企业官网建设流程全解析

从 DevAssistant Pro 的双模型接入说起：一个 Agent 应用为什么要统一 Base URL

在《第13章-从零构建-企业级Agent应用完整实战》的 Day 1-18 交付主线里，13.1.4 技术选型把 LLM 接入定为 Claude API + OpenAI API，13.2.4 的packages/agent-core/src/llm/provider.ts与router.ts负责模型调用。真正动手时你会发现一个很现实的问题：一个 Agent 应用要同时管理两家模型的 Key、两套入口、两套计费口径，provider.ts里到处是分支判断，router.ts的路由表越写越长。这篇就把原文“申请/填入模型 Key”这一步改写成先打开 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 注册并创建 Key，回到provider.ts/router.ts时把模型供应商的 Base URL 填https://taotoken.net/api，让 Claude 与 OpenAI 走同一个入口。需要先说清楚：TaoToken 只提供 Key 与 Base URL，不替代 DevAssistant Pro 的 Agent/Harness/RAG 逻辑，你的上下文管理器、工具执行器、Token 用量表该怎么写还怎么写。

一、原问题与场景：双模型接入的 Key 与入口之痛

原文 13.2.4 的provider.ts大致是这样的结构：一个createLLMProvider(model)工厂，根据模型名判断走 Anthropic SDK 还是 OpenAI SDK。问题在于：

• Key 管理分散：ANTHROPIC_API_KEY和OPENAI_API_KEY两套环境变量，团队里谁用哪个模型就得配哪套 Key，新人 onboarding 经常卡在这一步。
• 入口不统一：Anthropic 的 base 是https://api.anthropic.com，OpenAI 的 base 是https://api.openai.com/v1，router.ts里要维护两张映射表。
• 切换成本高：想在claude-sonnet-4-6和gpt-4o之间做 A/B，或者按任务类型路由（代码生成走 Claude、推理走 OpenAI），每次都要改 provider 分支。
• 用量统计割裂：13.2.1 的token_usage表要按模型分别统计，但两家返回的 usage 字段结构不同，estimatedCost很难对齐。

场景很具体：你在 Day 1-5 搭完基础设施，Day 6-10 开始接 Harness 组件，agent.ts里this.llm.chat({ messages, tools, temperature })这一行要能同时喂给 Claude 和 OpenAI。如果 provider 层不收敛，后面 13.3 的上下文管理器、工具执行器、安全护栏都会被拖累。

二、TaoToken 前置：注册、创建 Key、拿到 Base URL

这一步替代原文的“申请/填入模型 Key”。流程很短：

1. 打开 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 注册账号。
2. 进入控制台创建 API Key，得到形如YOUR_API_KEY的凭证。
3. 记下 Base URL：https://taotoken.net/api。注意这里不带/v1，也不加 UTM 参数，直接就是这一串。
4. 如果你要核对 Key 状态或看接入文档，走这两个入口：
   • API Keys 管理：https://taotoken.net/console/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api_keys&utm_campaign=rewrite
   • 接入文档：https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite

拿到 Key 和 Base URL 后，回到 DevAssistant Pro 的packages/agent-core/src/llm/目录。TaoToken 在这里的角色是“统一入口”：Claude 和 OpenAI 的请求都发往https://taotoken.net/api，由它按模型 ID 转发。你的provider.ts不再需要维护两套 base URL，router.ts也不再需要两套 SDK 初始化逻辑。

三、可复制配置：改造 provider.ts 与 router.ts

先看环境变量。在项目根目录的.env（或docker-compose.yml的 environment 段）里加：

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

然后是packages/agent-core/src/llm/provider.ts的改造。原文的createLLMProvider可以收敛成一个统一的 OpenAI 兼容客户端，因为 TaoToken 的入口对 Claude 和 OpenAI 都提供 OpenAI 兼容的 chat 接口：

// packages/agent-core/src/llm/provider.ts import OpenAI from "openai"; export interface LLMProvider { chat(params: { messages: Message[]; tools?: ToolDefinition[]; temperature?: number; model?: string; }): Promise<LLMResponse>; } export function createLLMProvider(defaultModel: string): LLMProvider { const client = new OpenAI({ apiKey: process.env.TAOTOKEN_API_KEY!, baseURL: process.env.TAOTOKEN_BASE_URL || "https://taotoken.net/api", }); return { async chat({ messages, tools, temperature = 0.3, model }) { const response = await client.chat.completions.create({ model: model || defaultModel, messages, tools: tools?.length ? tools : undefined, temperature, }); const choice = response.choices[0]; return { content: choice.message.content || "", toolCalls: choice.message.tool_calls?.map((tc) => ({ id: tc.id, name: tc.function.name, parameters: JSON.parse(tc.function.arguments), })), tokensUsed: response.usage?.total_tokens || 0, }; }, }; }

再看router.ts。原文的 router 负责按任务类型选模型，改造后只需要维护一张“任务类型 → 模型 ID”的表，不再关心供应商：

// packages/agent-core/src/llm/router.ts export type TaskType = "code_write" | "code_review" | "reasoning" | "doc_write"; const MODEL_ROUTING: Record<TaskType, string> = { code_write: "claude-sonnet-4-6", code_review: "claude-sonnet-4-6", reasoning: "gpt-4o", doc_write: "gpt-4o-mini", }; export function routeModel(taskType: TaskType): string { return MODEL_ROUTING[taskType] || "claude-sonnet-4-6"; }

这样agent.ts里的调用完全不用改，this.llm.chat({ messages, tools, temperature })照旧，只是底层入口从两家变成了https://taotoken.net/api一家。13.2.1 的token_usage表也不用改结构，model字段照填，inputTokens/outputTokens从统一的usage字段取。

如果你在本地想先用 CLI 快速验证 Key 是否可用，可以装一下：

npm i -g @taotoken/taotoken taotoken cc -k YOUR_API_KEY -u https://taotoken.net/api -m claude-sonnet-4-6

这条命令只是验证通道，不替代你项目里的 provider 实现。

四、验证请求：先跑通双模型 chat，再接 Harness

配置改完后，别急着接 13.3 的上下文管理器和工具执行器。先写一个最小验证脚本，确认 Claude 和 OpenAI 两个模型都能通过同一个 Base URL 返回：

// scripts/verify-llm.ts import { createLLMProvider } from "../packages/agent-core/src/llm/provider"; async function main() { const provider = createLLMProvider("claude-sonnet-4-6"); const claudeResp = await provider.chat({ messages: [{ role: "user", content: "用一句话说明什么是 ReAct 循环" }], model: "claude-sonnet-4-6", }); console.log("[Claude]", claudeResp.content, "tokens:", claudeResp.tokensUsed); const openaiResp = await provider.chat({ messages: [{ role: "user", content: "用一句话说明什么是 ReAct 循环" }], model: "gpt-4o", }); console.log("[OpenAI]", openaiResp.content, "tokens:", openaiResp.tokensUsed); } main().catch(console.error);

成功的结果是：两个请求都返回非空content，tokensUsed都有数值，控制台没有 401/404/429。如果 Claude 和 OpenAI 都通了，说明provider.ts的 Base URL 和 Key 配置正确，可以继续按原文接 13.3.1 的ContextManager、13.3.2 的ToolExecutor、13.3.3 的ReasoningController。工具调用这块要特别注意：tools参数传进去后，返回的toolCalls结构要能被ToolExecutor.execute消费，字段名对齐id/name/parameters。

验证通过后，13.2.1 的token_usage表可以正常写入，13.4.3 的可观测性平台也能从统一的usage字段采集 Token 指标。整个链路是：agent.ts→reasoning.ts→provider.ts→https://taotoken.net/api→ 模型。

五、本篇常见错排查

错误 1：Base URL 多写了/v1。这是最常见的。https://taotoken.net/api就是完整入口，不要写成https://taotoken.net/api/v1，否则会 404。OpenAI SDK 的baseURL字段本身会拼/chat/completions，你只需要给到/api。

错误 2：Key 没生效，报 401。检查.env里TAOTOKEN_API_KEY是否真的被加载。Node.js 项目里process.env不会自动读.env，需要dotenv或在docker-compose.yml里显式声明。另外确认 Key 没有多余空格或换行。

错误 3：provider.ts里还留着旧的 Anthropic SDK 分支。改造后应该只保留一个 OpenAI 兼容客户端。如果router.ts还在import Anthropic from "@anthropic-ai/sdk"，说明改造没完成，会出现两套 base URL 并存。

错误 4：工具调用返回的parameters解析失败。有些模型返回的function.arguments是空字符串或非 JSON，JSON.parse会抛异常。在provider.ts里加一层 try/catch，解析失败时返回空对象，让ToolExecutor去处理。

错误 5：模型 ID 写错。claude-sonnet-4-6、gpt-4o、gpt-4o-mini这些 ID 要和你实际可用的模型对齐。如果报“model not found”，先去模型对话页确认可用模型列表：https://taotoken.net/chat?utm_source=taotoken_aicg_blog_end&utm_content=model_chat&utm_campaign=rewrite

错误 6：CORS 或网络问题。如果你在浏览器端直接调，注意apps/api/src/app.ts里的 CORS 配置。服务端调用不受影响，但前端直连要确认origin白名单。

六、语义一致：Key 与 Base URL 之外，Agent 逻辑仍归你

回到原文的主线。TaoToken 在这条链路里只做两件事：提供 Key、提供 Base URL。DevAssistant Pro 的 Agent 运行时（agent.ts）、Harness 组件（context.ts/tools.ts/safety.ts/reasoning.ts/memory.ts）、RAG 系统（13.4.1）、Multi-Agent 编排（13.4.2）、可观测性平台（13.4.3）全部由你自己实现和维护。provider.ts和router.ts的改造只是把“两家模型的 Key 与入口”收敛成“一个入口 + 一张路由表”，让 13.3 之后的组件不用关心底层供应商差异。

如果你在接入过程中遇到 Key 或 Base URL 的问题，走 API Keys 管理页和接入文档：

• API Keys：https://taotoken.net/console/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api_keys&utm_campaign=rewrite
• 接入文档：https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite

如果你准备长期跑 Agent 编码任务，比如让 DevAssistant Pro 持续做代码生成、审查、测试生成，可以看 Coding Plan：https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding_plan&utm_campaign=rewrite

验证模型是否可用，直接去模型对话页试一条请求：https://taotoken.net/chat?utm_source=taotoken_aicg_blog_end&utm_content=model_chat&utm_campaign=rewrite

下一步就是原文第14章的生产部署。在那之前，确保你的provider.ts只认https://taotoken.net/api这一个 Base URL，router.ts只维护一张模型路由表，token_usage表能正常写入。这三件事做完，Day 1-18 的交付主线就不会在 LLM 接入这一环卡住。