企业官网建设流程全解析

1. 从一行 401 报错开始：去 AI 味 Skill 的请求出口才是故障点

你按 README 把那个 42.2K+ Star 的开源去 AI 味 Skill 装进 Claude Code，挑了一段 800 字的英译中译文喂进去，回车之后终端只回你一行：

API Error: 401 authentication_error

很多人第一反应是去翻 SKILL.md：是不是 frontmatter 写错了，是不是 description 不够具体，是不是规则清单漏了「禁用『值得注意的是』」。但真正的断点往往在更外层——Skill 只是把指令拼进上下文，真正把这段上下文送出去的，是 Claude Code 的请求出口。出口没配对，规则写得再漂亮也跑不起来。把 Base URL 换成 TaoToken 之后（入口在 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_content=trans_skill_intro ），同一份 SKILL.md、同一段译文、同一套审校口令，可以一次跑完，不需要动 Skill 里的任何一个字。

这篇不是「又一个去 AI 味工具推荐」。它记录的是一条翻译审校流水线：英译中初稿出来之后，怎么用开源去 AI 味 Skill 做后编辑，怎么把请求从原来的出口切到 TaoToken，怎么在两个工具（Claude Code 和 Codex）之间保持同一套 Base URL，以及怎么留下可复核的替换记录和前后译文对照。术语表不动、事实不动、数字不动，只动风格层。下面所有步骤都是本地可执行的配置，没有一步需要你把生产库或者内部系统直接暴露给模型。

2. 去 AI 味 Skill 在翻译审校里到底改什么、不改什么

先把边界划清楚，否则后面配置跑通了，你也不知道该拿它干什么。

翻译稿的「AI 味」和「翻译腔」是两种病，经常同时发作，但成因不同。翻译腔来自源语句法结构的残留：长定语不拆、被动语态照搬、代词密度过高、「的」字连用、名词化优先。AI 味则来自生成侧的统计偏好：连接词通货膨胀（然而、此外、值得注意的是、总的来说）、每段三句的均匀节奏、三元排比、破折号与冒号滥用、以及「不仅……而且……」这类模板化递进。

开源去 AI 味 Skill 的价值，是把这些现象变成一份可复用的规则清单和改写流程：先扫一遍标记词，再做句长打散，再做名词化还原，最后做一次术语一致性回查。它的输出是一份改写后的文本，不是一份质检报告，所以它必须跑在一个能稳定调用大模型的客户端里——Claude Code、Codex、或者任何支持自定义 Base URL 的 CLI。

它的边界同样明确：不碰事实层。译文中的人名、机构名、数字、法规条款、产品型号、术语表映射，Skill 一律做冻结处理，只允许在风格层做等价替换。如果有人拿它去改技术文档里的参数，那不是 Skill 的问题，是用错了工具。审校视角下，它更像一个「后编辑助手」：你出初稿或者机器初稿，它做风格清洗，你最后做事实与术语的终审。

所以真正需要配置的只有两件事：Skill 文件本身，和请求出口。前者是一次性投入，后者是你每天都要用到的开关。

3. 到 TaoToken 拿 Key、抄 Base URL：翻译流水线的第一颗螺丝

配置任何客户端之前，先把两个值拿到手：一个 API Key，一个 Base URL。这一步在 TaoToken 官网完成，不需要装额外工具。

第一步，打开 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_content=trans_skill_getkey ，进入控制台。如果你还没确认自己要用哪个模型，先去「模型对话」页面随便跑一句，把「英译中 + 去 AI 味」这个组合试一遍，看输出风格是不是你要的，再回来建 Key。试跑用的是网页端，不消耗你本地任何配置。

第二步，创建 API Key。Key 只显示一次，复制下来之后先丢进本地环境变量，不要直接硬编码到 git 仓库里的配置文件。本文所有示例统一用占位符YOUR_API_KEY，你替换成自己的即可。

第三步，记住 Base URL：

https://taotoken.net/api

这个地址后面会出现在settings.json和config.toml里，两处写法不同，但值完全一样。注意它不带任何查询参数，不要把你从浏览器复制的带 UTM 的完整地址粘进配置文件，那会导致路径拼接错误。

用一个环境变量把它固化下来，后续切换工具时只改这一处：

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

Windows PowerShell 用户写成$env:TAOTOKEN_API_KEY="YOUR_API_KEY"，或者在系统环境变量面板里新建同名变量。做完之后关掉终端重开一次，避免旧会话读不到。

4. Claude Code 接入：settings.json 里只动 ANTHROPIC_ 三个字段

Claude Code 读取配置的优先级是：命令行参数 > 项目级.claude/settings.json> 用户级~/.claude/settings.json。做翻译审校项目，建议把供应商配置写在用户级，把 Skill 和术语表写在项目级，这样切换项目时不用重复改 Key。

用户级配置文件路径：

• macOS / Linux：~/.claude/settings.json
• Windows：C:\Users\<你的用户名>\.claude\settings.json

内容如下：

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

三个字段的含义：

• ANTHROPIC_BASE_URL：请求出口，填 TaoToken 的https://taotoken.net/api，末尾不要加/v1，客户端会自己补路径。
• ANTHROPIC_AUTH_TOKEN：放你的 Key。如果你的客户端版本读的是ANTHROPIC_API_KEY，两个都写上也行，但不要只写一个然后怀疑 Key 失效。
• ANTHROPIC_MODEL：填你在模型对话页确认过的模型 ID。不确定就先删掉这一行，启动后用/model交互选择，选完再回填。

如果settings.json里已经有别的配置，不要整份覆盖，只往env对象里加这三个键。JSON 不允许尾随逗号，改完用python -m json.tool ~/.claude/settings.json验一遍语法，比在终端里对着 401 猜半天快得多。

改完配置后，做一次连通性验证，不要在 Skill 里试错：

claude -p "只回复 ok，不要解释"

返回ok说明出口通了。如果仍然报 401，先执行claude config list看当前生效的配置来源，多半是项目级settings.json覆盖了用户级，把两处 Key 对齐即可。

5. Codex 接入：config.toml 用 provider 段落，别把 ANTHROPIC_ 搬过来

这是最容易踩的坑：Claude Code 和 Codex 的配置模型完全不同。Claude Code 走env里的ANTHROPIC_*系列变量，Codex 走config.toml里的model_providers段落。把ANTHROPIC_BASE_URL写进config.toml不会报错，但也不会生效，你只会看到一个莫名其妙的模型找不到。

Codex 配置文件路径：

• macOS / Linux：~/.codex/config.toml
• Windows：C:\Users\<你的用户名>\.codex\config.toml

配置内容：

model = "YOUR_MODEL_ID" model_provider = "taotoken" model_reasoning_effort = "medium" [model_providers.taotoken] name = "TaoToken" base_url = "https://taotoken.net/api" env_key = "TAOTOKEN_API_KEY" wire_api = "chat"

要点逐条说明：

• model_provider的值必须和下面[model_providers.<名字>]的段落名一致，这里都叫taotoken。
• base_url同样是不带/v1的主地址。
• env_key写的是环境变量的名字，不是 Key 本身。Codex 会去读这个变量。
• wire_api填chat走 Chat Completions 风格；如果你的模型在控制台标注走 Responses 接口，改成responses。不确定就先按chat跑，报 404 再换。

导出环境变量后启动：

export TAOTOKEN_API_KEY="YOUR_API_KEY" codex

进交互界面先用一句短指令验证，例如让它把一句英文译成中文并保持术语。返回正常，再去挂你的去 AI 味 Skill。两个工具共用同一个TAOTOKEN_BASE_URL值，这一点很重要：只要出口一致，你在 Claude Code 里调好的审校口令，迁到 Codex 时风格表现不会漂移太大。

6. CC Switch 三件套：让 Claude Code 和 Codex 共用一套出口

如果你同时在用 Claude Code、Codex，可能还有第三个 CLI 工具，最省事的做法不是手改三份配置文件，而是用 CC Switch 这类配置切换工具统一管理。它需要你填的核心就是三件套：

三件套填完之后，切换工具就是点一下的事，不需要再进settings.json或者config.toml手动改。这里有个细节值得强调：CC Switch 里填的是「供应商地址」，很多工具的 UI 会把这个字段叫成Base URL、API Base、Endpoint三种名字，含义一样，都填到/api这一层就停住，别自己往后加路径。

如果 CC Switch 版本较老，不识别 Codex 的model_providers写法，那就退回到手动模式：CC Switch 只管 Claude Code，Codex 单独维护config.toml。两边的 Key 引用同一个环境变量，改名的时候一处生效，两处不打架。

7. 把去 AI 味 Skill 落到目录里：SKILL.md 的最小结构

Skill 不是插件，不需要编译，它就是一个带 frontmatter 的 Markdown 文件。Claude Code 读取的目录是~/.claude/skills/<skill-name>/SKILL.md。

目录结构：

~/.claude/skills/deai-translation/ ├── SKILL.md └── glossary.tsv

SKILL.md的最小内容：

--- name: deai-translation description: 清洗英译中译文的 AI 味与翻译腔，保留术语、数字与事实不变。当用户提供译文并要求去 AI 味、去翻译腔、口语化、精简连接词时使用。 --- # 译文去 AI 味规则 ## 必须保留 - 人名、机构名、产品名、版本号、数字、单位 - glossary.tsv 中定义的术语映射，一律按表替换 ## 需要清理 - 连接词堆叠：然而、此外、值得注意的是、总的来说、综上所述 - 名词化结构：对……进行优化 → 优化…… - 三元排比与对仗过工整的短句 - 被动语态的无意义堆叠 - 每段句数过于均匀，需要打散句长 ## 输出格式 1. 直接给改写后的译文，不解释 2. 若某处无法在不改事实的前提下改写，保留原文并标注 [保留]

description这一行决定 Skill 什么时候被自动触发，所以要写清楚「触发场景」和「输入类型」。翻译审校场景里，建议把「去翻译腔」也写进去，否则模型可能只认「去 AI 味」这个词。

术语表用 TSV，方便 diff：

source target note latency 时延 不要译成延迟 throughput 吞吐量 单位统一 deployment 部署 不要译成上线

Skill 挂好之后，用一条命令跑通端到端：

claude -p "用 deai-translation 处理 input.txt，结果写入 output.txt，术语以 glossary.tsv 为准"

第一次跑建议把max_tokens设宽松一点，译文被截断在句子中间，多半是输出长度不够，不是 Skill 出错。

8. 译文去 AI 味前后对照：三组真实改写

下面三组对照，源句是英文原文，初稿是机器翻译直出（典型 AI 味），终稿是去 AI 味 Skill 处理后再做人工终审的结果。规则清单就是上面那一份。

第一组，连接词与自我评价堆叠。

• 源句：It is worth noting that the model may occasionally produce inconsistent terminology.
• 初稿：值得注意的是，该模型有时可能会产生不一致的术语，这一点值得关注。
• 终稿：模型偶尔会前后术语不一致。

改动点：删掉「值得注意的是」和「这一点值得关注」两处评价性插入，把「产生不一致的术语」还原成动词结构「术语不一致」。

第二组，名词化与被动语态。

• 源句：The platform streamlines the review workflow, enabling teams to ship localized content faster.
• 初稿：该平台简化了审校工作流程，使团队能够更快地交付本地化内容，从而显著提升整体效率。
• 终稿：平台缩短了审校流程，本地化内容能更快上线。

改动点：删掉「从而显著提升整体效率」这句无信息量的收尾，把「交付本地化内容」换成更符合中文技术语境的说法，同时把句子长度压下来。

第三组，排比与均匀节奏。

• 源句：Caching reduces latency, lowers cost, and improves stability.
• 初稿：缓存能够降低延迟，降低成本，并提升稳定性。
• 终稿：缓存降延迟、省成本，稳定性也跟着变好。

改动点：三元排比结构打散，把第三个并列项改成补充说明，避免三段等长的机械节奏。

这三组对照可以直接作为你团队的审校基准。真正在项目里跑的时候，建议每次把「初稿 / 终稿 / 改动类型」记成一行，攒够五十行你就能看出自己团队的译文最容易犯哪几类 AI 味，反过来收敛 Skill 的规则清单。

9. Base URL 替换记录：一份可复核的变更台账

审校项目里，配置变更和译文变更一样需要留痕。下面这份表格是推荐的最小记录格式，每次改配置就加一行。

验证通路时，除了用 CLI 发一句短指令，也可以直接打接口。下面这条命令用于确认地址与鉴权头是否匹配：

curl -sS -X POST "https://taotoken.net/api/v1/messages" \ -H "Authorization: Bearer $TAOTOKEN_API_KEY" \ -H "content-type: application/json" \ -d '{ "model": "YOUR_MODEL_ID", "max_tokens": 32, "messages": [{"role": "user", "content": "ping"}] }'

如果返回 404，说明该平台的路径约定不是/v1/messages，以控制台文档给出的路径为准；返回 401 则是 Key 或请求头的问题；返回 200 但内容为空，检查model字段是否填成了显示名而不是 ID。

这张表的另一个用途是回滚。任何时候译文风格突然变差，先看这份台账最近有没有动过 Base URL 或模型名——出口变更导致的模型切换，往往表现为「AI 味规则还在，但输出风格变了」，比 Skill 本身被改更常见。

10. 排障清单：翻译流水线上最常见的六类报错

还有一个不在表里但很常见的现象：配置全部正确、请求也通了，但译文里的术语被 Skill 改掉了。这不是出口问题，是 Skill 里没锁术语表。解决办法是在SKILL.md的「必须保留」段落里明确写上glossary.tsv，并且在调用时再强调一次术语以文件为准。

最后提醒一点配置习惯：settings.json和config.toml都属于本地配置文件，不要提交到团队仓库。团队共享的是 Skill 目录和术语表，Key 和出口地址走各自的本地环境变量。

11. 下一步：把出口固定下来，再谈风格

翻译审校这条流水线里，去 AI 味 Skill 是风格层，TaoToken 的 Base URL 是通路层。通路层稳定之后，风格层的迭代才有意义——你今天调好的规则清单，明天换台机器、换个 CLI 工具，只要 Base URL 还是https://taotoken.net/api，表现就是可复现的。

建议的收尾动作有三个：把YOUR_API_KEY换成你自己的 Key，把 Skill 目录接进版本控制，把上面那份替换台账建起来。做完这三步，你就有了一个可以长期跑的译文清洗流程。

要开始的话，先去模型对话页面跑一句「英译中 + 去 AI 味」看看效果：https://taotoken.net/models/detail/chat?utm_source=taotoken_aicg_blog_end&utm_content=trans_skill_cta_chat 。如果这条流水线要跑量，看一下 Coding Plan 的额度策略：https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=trans_skill_cta_plan 。然后到控制台创建 Key：https://taotoken.net/console/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=trans_skill_cta_key 。Claude Code 侧的完整字段说明放在文档里，配置卡住的时候对着查：https://taotoken.net/doc/ClaudeCodeAnthropic?utm_source=taotoken_aicg_blog_end&utm_content=trans_skill_cta_doc 。