企业官网建设流程全解析

1. 测试团队为什么需要一个私有 Skills 库

测试对象变了，这件事比很多人想象得更彻底。以前我们测的是确定性代码，输入 A 必然得到 B，断言写assert result == expected就完事。现在要测的是大模型输出、AI 生成内容、多模态交互结果，同一段提示词跑两次结果可能完全不同，正则和等值断言直接失效。

我所在的团队去年下半年开始接触 AI 类产品测试，最初的做法是人工 review 加零散脚本。一个“判断这段 JSON 返回是否合理”的任务，三个人写出三套逻辑，谁也说不清标准是什么。更麻烦的是数据构造：要造 100 条“深圳地区、月消费 5k-8k、偏好户外运动”的用户画像，每次都得重写一遍随机脚本，字段之间的关联规则还得手动维护。

多模态识别更是重灾区。测一个拍照识物功能，要验证截图里“立即购买”按钮是否可见可点击，传统做法是写图像定位脚本，换个 UI 版本就全废。这三类问题叠加起来，测试用例的维护成本是普通产品的数倍，核心原因就一个：输出不确定，断言写不了。

Skills 库解决的正是这个问题。它把“测试经验”从一次性用例里抽出来，封装成可复用、可组合的能力单元。一个“构造合法邮箱”的 Skill 加一个“生成随机密码”的 Skill，不写新代码就能组合出“构造注册请求数据”的 Skill。资产从线性增长变成指数复用，这是测试团队真正需要的底层能力。

这篇内容面向的是想从零搭建测试专用 Skills 库的团队，覆盖自动断言、数据构造、多模态识别三大能力。我会给出目录结构、Skill 注册配置、断言模板的可复制片段，并演示用 TaoToken 统一 Key 和 API 通道接入多模态识别 Skill 的完整验证步骤，目标是让你跑通一条端到端测试流水线。适合有一定 Python 基础、正在被 AI 测试折磨的测试开发和 QA 工程师。

2. TaoToken 前置准备：统一 Key 与 API 通道

在搭建 Skills 库之前，先把模型调用通道理顺。测试 Skill 会频繁调用大模型，如果每个 Skill 各自管理 Key、各自处理重试和限流，维护成本会失控。我的做法是用 TaoToken 作为统一的 API 通道，一个 Key 覆盖对话、多模态、代码生成等场景，Skill 层只关心业务逻辑。

TaoToken 是一个模型 API 聚合服务，官网地址是 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，API 入口是 https://taotoken.net/api 。它的价值在于把不同模型的调用方式统一成 OpenAI 兼容格式，测试 Skill 里不用为每个模型写适配层。对于测试团队来说，这意味着断言 Skill、数据构造 Skill、多模态识别 Skill 可以共用同一套请求封装。

前置准备分三步。第一步是注册账号并创建 API Key，登录后进入控制台，在 API Keys 页面生成一个 Key，建议按环境区分，比如test-skills-dev和test-skills-ci，方便后续做用量归因。控制台地址是 https://taotoken.net/console?utm_source=taotoken_aicg_blog_end&utm_content=console&utm_campaign=rewrite ，API Keys 管理页是 https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api-keys&utm_campaign=rewrite 。

第二步是确认模型 ID。测试 Skill 里会用到两类模型：文本类用于断言和数据构造，多模态类用于图像识别。你可以在模型对话页面先手动验证一下模型是否可用，地址是 https://taotoken.net/chat?utm_source=taotoken_aicg_blog_end&utm_content=model-chat&utm_campaign=rewrite 。手动对话确认没问题后，再写进 Skill 配置，避免调试时把模型问题和代码问题混在一起。

第三步是准备本地环境。我习惯用 Python 3.10 以上，依赖openai、pydantic、pyyaml、jsonschema这几个库。openai库用来发请求，pydantic做结构化输出校验，pyyaml读 Skill 配置，jsonschema校验数据构造结果。安装命令如下：

pip install openai pydantic pyyaml jsonschema pillow

环境变量里配置 Key 和 Base URL，不要硬编码到代码里：

export TAOTOKEN_API_KEY="sk-你的key" export TAOTOKEN_BASE_URL="https://taotoken.net/api"

这里有个容易踩的坑：Base URL 末尾不要带/v1，openai库会自动拼接路径。如果你手动加了/v1，请求会变成/v1/v1/chat/completions，直接 404。我试过在 CI 环境里因为这个问题排查了半小时，最后发现是环境变量多写了一截。

对于需要长期跑编码类 Skill、Agent 编排的团队，可以考虑 Coding Plan，地址是 https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding-plan&utm_campaign=rewrite ，它在高频调用场景下更划算。接入文档在 https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite ，遇到参数问题先查文档。

前置准备做完后，你的 Skills 库就有了统一的模型出口。接下来所有 Skill 都通过这个通道调用模型，Key 轮换、限流、用量统计都在一处管理，这是从零搭建 Skills 库时最容易被忽略但最重要的一步。

3. 可复制配置：目录结构与 Skill 注册片段

Skills 库的目录结构决定了后续的可维护性。我的建议是按“能力类型”分目录，每个 Skill 一个文件夹，里面放配置、提示词模板、测试样例。这样新增 Skill 时不用改核心代码，只加目录和注册项。下面是我实际在用的结构：

test-skills/ ├── config/ │ ├── settings.yaml # 全局配置：Base URL、默认模型、超时 │ └── registry.yaml # Skill 注册表 ├── skills/ │ ├── assertion/ │ │ ├── json_assert/ │ │ │ ├── skill.yaml # Skill 元信息 │ │ │ ├── prompt.md # 提示词模板 │ │ │ └── samples.jsonl # 回归测试样例 │ │ └── text_tone_assert/ │ ├── data_factory/ │ │ ├── user_profile/ │ │ └── boundary_value/ │ └── multimodal/ │ ├── ui_element/ │ └── object_detect/ ├── core/ │ ├── loader.py # 读取 registry 和 skill.yaml │ ├── executor.py # 统一调用模型、解析结构化输出 │ └── validator.py # 用 pydantic 校验输出 └── run_skill.py # 命令行入口

全局配置config/settings.yaml长这样，注意 Base URL 和模型 ID 都从这里读，方便切换环境：

taotoken: base_url: "https://taotoken.net/api" api_key_env: "TAOTOKEN_API_KEY" timeout: 60 max_retries: 3 models: text: "gpt-4o-mini" multimodal: "gpt-4o" defaults: temperature: 0.2 max_tokens: 1024

Skill 注册表config/registry.yaml是核心，它把 Skill 名称映射到目录和类型：

skills: - name: json_assert type: assertion path: skills/assertion/json_assert model: text description: "校验 JSON 字段类型与约束，返回结构化断言结果" - name: user_profile type: data_factory path: skills/data_factory/user_profile model: text description: "按规格构造用户画像数据，支持字段关联约束" - name: ui_element type: multimodal path: skills/multimodal/ui_element model: multimodal description: "识别截图中的 UI 元素，返回坐标与可见状态"

单个 Skill 的skill.yaml定义输入输出契约，这是保证可组合性的关键：

name: json_assert version: 1.0.0 input_schema: type: object required: [payload, rules] properties: payload: type: string description: "待校验的 JSON 字符串" rules: type: array items: type: object properties: path: { type: string } expect_type: { type: string } not_null: { type: boolean } output_schema: type: object required: [passed, reason, evidence] properties: passed: { type: boolean } reason: { type: string } evidence: { type: string }

断言模板prompt.md里最关键的是强制结构化输出，不允许模型写小作文：

你是测试断言执行器。输入是一段 JSON 和一组断言规则。 要求： 1. 逐条检查规则，提取实际值后再比较，禁止凭印象判断。 2. 只输出 JSON，格式为 {"passed": bool, "reason": str, "evidence": str}。 3. reason 用中文简述结论，evidence 给出实际提取到的值。 4. 不允许输出 JSON 以外的任何内容，不允许使用"大概""可能"等模糊词。 输入 JSON： {{payload}} 断言规则： {{rules}}

这套配置的好处是：新增一个断言 Skill，只需要复制json_assert目录，改skill.yaml和prompt.md，在registry.yaml加一行，核心代码零改动。数据构造和多模态 Skill 同理，只是model字段指向不同的模型。

如果你用 Claude Code 做 Skill 开发，可以在项目根目录放一个.claude/settings.json，把 Base URL、Key、Model ID 三件套写全，避免每次手动配置：

{ "env": { "ANTHROPIC_BASE_URL": "https://taotoken.net/api", "ANTHROPIC_API_KEY": "sk-你的key", "ANTHROPIC_MODEL": "claude-3-5-sonnet" } }

注意这里的 Base URL 同样不带/v1。Claude Code 的接入文档在 https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite ，配置项以文档为准。三件套缺一不可：Base URL 决定请求发往哪里，Key 决定身份，Model ID 决定用哪个模型，少任何一个都会在启动时报错。

4. 验证请求：跑通多模态识别 Skill 端到端

配置写完后，必须验证一条完整链路。我选多模态识别 Skill 做验证，因为它同时覆盖了模型调用、结构化输出、文件上传三个环节，跑通了说明整条通道没问题。

先写核心执行器core/executor.py，它负责读配置、发请求、解析输出：

import os import json import base64 from openai import OpenAI import yaml def load_settings(path="config/settings.yaml"): with open(path, "r", encoding="utf-8") as f: return yaml.safe_load(f) def build_client(settings): return OpenAI( api_key=os.environ[settings["taotoken"]["api_key_env"]], base_url=settings["taotoken"]["base_url"], timeout=settings["taotoken"]["timeout"], ) def encode_image(image_path): with open(image_path, "rb") as f: return base64.b64encode(f.read()).decode("utf-8") def run_multimodal_skill(image_path, target_desc, settings): client = build_client(settings) model = settings["models"]["multimodal"] b64 = encode_image(image_path) resp = client.chat.completions.create( model=model, temperature=settings["defaults"]["temperature"], max_tokens=settings["defaults"]["max_tokens"], messages=[ { "role": "user", "content": [ {"type": "text", "text": f"识别图中目标：{target_desc}。只输出 JSON，格式为 {{\"found\": bool, \"bbox\": [x1,y1,x2,y2], \"visible\": bool, \"reason\": str}}。"}, {"type": "image_url", "image_url": {"url": f"data:image/png;base64,{b64}"}}, ], } ], ) content = resp.choices[0].message.content.strip() if content.startswith("```"): content = content.strip("`").replace("json", "", 1).strip() return json.loads(content)

然后写命令行入口run_skill.py，把参数传进去：

import sys from core.executor import load_settings, run_multimodal_skill if __name__ == "__main__": settings = load_settings() image_path = sys.argv[1] target = sys.argv[2] result = run_multimodal_skill(image_path, target, settings) print(json.dumps(result, ensure_ascii=False, indent=2))

执行验证命令：

python run_skill.py ./samples/login_page.png "立即购买按钮"

预期返回结果类似：

{ "found": true, "bbox": [320, 680, 520, 740], "visible": true, "reason": "在页面底部检测到'立即购买'按钮，区域完整无遮挡" }

看到这个结果，说明从 Key 读取、Base URL 拼接、图片编码、模型调用到结构化解析整条链路是通的。如果返回的bbox坐标明显超出图片尺寸，说明模型在幻觉，需要在 Skill 里加一层坐标范围校验，这是多模态 Skill 的常见加固手段。

验证完多模态，再跑一个文本断言 Skill 确认文本通道也正常：

python run_skill.py --skill json_assert --payload '{"name":"test","age":18}' --rules '[{"path":"$.age","expect_type":"integer","not_null":true}]'

返回{"passed": true, ...}就说明断言通道没问题。两条通道都验证通过后，你的 Skills 库就具备了端到端跑测试流水线的基础能力。后续新增 Skill 时，先单独验证，再注册进registry.yaml，最后接入 CI。

5. 本篇常见错排查：401、local proxy failed 与解析异常

搭建过程中最容易卡住的不是业务逻辑，而是通道和解析问题。我把实际遇到过的几类错误整理出来，对照排查能省不少时间。

第一类是 401 认证失败。报错通常是Error code: 401 - {'error': {'message': 'Invalid API key'}}。原因有三个：Key 没设置到环境变量、Key 复制时带了空格、Key 被禁用。排查顺序是先echo $TAOTOKEN_API_KEY确认变量存在且无空格，再去 API Keys 页面确认 Key 状态正常。注意不要在代码里写api_key="sk-xxx "这种带尾随空格的字符串，openai库不会自动 trim。

第二类是local proxy failed或连接超时。这类报错通常出现在 Base URL 写错的情况下，比如写成了https://taotoken.net/api/v1导致路径重复，或者网络环境有额外的转发配置。排查方法是先用 curl 直接打一次接口：

curl -X POST "https://taotoken.net/api/chat/completions" \ -H "Authorization: Bearer $TAOTOKEN_API_KEY" \ -H "Content-Type: application/json" \ -d '{"model":"gpt-4o-mini","messages":[{"role":"user","content":"ping"}]}'

如果 curl 通而 Python 不通，问题在代码或环境变量；如果 curl 也不通，检查 Base URL 拼写和网络配置。注意 Base URL 就是https://taotoken.net/api，不要自己加后缀。

第三类是reading choices报错，完整信息类似KeyError: 'choices'或list index out of range。这通常是因为返回体不是标准结构，可能是模型名写错导致返回了错误信息，也可能是请求被限流返回了非预期内容。排查方法是把原始响应打出来：

print(resp.model_dump_json(indent=2))

看到实际返回结构后再定位。如果是模型名错误，去模型对话页面确认可用模型 ID；如果是限流，加max_retries和退避重试。

第四类是结构化输出解析失败，报json.decoder.JSONDecodeError。原因是模型在 JSON 外面包了 markdown 代码块或解释文字。解决办法是在 Skill 提示词里强化约束，同时在执行器里加清洗逻辑，就是前面executor.py里那段strip("")的处理。更稳妥的做法是用response_format={"type": "json_object"}` 参数，让模型直接返回 JSON。

第五类是 OAuth 或 Claude Code 配置报错。如果你用 Claude Code 接入，报OAuth error或authentication failed，检查.claude/settings.json里的三件套是否完整：ANTHROPIC_BASE_URL、ANTHROPIC_API_KEY、ANTHROPIC_MODEL。Base URL 用https://taotoken.net/api，不要带/v1。如果用了 CC Switch 或 Cline MCP，同样要确认这三项配置一致，任何一项缺失都会导致认证失败。

第六类是数据构造 Skill 输出字段关联错误，比如给 18 岁配了 50 万年薪。这不是通道问题，是提示词约束不够。解决办法是在 Skill 里显式声明字段依赖规则，比如“年龄小于 22 时月收入不超过 15k”，并在输出后用jsonschema做二次校验，不通过就重试。

排查的核心思路是分层定位：先确认通道通不通（curl 测试），再确认 Key 有没有问题（401 排查），最后确认输出解析（结构化校验）。大部分问题集中在通道和解析两层，业务逻辑本身反而很少出错。

6. 从 Skill 库到测试流水线：持续演进

跑通单条链路只是起点，真正让 Skills 库产生价值的是接入 CI 和建立反馈闭环。我的做法是在run_skill.py基础上加一个批量执行模式，读一个 YAML 描述的任务清单，依次调用对应 Skill，把结果汇总成报告。这样一条端到端测试流水线就成型了：数据构造 Skill 生成测试数据，断言 Skill 校验接口返回，多模态 Skill 验证 UI 截图，三个环节串起来就是完整的 AI 产品测试流程。

Skill 是会退化的，模型更新后之前好用的提示词可能变差。所以每个 Skill 目录下的samples.jsonl要维护一组回归样例，每次修改提示词后跑一遍，通过率低于阈值就回滚。同时记录每次执行的输入输出和人工反馈，定期 review 低分记录来优化 Skill 描述。没有反馈闭环的 Skill 库，用不了多久就会变成没人维护的数字垃圾堆。

对于需要长期跑 Agent 编排、高频调用模型的团队，Coding Plan 在成本和稳定性上更有优势，地址是 https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding-plan&utm_campaign=rewrite 。接入过程中遇到参数或配置问题，先查接入文档 https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite ，大部分报错都能在里面找到对应说明。需要新建 Key 或做环境隔离时，去 API Keys 页面操作 https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api-keys&utm_campaign=rewrite 。

最后给一个实用建议：不要一上来就追求 Skill 数量。先把一个高频痛点场景做成 Skill，连续用一周，确认成功率稳定在 80% 以上，再复制这套模式扩展。Skill 库的竞争力不在于封装了多少个，而在于每个 Skill 被复用了多少次。当你的同事开始主动调用你写的 Skill 而不是自己重写时，这个库才算真正活起来了。