企业官网建设流程全解析

1. 从 Grosser 的 inbound 指标，反推 Agent Token 接入清单

在复现 Jeanne DeWitt Grosser 谈到的 inbound 销售开发高自动化之前，建议先到 TaoToken 官网 取一个可用的 Key，并把所有 AI 工具的 Base URL 统一设为https://taotoken.net/api。原因很现实：很多团队把注意力放在“自动化率看板”上，却在 Claude Code 的settings.json、Codex 的config.toml、CC Switch 的 provider 配置里各写一套 endpoint，最后采样脚本读到的model_request_id对不上，出现 401 或 404 时只能凭感觉排查。公开访谈里，Vercel COO Grosser 描述 inbound 销售开发已经高度自动化，团队编制明显收缩，智能体年度开销落在数千美元量级。这个结论对工程团队真正的启发不是“再买一个 AI 工具”，而是把 inbound Agent 的 Token、模型调用、阶段日志、人工接管点做成可复现的指标链路。本文不去评论访谈本身，而是给出一套可跟做的落地路径：先拿 Key，再配 Claude Code / Codex / CC Switch，最后用指标映射表和本地采样脚本验证你的 inbound Agent 是否真的接近 90% 自动化口径。文中的命令和脚本都由你在本地执行，不连接生产库，也不要把 Key 写进仓库。

2. 指标映射表：把“90% 自动化”拆成可采样字段

访谈里的 90% 自动化，落到工程上不能只用一个总数字概括。更合理的做法是把 inbound 销售开发拆成阶段，每个阶段都记录“谁完成、耗时多少、是否人工接管、模型调用 ID 是什么”。否则你只能看到“自动化率下降”，却不知道是线索丰富失败、资格判断频繁转人工，还是预约会议环节 prompt 轮次爆炸导致超时。

可以先建一张指标映射表，字段按你的 CRM 和 Agent 日志实际情况增删，但结构建议如下：

这张表的关键在于“阶段权重”。如果你的 inbound Agent 只在线索丰富和初步资格上自动化，但路由和预约仍靠人工，那么整体自动化率不可能接近 90%。你可以先定义：

阶段自动化率 = 该阶段无 handoff 且 status=completed 的 lead 数 / 进入该阶段的 lead 数 整体自动化率 = Σ(阶段自动化率 × 阶段权重) 人工介入率 = 发生 handoff 的 lead 数 / 总 lead 数

阶段权重建议按销售团队实际耗时分配，而不是按阶段数量平均分。比如预约会议和资格判断通常比单纯丰富信息更消耗人力，就应该给更高权重。这样你才能解释“为什么模型调用次数增加了，但整体自动化率没有上升”。

可复现产出第一件是“指标映射表”，第二件是“采样脚本”。映射表可以用 Markdown 或 CSV 维护，采样脚本从本地导出的 CSV 读取事件，不直接连接 CRM 生产库，避免误操作。导出的字段至少包含：

lead_id,source,captured_at,enrich_done_at,qualify_done_at,meeting_booked_at,handoff_at,status,model_request_id,input_tokens,output_tokens,error_code L001,form,2025-01-01T09:00:00+0800,2025-01-01T09:00:07+0800,2025-01-01T09:00:12+0800,,,completed,req_1,1200,180, L002,chat,2025-01-01T09:05:00+0800,2025-01-01T09:05:10+0800,2025-01-01T09:05:19+0800,2025-01-01T09:12:00+0800,,completed,req_2,2100,320, L003,event,2025-01-01T09:10:00+0800,2025-01-01T09:10:08+0800,,,2025-01-01T09:11:00+0800,handoff,req_3,900,150,need_enterprise_quote

有了这些字段，才谈得上复现 Grosser 提到的自动化口径。下一步是让 Agent 能稳定调到模型，而不是在 Key 和 Base URL 上反复踩坑。

3. 接入前准备：在 TaoToken 创建 Key，确认 Base URL

无论你用 Claude Code、Codex，还是用 CC Switch 管理多套配置，第一步都是准备凭据。打开 TaoToken 官网，登录后进入控制台。如果你还没有 Key，可以直接到 API Keys 页面 创建。创建后你会拿到一串 Key，本文统一用YOUR_API_KEY占位，不要把它提交到 Git，也不要写进前端代码。

配置时只认两个核心值：

Base URL: https://taotoken.net/api API Key: YOUR_API_KEY

注意 Base URL 后面不要自行拼乱七八糟的路径。不同工具对 Base URL 的处理方式不同：有的会在后面自动补/v1/messages，有的会补/v1/chat/completions。你先按https://taotoken.net/api配置，如果出现 404，再检查是不是在工具里又多写了/v1或/api。把 Base URL 和 Key 放在环境变量里，是后续采样和排障最省事的方式。

本地可以先这样验证环境变量：

export TAOTOKEN_BASE_URL="https://taotoken.net/api" export TAOTOKEN_API_KEY="YOUR_API_KEY" env | grep -E 'TAOTOKEN|ANTHROPIC|OPENAI'

如果你用 Claude Code，环境变量可能以ANTHROPIC_*为主；如果你用 Codex，则重点是config.toml里的 provider 条目和对应 Key 引用。不要把 Claude Code 的ANTHROPIC_AUTH_TOKEN直接塞到 Codex 的配置里，也不要把 Codex 的config.toml格式套到 Claude Code 的settings.json。两者分开维护，排障时才能快速定位。

如果你还没决定用哪种模型或套餐，可以先通过 模型对话 做一次小流量验证，确认 Key 可用。需要长期跑 coding 或 Agent 工作流，再看 Coding Plan。但无论走哪条路径，Base URL 都先固定为https://taotoken.net/api。

4. Claude Code 配置：settings.json 与 ANTHROPIC_* 的边界

Claude Code 的配置入口通常是~/.claude/settings.json，同时也会读取 shell 环境变量。实际排障时最常见的问题是：终端里已经export ANTHROPIC_BASE_URL，但 Claude Code 读的是settings.json里的旧值，或者反过来。建议以settings.json为主，shell 环境变量作为临时覆盖，并在修改后重启终端。

一个可复制的settings.json示例：

{ "env": { "ANTHROPIC_BASE_URL": "https://taotoken.net/api", "ANTHROPIC_AUTH_TOKEN": "YOUR_API_KEY", "ANTHROPIC_MODEL": "YOUR_CLAUDE_MODEL_ID" } }

如果你希望临时切换，也可以用 shell 覆盖：

export ANTHROPIC_BASE_URL="https://taotoken.net/api" export ANTHROPIC_AUTH_TOKEN="YOUR_API_KEY" export ANTHROPIC_MODEL="YOUR_CLAUDE_MODEL_ID"

这里要注意几个细节。第一，ANTHROPIC_AUTH_TOKEN和ANTHROPIC_API_KEY在不同版本或不同封装里可能读取方式不同，如果一种不生效，检查工具文档或控制台给出的示例，不要同时写多个来源导致覆盖顺序混乱。第二，ANTHROPIC_MODEL请填你实际可用的模型 ID，不要照抄网上随便看到的名称。第三，修改settings.json后，最好新开一个终端窗口再运行 Claude Code，避免旧环境变量残留。

验证 Claude Code 是否真的走到了 TaoToken，可以观察请求日志、模型返回或工具启动时的 endpoint 信息。如果仍然报 401，先执行：

env | grep ANTHROPIC

确认当前 shell 里的ANTHROPIC_BASE_URL是不是https://taotoken.net/api，以及 Key 是否有多余空格。如果报 404，检查是不是在ANTHROPIC_BASE_URL后面多加了/v1。Claude Code 的配置搞定后，再进入 Codex，不要把两套环境变量混在一起。

5. Codex 配置：config.toml 不要混用 ANTHROPIC_*

Codex 的配置通常放在~/.codex/config.toml，它和 Claude Code 的settings.json不是同一套东西。这里最忌讳的是把ANTHROPIC_*环境变量写到 Codex 的 provider 配置里，结果 Claude Code 能用，Codex 一直 401。正确做法是在config.toml中声明一个 TaoToken provider，然后把 Key 通过独立环境变量传入。

一个可参考的config.toml示例：

model = "YOUR_CODEX_MODEL_ID" model_provider = "taotoken" [model_providers.taotoken] name = "TaoToken" base_url = "https://taotoken.net/api" env_key = "TAOTOKEN_API_KEY"

然后在 shell 中设置：

export TAOTOKEN_API_KEY="YOUR_API_KEY"

如果你的 Codex 版本要求使用 OpenAI 兼容环境变量，那么可以让env_key指向对应的变量名，但核心原则不变：Codex 走 Codex 的配置，Claude Code 走 Claude Code 的配置。不要把ANTHROPIC_AUTH_TOKEN写进config.toml，也不要指望 Codex 自动读取 Claude Code 的settings.json。

配置完成后，可以先用一个最短任务验证。比如让 Codex 只生成一个简单文件，观察是否报错。如果出现 404，优先检查base_url是否被写成了https://taotoken.net/api/v1或https://taotoken.net/api/。如果出现 401，检查TAOTOKEN_API_KEY是否在当前终端可见：

printenv TAOTOKEN_API_KEY

如果输出为空，说明环境变量没有加载；如果输出有值但依然 401，检查 Key 是否被复制完整、是否被引号包裹、是否包含换行。Codex 一旦通了，就可以把 inbound Agent 的任务跑起来，但指标采样仍建议从本地 CSV 开始，不要一上来就直连生产数据库。

6. CC Switch 三件套：provider、Key 引用、回滚开关

如果你同时维护 Claude Code、Codex 和多套模型配置，CC Switch 这类切换工具会很有用。它的核心不是“多装一个软件”，而是把配置拆成可回滚的三件套。为了避免把环境搞乱，建议统一成以下三件套：

1. provider 定义：名称、Base URL、默认模型或模型别名。
2. Key 引用：只写环境变量名，不写明文 Key。
3. 回滚开关：默认 provider、备用 provider、出错时切回哪个配置。

可以用一份本地 YAML 作为配置清单，便于自己审计：

providers: taotoken: base_url: https://taotoken.net/api key_env: TAOTOKEN_API_KEY default_model: YOUR_MODEL_ID fallback: base_url: YOUR_BACKUP_BASE_URL key_env: BACKUP_API_KEY default_model: YOUR_BACKUP_MODEL_ID active: taotoken rollback: fallback

这份清单不要求某个工具直接识别，它的价值是让你在 CC Switch 或手工切换时有一张明确的对照表。你在 TaoToken 官网 创建 Key 后，只需把TAOTOKEN_API_KEY注入当前环境，再把 provider 的base_url指向https://taotoken.net/api。如果切换后 Claude Code 正常而 Codex 失败，就看三件套里的 Key 引用是不是写错了：Claude Code 可能用ANTHROPIC_AUTH_TOKEN，Codex 可能读TAOTOKEN_API_KEY。

回滚开关同样重要。inbound Agent 跑批时如果某次模型供应商限流或超时，不要临场改代码，而是通过 CC Switch 切到备用 provider，同时保留model_request_id和provider字段，方便后续对比自动化率。这样你才能把“工具切换”变成可观测事件，而不是一次没有记录的救火。

7. 采样脚本：本地生成 inbound Agent 指标

当 Claude Code、Codex 和 CC Switch 都能稳定调用https://taotoken.net/api后，就可以跑采样脚本。脚本只读本地导出的 CSV，不连接 CRM 生产库，也不执行任何线上写操作。你可以把第 2 节的 CSV 字段先导出到inbound_agent_events.csv，然后运行下面的 Python 脚本：

#!/usr/bin/env python3 import csv import json from datetime import datetime from statistics import median FMT = "%Y-%m-%dT%H:%M:%S%z" def parse_ts(value: str): if not value: return None return datetime.strptime(value, FMT) def diff_seconds(start, end): if not start or not end: return None return (end - start).total_seconds() rows = [] with open("inbound_agent_events.csv", newline="", encoding="utf-8") as f: for item in csv.DictReader(f): captured = parse_ts(item.get("captured_at", "")) enrich_done = parse_ts(item.get("enrich_done_at", "")) qualify_done = parse_ts(item.get("qualify_done_at", "")) booked = parse_ts(item.get("meeting_booked_at", "")) rows.append({ **item, "enrich_s": diff_seconds(captured, enrich_done), "qualify_s": diff_seconds(enrich_done, qualify_done), "book_s": diff_seconds(qualify_done, booked), "handoff": bool(item.get("handoff_at", "")), }) total = len(rows) auto_completed = sum( 1 for r in rows if not r["handoff"] and r.get("status") == "completed" ) handoff_count = sum(1 for r in rows if r["handoff"]) booked_count = sum(1 for r in rows if r.get("meeting_booked_at")) qualify_latency = [r["qualify_s"] for r in rows if r["qualify_s"] is not None] report = { "total_leads": total, "auto_completed_rate": round(auto_completed / total, 4) if total else 0, "handoff_rate": round(handoff_count / total, 4) if total else 0, "meeting_booked_rate": round(booked_count / total, 4) if total else 0, "qualify_p50_seconds": median(qualify_latency) if qualify_latency else None, } print(json.dumps(report, ensure_ascii=False, indent=2))

运行后你会得到一份本地 JSON 报告：

python3 inbound_metrics.py

这个脚本能回答几个关键问题：有多少线索在没有人工接管的情况下走完了流程、人工接管比例是多少、预约会议比例是多少、资格判断的中位耗时是多少。如果你要把结果映射到 Grosser 提到的自动化口径，可以继续按阶段加权计算整体自动化率。注意，脚本中的status、handoff_at、meeting_booked_at需要与你的 Agent 日志字段保持一致，否则会出现“看板好看、实际失真”的问题。

8. 排障：401、404、429、超时与 provider 混用

接入阶段最常见的错误不是模型不会回答，而是配置层出错。下面这张表可以作为本地排障清单：

排障时一定要记录model_request_id。它能帮你把一次失败请求和某次 Agent 运行关联起来。如果只有一条“失败了”的日志，没有 request ID，你很难区分是 Key 问题、模型问题，还是本地网络抖动。对于 inbound Agent 这种多阶段任务，建议每个阶段都记录stage_name、provider、model、started_at、finished_at、error_code。这样即使某天自动化率下降，你也能快速定位到具体阶段。

另外，不要把 Claude Code 的ANTHROPIC_BASE_URL和 Codex 的base_url写成同一个变量名后到处 export。它们可以共享同一个 TaoToken Base URL，但配置入口要分开：Claude Code 改settings.json或ANTHROPIC_*，Codex 改config.toml和独立 Key 环境变量。分开之后，CC Switch 的三件套才有意义。

9. 成本映射：把“年成本数千美元”拆成每千次 inbound 动作

访谈里提到智能体年度开销在数千美元量级，这个数字放到工程团队内部，必须拆成可核算的指标才有用。你可以用控制台账单或请求日志中的input_tokens、output_tokens回填，然后计算每千次 inbound 动作的成本。公式如下：

单次请求成本 = input_tokens / 1_000_000 * input单价 + output_tokens / 1_000_000 * output单价 每千次动作成本 = 总请求成本 / 动作数 * 1000

用 Python 可以快速算：

def cost_per_1k(rows, input_price, output_price): total_cost = 0.0 for r in rows: total_cost += int(r.get("input_tokens") or 0) / 1_000_000 * input_price total_cost += int(r.get("output_tokens") or 0) / 1_000_000 * output_price return total_cost / len(rows) * 1000 if rows else 0

这里的input_price和output_price不要写死在代码里，从 TaoToken 控制台或你实际使用的模型价格读取。然后按阶段汇总：线索丰富、资格判断、路由、预约会议分别花了多少 Token，每千次动作成本是多少，人工接管一次少花了多少。这样你才能判断“自动化率提升”是否真的带来成本收益，而不是只看到模型调用量上涨。

如果你发现预约会议阶段消耗最多，可以考虑减少无意义往返轮次，或者把长上下文总结提前缓存。如果你发现资格判断阶段人工接管率最高，先检查 prompt 是否缺少企业规模、使用场景、预算窗口等字段，而不是直接换模型。成本映射表和指标映射表要一起看，才能解释 Grosser 所描述的那种“人员减少、成本可控、流程自动化”的组合结果。

10. 文末 CTA：从模型对话到 Coding Plan，再到创建 Key 和 Claude Code 文档

如果你准备复现 inbound Agent 指标，建议按下面顺序走，不要一上来就把所有配置写死到项目里：

1. 先用 模型对话 验证 Key 和 Base URL 是否可用。
2. 如果要把 Agent 工作流长期用于 coding 或批量任务，再看 Coding Plan。
3. 到 API Keys 创建或轮换你的YOUR_API_KEY。
4. 最后按 Claude Code 文档 配置settings.json和ANTHROPIC_*，Codex 则单独维护config.toml，不要混用。

整个流程的核心只有一句话：先把 Token 和 Base URL 管稳，再谈 inbound Agent 的自动化率。你可以从 TaoToken 官网 开始，拿到 Key 后把 Base URL 设为https://taotoken.net/api，然后用本文的指标映射表和采样脚本跑一轮本地数据。等 Claude Code、Codex、CC Switch 三件套都验证通过，你得到的就不只是一个访谈里的 90% 数字，而是一条可观测、可回滚、可成本核算的 inbound Agent 工程链路。