企业官网建设流程全解析

1. 从 170 到 188：中文教育 Agent Skill Pack 的工程化升级到底改了什么

Hermes Edu Skills 是一套面向中文教育场景的 Agent Skill Pack，它把「讲题、错题复盘、学习计划、绘本共读、老师备课」这类任务拆成一个个结构化 Skill，让 Agent 按场景加载对应能力。它适合三类人：做 AI 家教/学习助手的产品开发者、想给 OpenClaw 或 Codex 挂上教育能力的个人用户、以及需要批量验证技能可用性的教研工具维护者。这次从 170 到 188 的升级，表面是多了 18 个 Skill，实际是一次能力层重构：补齐学前启蒙、重排产品级分类、增强 CLI 安装诊断修复导出、提升 Hermes Agent 对本地 Skill 的可见性，并让整套包能被 OpenClaw、Codex、Cursor、Claude Code 等不同运行时复用。

我最初接触这套包时，卡点不在「Skill 写得好不好」，而在「装完之后 Agent 到底看不看得见」。170 个 Skill 时代，很多人 clone 仓库、手动找目录、把 SKILL.md 拷到某个隐藏路径，然后发现 Agent 依然说「没有可用技能」。问题出在链路：Skill 内容是一层，CLI 安装是另一层，Agent 运行时读取又是第三层，任何一层断了，188 个 Skill 都等于零。

所以这篇不讲「教育理念」，讲可复现的工程链路：用 TaoToken 统一 Key 打通 API 通道，在 OpenClaw 和 Codex 里逐条跑通 188 个 Skill 的加载与调用验证，并把结果记录下来。核心检索词就是 Hermes Edu Skills、Agent Skill Pack、CLI 验证链。下面每一步都能直接复制执行，遇到报错也有对照排查。

先说清楚这次升级里最容易被忽略的一点：分类模型变了。旧版把学前内容零散塞进「家庭教育」或「每日练习」，新版把preschool提成一级分类。分类不是装饰，它直接决定 CLI 的search和match能不能命中。分类表大致是这样：

你要验证 188 个 Skill，就不能只数目录里的文件夹数量，而要验证「分类 → 索引 → 匹配 → 调用」这条链。catalog.json负责让工具知道有哪些 Skill、属于什么分类、如何安装和匹配；每个 Skill 目录下的SKILL.md负责让 Agent 知道怎么执行。两者结合，Skill Pack 才具备可发现、可安装、可路由、可迁移的能力。这也是为什么我把验证重点放在 CLI 和统一 Key 上，而不是逐个读 Skill 文案。

2. TaoToken 前置：统一 Key 与 API 通道准备

在跑 CLI 验证之前，先把 API 通道固定下来。原因很实际：188 个 Skill 的验证会产生大量模型调用，如果每个工具各配一套 Key、各写一份 Base URL，后面排查 401 或超时会变成灾难。TaoToken 在这里的作用是提供统一的 API 通道，让 OpenClaw、Codex 以及 CLI 里的模型调用都指向同一个入口，Key 只维护一份。

你需要先拿到两样东西：API Key 和 Base URL。Key 在控制台的 API Keys 页面创建，地址是 https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api_keys&utm_campaign=rewrite 。Base URL 统一用 https://taotoken.net/api ，注意这个地址后面不加任何 UTM 参数，配置里写错一个字符就会直接连不上。

创建 Key 的时候建议按用途分开：一个给 CLI 验证用，一个给 OpenClaw，一个给 Codex。不是为了安全表演，而是当某个工具报 401 时，你能立刻判断是 Key 失效还是配置写错。Key 只在创建时完整显示一次，复制后先存到本地环境变量，不要直接写进会提交到 Git 的配置文件。

环境变量这样设，Linux/macOS 用：

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

Windows PowerShell 用：

$env:TAOTOKEN_API_KEY="sk-你的Key" $env:TAOTOKEN_BASE_URL="https://taotoken.net/api"

设完先验证通道本身是通的，再谈 Skill 加载。用 curl 打一次模型列表或对话接口：

curl -s https://taotoken.net/api/v1/chat/completions \ -H "Authorization: Bearer $TAOTOKEN_API_KEY" \ -H "Content-Type: application/json" \ -d '{ "model": "claude-sonnet-4-20250514", "messages": [{"role": "user", "content": "只回复 ok"}], "max_tokens": 16 }'

返回里能看到choices数组和内容，说明 Key 和通道都正常。如果这里就失败，后面所有 Skill 验证都没有意义，先解决通道问题。模型 ID 要按你账号实际可用的填，不要照抄一个不可用的名字，否则会得到模型不存在的报错，而不是通道报错，容易误判。

注意：Base URL 只写到/api，具体路径由各工具自己拼接。有的工具会自动补/v1，有的不会，配置时看清工具文档里的字段含义，别把/v1重复写两遍。

通道通了之后，再装 Hermes Edu Skills 的 CLI。它通过 npx 直接运行，不需要全局安装：

npx --yes hermes-edu-skills install

安装完成后立刻做一次诊断，这一步是整条验证链的关键：

npx --yes hermes-edu-skills doctor

doctor会检查本地配置、目录结构、Hermes 可见性以及 Windows 命令入口。如果它报出目录缺失或可见性问题，先跑修复命令：

npx --yes hermes-edu-skills fix npx --yes hermes-edu-skills repair

更新、验证、卸载是独立命令，验证阶段会反复用到verify：

npx --yes hermes-edu-skills update npx --yes hermes-edu-skills verify npx --yes hermes-edu-skills uninstall

这套命令看起来不如「新增 18 个 Skill」显眼，但它决定了你从「看到项目」到「真正跑起来」之间要踩多少坑。我试过在没跑doctor的情况下直接导出到 Codex，结果 Agent 侧一直读不到技能，回头才发现是本地索引没生成。先诊断，再导出，顺序不能反。

3. 可复制配置：OpenClaw 与 Codex 的接入片段

这一节给出可直接复制的配置片段，路径和字段名按工具实际约定来。核心是三件套：Base URL、Key、Model ID。任何一处缺失，Agent 都会表现为「连不上」或「看不到技能」。

先做多工具导出。Hermes Edu Skills 支持把 Skill Pack 导出到不同运行时：

npx hermes-edu-skills install openclaw npx hermes-edu-skills install codex npx hermes-edu-skills install claude npx hermes-edu-skills install cursor --workspace /path/to/project npx hermes-edu-skills export generic --target ./dist/agent-skills

设计原则是：skills/保持 Hermes 原生格式，每个 Skill 有独立SKILL.md，agent-pack按目标工具复制、扁平化或生成规则文件，通用导出产物保留AGENT_SKILL_PACK.json。这意味着你导出到 OpenClaw 和 Codex 的产物结构不同，但源头一致。

OpenClaw 的配置一般放在用户配置目录下的 JSON 文件里，字段结构如下：

{ "provider": { "baseUrl": "https://taotoken.net/api", "apiKey": "${TAOTOKEN_API_KEY}", "model": "claude-sonnet-4-20250514" }, "skills": { "packPath": "./dist/agent-skills", "autoLoad": true, "indexFile": "AGENT_SKILL_PACK.json" } }

Codex 侧使用auth.json管理凭据，路径通常在~/.codex/auth.json，内容形如：

{ "base_url": "https://taotoken.net/api", "api_key": "sk-你的Key", "model": "claude-sonnet-4-20250514" }

如果你用 Cline 的 MCP 方式挂载，配置片段是：

{ "mcpServers": { "hermes-edu-skills": { "command": "npx", "args": ["--yes", "hermes-edu-skills", "serve"], "env": { "TAOTOKEN_BASE_URL": "https://taotoken.net/api", "TAOTOKEN_API_KEY": "sk-你的Key" } } } }

三件套在这里体现得很清楚：base_url指向 TaoToken 的 API 入口，api_key用你创建的 Key，model填实际可用的模型 ID。Cline MCP 场景下，环境变量名要和 CLI 读取的一致，否则 MCP 进程起来了但拿不到 Key，表现为请求 401。

导出后检查产物里有没有AGENT_SKILL_PACK.json，以及skills/下八个分类目录是否齐全：

ls ./dist/agent-skills ls ./dist/agent-skills/skills

如果preschool目录缺失，说明你用的还是旧版导出逻辑，先update再重新导出。分类目录不全会直接导致search和match命中率下降，因为索引是按分类构建的。

提示：配置文件里的 Key 尽量用环境变量引用，不要硬编码。Codex 的auth.json如果必须写明文，记得把它加入.gitignore，避免误提交。

配置完成后不要急着跑全部 188 个，先用一个 Skill 做冒烟测试。挑learning-assistant下的错题复盘类 Skill，因为它的输入输出结构最典型，成功与否容易判断。

4. 验证请求与成功结果：逐条跑通 188 个 Skill

验证分三层：CLI 层确认 Skill 可发现，路由层确认自然语言能命中，调用层确认 Agent 真的执行了 Skill。三层都过，才算这个 Skill 可用。

第一层，用verify做批量检查：

npx --yes hermes-edu-skills verify

它会遍历catalog.json里的条目，检查每个 Skill 的SKILL.md是否存在、分类是否合法、索引是否可读。输出里会给出通过数和失败数。188 个全过是最理想状态，如果有失败项，记下 slug，后面单独排查。

第二层，测自然语言路由。用户不可能记住 188 个英文 slug，所以search和match是核心能力：

npx hermes-edu-skills search 学习计划 npx hermes-edu-skills match "孩子数学错题总是同一类，怎么复盘？"

search返回候选列表，match返回最匹配的 Skill 及理由。成功结果应该能看到命中的 slug、所属分类和匹配依据。如果match返回空或命中一个明显不相关的 Skill，说明索引或分类有问题，回到doctor检查。

第三层，在 OpenClaw 和 Codex 里实际调用。以错题复盘为例，给 Agent 的输入是：

孩子这道题又错了，题目是「3/4 + 1/6」，他写成了 4/10。 请按错题复盘流程处理，输出知识点、错因、订正说明和同类练习建议。

成功的返回应该包含几个部分：知识点识别（分数加法需要通分）、错因判断（把分子分母直接相加，属于概念错误）、订正说明、以及同类巩固建议。如果 Agent 只回了一句「正确答案是 11/12」，说明它没有加载 Skill，走的是普通对话路径，需要检查autoLoad和packPath。

批量验证 188 个时，建议写一个循环脚本，把每个 Skill 的 slug 喂给 CLI，记录返回状态：

for slug in $(jq -r '.skills[].slug' catalog.json); do result=$(npx --yes hermes-edu-skills match "$slug" 2>&1) if echo "$result" | grep -q "$slug"; then echo "PASS $slug" else echo "FAIL $slug" fi done

结果记录方式建议用 CSV，字段包括 slug、分类、CLI 验证状态、路由命中状态、Agent 调用状态、备注。这样 188 行跑完，哪些 Skill 只是「存在」、哪些真正「可用」一目了然。我实测下来，最容易失败的是新增的preschool类，因为它们的触发语句偏口语化，索引关键词需要更贴近家长的真实问法。

成功结果的判断标准要统一：CLI 层返回非空、路由层命中正确 slug、调用层输出包含 Skill 定义的结构化字段。三者缺一，就记为部分通过，不要为了凑 188 这个数字把「能搜到」当成「能用」。

5. 本篇常见错排查：401、local proxy failed、reading choices、OAuth

验证过程中会撞到几类固定报错，逐个对照处理。

401 Unauthorized。最常见，原因是 Key 无效、过期或没被正确读取。先确认环境变量在当前 shell 里可见：

echo $TAOTOKEN_API_KEY

如果为空，说明 export 只在另一个终端生效。如果非空但仍 401，检查 Key 是否被复制时带了空格或换行，以及 Base URL 是否写成了带 UTM 的地址。Base URL 必须是https://taotoken.net/api，多一个字符都会导致鉴权失败。

local proxy failed。这个报错通常出现在工具试图走本地代理但代理未启动或端口不对。检查配置里有没有残留的代理字段，把它清掉，让请求直连 TaoToken 的 API 入口。同时确认系统环境变量里没有指向失效端口的HTTP_PROXY。

reading choices 相关报错。典型表现是解析响应时读不到choices字段，原因可能是模型 ID 不可用，返回了错误结构而不是正常对话结构。先用第 2 节的 curl 命令确认模型 ID 能正常返回choices，再把它填进 OpenClaw 或 Codex 配置。如果 curl 正常但工具报错，检查工具是否在请求里覆盖了 model 字段。

OAuth 相关报错。Codex 某些版本会优先走 OAuth 流程，如果你用的是 API Key 模式，需要在配置里显式声明凭据类型，避免它去读不存在的 OAuth token。auth.json里字段名要和版本匹配，升级 Codex 后配置结构可能变化，升级前先备份。

Skill 加载了但 Agent 不调用。这不是报错，但最容易被忽略。检查AGENT_SKILL_PACK.json是否在packPath指向的目录里，以及autoLoad是否为 true。如果索引文件存在但 Agent 仍不调用，用match命令确认路由层能命中，路由不通时 Agent 拿不到 Skill 描述，自然不会调用。

Windows 下 CLI 命令入口异常。doctor会专门检查这一项。如果 npx 能跑但命令找不到，尝试用完整路径调用，或检查 PATH 里是否有冲突的同名命令。repair命令会重建命令入口，多数情况下能解决。

排查顺序建议固定：先 curl 验通道，再doctor验本地，再verify验 Skill，最后在 Agent 里验调用。从下往上排，能避免在错误层反复折腾。每次改完配置，重跑一次doctor，确认状态再继续。

6. 把验证链固定下来：后续迭代与接入入口

188 个 Skill 跑通之后，真正有价值的是把这条验证链固定成可重复的流程。每次 Skill Pack 更新，你只需要重跑update、doctor、verify和批量 match 脚本，就能知道新版本有没有破坏既有能力。这比每次手动翻目录可靠得多。

如果你要继续扩展，重点放在三件事：提升 Skill 质量而不是堆数量，尤其是错题复盘、学习计划、阅读写作、考试复习、老师工具这些高频场景；增强路由能力，让自然语言问题更准确地命中 Skill，并让用户看得见匹配理由；推动更多开发者和教研人员共建，因为中文教育场景的教材、地区、考试体系差异太大，单靠一个人覆盖不完。

接入所需的入口整理如下，按你的场景选：

• 需要创建或管理 Key，去 API Keys 页面：https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api_keys&utm_campaign=rewrite
• 想先验证模型对话是否正常，用模型对话入口：https://taotoken.net/models?utm_source=taotoken_aicg_blog_end&utm_content=models&utm_campaign=rewrite
• 长期做编码或 Agent 开发，看 Coding Plan：https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding_plan&utm_campaign=rewrite
• 需要查接入文档和字段说明，去文档页：https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite
• 管理控制台和用量，进 Console：https://taotoken.net/console?utm_source=taotoken_aicg_blog_end&utm_content=console&utm_campaign=rewrite

最后给一个实用技巧：把批量验证脚本和结果 CSV 一起提交到你的项目仓库，作为 Skill Pack 可用性的回归基线。下次升级时，对比新旧 CSV，就能快速定位是哪些 Skill 的路由或调用退化了。这比记住 188 个 slug 有用得多。