可以汇总到同一张账本里。切换模型时也不需要改业务代码，只需要改配置中的模型名。

3. 在 TaoToken 官网拿 Key：Base URL 与最小权限

先把入口固定下来。打开 TaoToken 官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_content=create_key_step，完成注册或登录。然后在控制台创建 API Key，创建页入口是 https://taotoken.net/console/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=create_key_api_keys。复制出来的 Key 不要直接写进仓库，本文统一用YOUR_API_KEY占位。

Base URL 不加任何 UTM 参数，工具配置里统一写：

https://taotoken.net/api

本地环境变量可以这样设置：

export TAOTOKEN_API_KEY="YOUR_API_KEY" export TAOTOKEN_BASE_URL="https://taotoken.net/api"

如果你使用 Claude Code，则还需要对应的ANTHROPIC_*变量；如果你使用 Codex，则不要在 Codex 配置里写ANTHROPIC_*。这是两套客户端，认证变量不同，混用会出现能启动但请求 401 或 404 的情况。

最小权限建议：

• 经验库写入和记忆校验使用独立 Key，方便按项目统计 Token。
• 校验 Agent 的 Key 不授予生产环境操作权限，只允许读取本地白名单文件。
• 不要把 Key 提交到 Git；用 shell 环境变量或本地未跟踪配置文件。
• 如果团队多人共用，给每个开发者单独创建 Key，便于排障。

4. Claude Code：settings.json 写 ANTHROPIC_*

Claude Code 的配置重点是settings.json和ANTHROPIC_*环境变量。可以在用户级配置或项目级配置中写入env块。下面是一个可复制的示例，模型名请按 TaoToken 控制台实际可用的模型替换：

{ "env": { "ANTHROPIC_BASE_URL": "https://taotoken.net/api", "ANTHROPIC_AUTH_TOKEN": "YOUR_API_KEY", "ANTHROPIC_MODEL": "claude-sonnet-4-20250514", "ANTHROPIC_SMALL_FAST_MODEL": "claude-3-5-haiku-20241022" } }

如果你不想改settings.json，也可以只在当前终端临时导出：

export ANTHROPIC_BASE_URL="https://taotoken.net/api" export ANTHROPIC_AUTH_TOKEN="YOUR_API_KEY" export ANTHROPIC_MODEL="claude-sonnet-4-20250514"

配置完成后，Claude Code 的请求会走 TaoToken 的 Base URL。此时你再让主 Agent 生成候选经验、让校验 Agent 读取本地证据，两个调用都会出现在同一套 Token 统计里。

Claude Code 文档入口放在这里，后面 CTA 还会再列一次：
https://taotoken.net/doc/ClaudeCodeAnthropic?utm_source=taotoken_aicg_blog_end&utm_content=memory_validation_claudecode_doc

注意：ANTHROPIC_*只属于 Claude Code 这一类客户端。不要把它复制到 Codex 的config.toml里，Codex 不认这组变量。

5. Codex：config.toml 写 model_provider，禁止混用 ANTHROPIC_*

Codex 使用config.toml管理模型供应商。典型位置是~/.codex/config.toml。下面示例把 TaoToken 注册为一个名为taotoken的 provider，Base URL 仍然是不带 UTM 的https://taotoken.net/api：

model = "gpt-5-codex" model_provider = "taotoken" [model_providers.taotoken] name = "TaoToken" base_url = "https://taotoken.net/api" env_key = "TAOTOKEN_API_KEY" wire_api = "responses"

然后在 shell 中提供 Key：

export TAOTOKEN_API_KEY="YOUR_API_KEY"

如果你的 Codex 版本要求使用 chat completions 风格的接口，可以把wire_api按客户端文档调整为对应值。但无论怎么调，都不要把 Claude Code 的ANTHROPIC_AUTH_TOKEN写进这里。Codex 通过env_key读取TAOTOKEN_API_KEY，这是两条独立认证链。

验证思路是：先用一个最小对话请求确认 Codex 能走通，再让它执行记忆写入任务。不要让 Codex 直接连接生产数据库，也不要把校验 Agent 配置成可以写生产环境的权限。记忆校验只需要读本地文件、读测试输出、读配置快照。

6. CC Switch 三件套：Profile、Key、Base URL

如果你同时在 Claude Code、Codex、其他 CLI 之间切换，可以用 CC Switch 做统一入口。这里说的三件套是：Profile、Key、Base URL。Profile 决定当前激活哪个工具，Key 决定认证，Base URL 决定请求打到哪。示例配置如下，具体字段名请按你本地 CC Switch 版本调整：

version: 1 profiles: - name: tao-claude tool: claude-code env: ANTHROPIC_BASE_URL: "https://taotoken.net/api" ANTHROPIC_AUTH_TOKEN: "YOUR_API_KEY" ANTHROPIC_MODEL: "claude-sonnet-4-20250514" - name: tao-codex tool: codex env: TAOTOKEN_API_KEY: "YOUR_API_KEY" config_path: "~/.codex/config.toml" - name: tao-gemini tool: gemini-cli env: GEMINI_API_KEY: "YOUR_API_KEY" GEMINI_BASE_URL: "https://taotoken.net/api"

切换时注意三点：

1. Claude Code 的 Profile 写ANTHROPIC_*，Codex 的 Profile 写TAOTOKEN_API_KEY，不要交叉。
2. 切换后新开终端，避免旧环境变量覆盖新 Profile。
3. Base URL 统一用https://taotoken.net/api，不要在末尾随手加斜杠或/v1，除非客户端文档明确要求。

这样，记忆写入通道、记忆校验通道、再读取通道都能通过 CC Switch 切到同一组 TaoToken 配置，Token 消耗也更容易按 Profile 汇总。

7. 只读环境探测：记忆校验脚本与 JSON 回执

下面是一个可运行的 Python 示例。它做三件事：读取白名单本地文件作为证据；调用 TaoToken 的 Base URL 让校验智能体返回 JSON 回执；打印校验结果和 Token 消耗。脚本没有连接生产库，也没有 MCP 直连数据库，所有读取都在本地执行。

import json import os from pathlib import Path from openai import OpenAI client = OpenAI( api_key=os.environ["TAOTOKEN_API_KEY"], base_url="https://taotoken.net/api", ) READ_ONLY_FILES = ["README.md", "pyproject.toml", "tests/test_smoke.py"] def read_only_evidence(paths): evidence = {} for p in paths: path = Path(p) if not path.exists(): evidence[p] = "<missing>" continue if path.is_dir(): evidence[p] = "<dir skipped>" continue text = path.read_text(encoding="utf-8", errors="ignore") evidence[p] = text[:3000] return evidence def validate_memory(candidate, evidence): system = ( "你是独立记忆校验智能体。你只能读取给定证据，不得修改环境，" "不得连接生产数据库。请判断候选经验是否正确、可复用。" "只返回 JSON。" ) user = { "candidate": candidate, "evidence": evidence, "required_schema": { "correct": "boolean", "reusable": "boolean", "reason": "string", "suggested_fix": "string", }, } resp = client.chat.completions.create( model="gpt-4.1-mini", # 按 TaoToken 控制台模型名替换 messages=[ {"role": "system", "content": system}, {"role": "user", "content": json.dumps(user, ensure_ascii=False)}, ], temperature=0, response_format={"type": "json_object"}, ) verdict = json.loads(resp.choices[0].message.content) usage = { "prompt_tokens": resp.usage.prompt_tokens, "completion_tokens": resp.usage.completion_tokens, "total_tokens": resp.usage.total_tokens, } return verdict, usage if __name__ == "__main__": candidate = "在本仓库执行升级前，先跑 pytest -q 做冒烟检查。" evidence = read_only_evidence(READ_ONLY_FILES) verdict, usage = validate_memory(candidate, evidence) print("verdict:", json.dumps(verdict, ensure_ascii=False, indent=2)) print("usage:", json.dumps(usage, ensure_ascii=False, indent=2))

这个脚本把“写入前校验”变成了一个明确步骤：没有校验回执，后面的持久化就不执行。correct和reusable都为true时，才把经验写入经验库；否则只记录候选和拒绝原因，不污染持久记忆。

8. 复现输出：校验后读取结果与 Token 消耗表

运行上面的脚本后，你会得到形如下面的输出结构。数值仅表示格式，实际 Token 以 TaoToken 返回的usage为准：

{ "verdict": { "correct": true, "reusable": true, "reason": "README 与 pyproject 中的测试命令支持该经验", "suggested_fix": "" }, "usage": { "prompt_tokens": 1234, "completion_tokens": 56, "total_tokens": 1290 } }

接下来是“校验后读取”。经验库可以用 JSONL 保存，每行包含候选经验、证据摘要、校验回执、写入时间。下一个任务读取时，只拼接通过校验的条目：

import json from pathlib import Path def load_valid_memory(path="memory_store.jsonl"): memories = [] for line in Path(path).read_text(encoding="utf-8").splitlines(): item = json.loads(line) verdict = item.get("verdict", {}) if verdict.get("correct") is True and verdict.get("reusable") is True: memories.append(item) return memories def build_context(memories, max_items=8): selected = memories[-max_items:] blocks = [] for item in selected: blocks.append( f"经验：{item['candidate']}\n" f"校验原因：{item['verdict'].get('reason', '')}\n" f"证据来源：{', '.join(item.get('evidence_sources', []))}" ) return "\n\n".join(blocks) if __name__ == "__main__": valid = load_valid_memory() context = build_context(valid) print(context)

Token 消耗可以按阶段记录成表：

这张表的用途是定位浪费：如果只读探测的输入 Token 过高，说明证据文件截断不够或白名单太宽；如果候选经验生成的输出很长，说明主 Agent 没有先压缩再校验；如果读取阶段拼接了太多旧经验，说明读取数量上限需要收紧。

9. 排障：401、404、模型名与重复写入

401 未授权
先检查YOUR_API_KEY是否已替换。Claude Code 看ANTHROPIC_AUTH_TOKEN，Codex 看TAOTOKEN_API_KEY，CC Switch 看当前激活 Profile。不要在一个客户端里混用另一套变量名。

404 路径错误
Base URL 统一使用https://taotoken.net/api。不要在末尾随手加/v1，也不要多加斜杠。Codex 的base_url和 Claude Code 的ANTHROPIC_BASE_URL都按这个值填写。

Claude Code 可用但 Codex 不通
最常见原因是把ANTHROPIC_*写进了 Codex 配置。Codex 使用config.toml中的model_provider和env_key，不是ANTHROPIC_AUTH_TOKEN。反过来，Claude Code 也不要读TAOTOKEN_API_KEY作为主认证变量，除非你额外做了映射。

CC Switch 切换后仍旧走旧配置
环境变量优先级可能高于 Profile。切换后执行env | grep -E "ANTHROPIC|TAOTOKEN|GEMINI"检查，必要时新开终端。把旧变量清理掉再启动工具。

模型名不存在
模型名要以 TaoToken 控制台模型列表为准。Claude Code 使用ANTHROPIC_MODEL，Codex 使用config.toml中的model。不要把两个客户端的模型名硬套。

Token 消耗异常
优先检查只读证据是否做了截断，例如text[:3000]；检查是否把整个仓库文件都塞进了校验请求；检查校验回执是否强制 JSON，避免自然语言长回复。如果经验重复写入，用候选经验的哈希做去重，例如sha256(candidate)，写入前先查本地 JSONL。

安全边界
记忆校验 Agent 只读本地白名单文件，不连接生产库，不执行写命令。需要查询数据时，由读者在本地执行只读 SQL 或命令，再把结果作为文本证据传入校验请求。不要让 Agent 直连 Oracle 或任何生产数据库。

10. CTA：模型对话 → Coding Plan → 创建 Key → Claude Code 文档

如果你准备把经验库写入和记忆校验完整跑一遍，建议按下面顺序操作：

1. 先到模型对话页验证 TaoToken 的模型可用性和返回结构：
   https://taotoken.net/models/detail/chat?utm_source=taotoken_aicg_blog_end&utm_content=memory_validation_chat

2. 如果要把长期记忆校验放进日常编码流程，查看 Coding Plan：
   https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=memory_validation_coding_plan

3. 创建自己的 API Key，替换本文所有YOUR_API_KEY：
   https://taotoken.net/console/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=memory_validation_api_keys

4. Claude Code 用户再看一遍配置文档，确认settings.json与ANTHROPIC_*写法：
   https://taotoken.net/doc/ClaudeCodeAnthropic?utm_source=taotoken_aicg_blog_end&utm_content=memory_validation_claudecode_doc

回到最初的工程动作：把经验库写入通道改到 TaoToken，Base URL 用https://taotoken.net/api；记忆校验再通过只读环境探测执行；写入前必须有 JSON 回执；写入后只读取通过校验的条目；每个阶段都记录prompt_tokens、completion_tokens和total_tokens。这样你得到的不是一条“看起来正确”的经验，而是一条有证据来源、有校验标记、有 Token 账本的可复用记忆。