企业官网建设流程全解析

1. 企业智能体为什么需要 AgentLoop 进化飞轮

很多团队做企业智能体，第一版上线时效果还不错，但跑了两三个月就发现一个尴尬现象：用户量涨了，调用量涨了，可智能体的表现并没有跟着变好，甚至因为业务场景变复杂，成功率还在往下掉。这就是典型的“上线即巅峰”——单次调用能跑通，但没有形成持续进化的闭环。

AgentLoop 进化飞轮要解决的核心问题，就是让智能体在多轮任务中稳定复用上下文与反馈，把每一次执行轨迹变成可沉淀的资产。它和普通 Agent 调用的区别在于：普通调用只关心“这次回答对不对”，而 AgentLoop 关心的是“这条执行轨迹能不能被采集、被评估、被复用”。适合已经有 Agent 工具链、正在从单次调用走向持续进化的团队。

我试过把一套客服 Agent 从裸调用改造成带飞轮骨架的结构，最直观的变化是：以前排查一个失败 case 要翻半天日志，现在通过统一的 Key/API 通道把轨迹事件串起来，评估结果能直接回流到下一轮的上下文注入里。下面这套配置骨架，就是围绕这个目标设计的。

2. TaoToken 作为统一 Key/API 通道的接入位置

在 AgentLoop 的架构里，模型调用、工具调用、评估器调用会分散在多个环节。如果每个环节各自管一套 Key，后面做轨迹采集时就会出现“同一个任务里混了多个通道、token 用量对不上、错误码格式不统一”的问题。所以第一步是把模型访问收敛到一个统一通道。

TaoToken 在这里扮演的角色是统一 Key/API 通道：AgentLoop 里的主模型调用、评估器里的 Judge 模型调用、经验库做规则提取时的辅助调用，都走同一个 API 入口。这样采集到的 trajectory 里，模型调用这一段天然是同一套 schema，token 用量和延迟也能对齐。

接入位置有三个关键点：

• 主 Agent 的模型调用层：替换掉原来散落的 base_url 和 api_key
• 评估器 Agent 的 Judge 调用层：保证评估和主任务用同一通道，避免口径不一致
• 经验库的规则提取调用层：低频但需要稳定，统一通道后便于做成本核算

API 入口用https://taotoken.net/api，Key 在控制台的 API Keys 页面生成。模型对话调试可以在模型对话页面先验证通道是否通，长期跑编码类 Agent 的团队可以看 Coding Plan 的额度结构。

3. 可复制配置骨架：settings.json 与 config.toml

下面给出两套配置骨架，分别对应 JSON 风格的工具链和 TOML 风格的工具链。你可以按自己团队的技术栈选一套，核心是把 AgentLoop 的四个环节（采集、评估、经验库、主调用）都指向统一通道。

3.1 settings.json 骨架

{ "agentloop": { "trajectory": { "enabled": true, "capture": ["model_call", "tool_call", "retrieval", "reflection"], "flush_interval_ms": 2000, "max_span_depth": 12 }, "evaluator": { "mode": "agent_as_judge", "layers": ["step", "trajectory", "outcome"], "judge_model": "default-judge" }, "memory": { "strategies": ["fact", "episodic", "summary"], "inject_mode": "just_in_time", "top_k": 5 }, "experience": { "extract_from": ["success_trajectory", "badcase"], "rule_format": "skill_or_memory", "activation_threshold": 0.72 } }, "providers": { "default": { "base_url": "https://taotoken.net/api", "api_key_env": "TAOTOKEN_API_KEY", "timeout_ms": 60000, "max_retries": 2 } }, "models": { "main-agent": { "provider": "default", "model": "claude-sonnet", "temperature": 0.3 }, "default-judge": { "provider": "default", "model": "claude-sonnet", "temperature": 0.0 } } }

这份配置里，trajectory.capture决定了采集哪些事件类型，evaluator.layers对应三层评估，memory.inject_mode设为just_in_time表示经验按需注入而不是全量塞进上下文。providers.default.base_url就是统一通道的接入点，api_key_env用环境变量读取，避免 Key 写进配置文件。

3.2 config.toml 骨架

[agentloop.trajectory] enabled = true capture = ["model_call", "tool_call", "retrieval", "reflection", "rollback"] flush_interval_ms = 2000 max_span_depth = 12 [agentloop.evaluator] mode = "agent_as_judge" layers = ["step", "trajectory", "outcome"] judge_model = "default-judge" custom_evaluators = ["task_completion", "tool_success_rate", "context_consistency"] [agentloop.memory] strategies = ["fact", "episodic", "summary", "custom"] inject_mode = "just_in_time" top_k = 5 ttl_days = 90 [agentloop.experience] extract_from = ["success_trajectory", "badcase"] rule_format = "skill_or_memory" activation_threshold = 0.72 regression_required = true [providers.default] base_url = "https://taotoken.net/api" api_key_env = "TAOTOKEN_API_KEY" timeout_ms = 60000 max_retries = 2 [models.main-agent] provider = "default" model = "claude-sonnet" temperature = 0.3 [models.default-judge] provider = "default" model = "claude-sonnet" temperature = 0.0

TOML 版本多了rollback采集和regression_required开关。rollback用来记录 Agent 在哪一步回退过，这对后面做 trajectory-level 评估很关键；regression_required表示经验规则注入前必须过回归测试，防止把坏经验写进记忆库。

3.3 关键参数对照

注意：api_key_env只写环境变量名，不要把真实 Key 写进 settings.json 或 config.toml。团队协作时配置文件可以进版本库，Key 走各自的本地环境。

4. 一轮可执行的验证动作

配置写完后，不要直接上生产，先用一轮最小任务验证飞轮是否真的转起来。验证目标是：确认智能体在多轮任务中能稳定复用上下文与反馈。

第一步，设置环境变量并启动：

export TAOTOKEN_API_KEY="你的Key" python -m agentloop.run --config ./config.toml --task ./tasks/verify_round1.json

第二步，构造一个两轮任务，第一轮故意留一个可复用的偏好，第二轮看它是否自动带上：

{ "session_id": "verify-001", "turns": [ { "role": "user", "content": "帮我查一下上季度华东区的订单异常，输出用表格，金额保留两位小数" }, { "role": "user", "content": "再查一下华南区的，格式和刚才一样" } ] }

第三步，检查轨迹文件里是否出现了预期的 span 结构：

cat ./logs/trajectory/verify-001.jsonl | jq '.span_type' | sort | uniq -c

预期能看到model_call、tool_call、retrieval三类 span，且第二轮里memory_inject事件应该带上第一轮的格式偏好。如果第二轮没有复用格式，说明inject_mode或top_k需要调整。

第四步，跑一次评估器，确认三层评估都有输出：

python -m agentloop.evaluate --trajectory ./logs/trajectory/verify-001.jsonl --layers step,trajectory,outcome

成功的结果是：step 层显示工具调用成功率，trajectory 层显示路径是否合理，outcome 层显示最终交付是否满足要求。三层结论可能不一致，这正常，重点看 outcome 层是否通过。

5. 本篇常见错排查

5.1 轨迹采集到了但 span 是断的

现象是 trajectory 文件里只有 model_call，没有 tool_call。常见原因是工具调用层没有走统一通道，或者采集 SDK 没挂到工具执行器上。检查capture数组里是否包含tool_call，以及工具执行器是否在 AgentLoop 的插桩范围内。

5.2 第二轮没有复用第一轮的上下文

先看memory.inject_mode是不是设成了just_in_time，再看top_k是不是太小。如果记忆库策略里没开episodic，跨轮次的偏好可能不会被提取。另外activation_threshold设太高（比如 0.9）也会导致经验激活不了。

5.3 评估器报 Judge 模型调用失败

多半是default-judge的 provider 没指向统一通道，或者api_key_env对应的环境变量没设置。用模型对话页面先单独验证一次通道是否通，再回来跑评估。

5.4 经验规则注入后效果反而变差

这是regression_required没开或者回归测试没覆盖到的典型表现。把regression_required设为 true，并且每次经验规则变更后强制跑一遍回归集。如果回归集本身质量不高，先补回归集再谈经验注入。

5.5 token 用量对不上

检查是不是有环节绕过了统一通道直连了别的入口。AgentLoop 的 token 统计依赖所有模型调用都走同一通道，一旦有旁路，用量就会漏算。把主调用、Judge 调用、经验提取调用都收敛到providers.default即可。

6. 把飞轮跑起来之后

配置骨架只是起点，真正让智能体越用越聪明的，是飞轮转起来之后的持续迭代。建议先把采集和评估跑稳，再开经验库的自动注入。经验库初期可以只做“成功轨迹提取”，等 badcase 积累到一定量再开失败模式聚类。

长期跑编码类 Agent 的团队，可以关注 Coding Plan 的额度结构，把主任务和评估任务的成本分开核算。需要生成或轮换 Key 的时候，在 API Keys 页面操作，接入细节看接入文档。通道验证阶段用模型对话页面快速确认，别一上来就压生产流量。

飞轮的核心不是配置多复杂，而是每一轮任务结束后，有没有一条轨迹被采集、被评估、被沉淀。只要这条链路是通的，智能体就会慢慢从“每次重新开始”变成“越用越懂你的业务”。