企业官网建设流程全解析

1. 工作流 Skill 到底是什么，为什么值得单独写一篇

如果你最近在折腾 LLM 自动化流程，大概率听过 Skill 这个词。简单说，Skill 就是一个文件夹，核心是里面的SKILL.md文件，用 YAML frontmatter 加 Markdown 正文的格式写成。当 LLM 判断当前任务需要某个 Skill 时，它会调用 skill 工具把这个文件加载进来，SKILL.md的全部内容会作为 tool-result 注入到对话上下文里，LLM 读到之后自主决定怎么执行。

这里有个关键机制要先说清楚：Skill 本质是「知识注入」，它不会动态生成新工具，而是把指令文本塞进 LLM 的上下文，让 LLM 用已有的 bash、read、edit 这些工具去执行。所以写 Skill 的核心不是写代码，而是写「给 LLM 看的操作手册」。

一个标准的 Skill 目录长这样：

my-skill/ ├── SKILL.md # 主文件（必须） ├── scripts/ # 可执行脚本（可选） ├── references/ # 详细参考文档（可选，按需加载） ├── resources/ # 模板、清单等资源（可选） └── examples/ # 示例（可选）

适合谁看这篇？如果你正在用 LLM 搭自动化流程，比如部署流水线、代码审查、产品发现流程，或者你已经在写 Skill 但加载率低、LLM 老偷懒，那这篇就是给你准备的。我会从 7 个顶级 Skill 里提炼出可复用的模式，给出能直接复制的SKILL.md模板，最后演示怎么通过 TaoToken 统一 Key 通道完成调用和验证。

写 Skill 最容易踩的坑，是把「给人看的文档」直接搬过来。人看文档能脑补上下文，LLM 不行。它需要明确的触发条件、具体的命令、清晰的退出条件。下面我按「问题场景 → 前置准备 → 可复制配置 → 验证 → 排障 → 资源」的顺序展开，你可以跟着一步步做。

2. 从 7 个顶级 Skill 提炼的 5 种设计模式与 SKILL.md 编写最佳实践

先看 Frontmatter，这是决定 Skill 是否被加载的「门面」。必填字段只有两个：name和description。name是小写连字符的唯一标识，description最关键，LLM 就是靠它决定要不要加载这个 Skill。

对比一下好坏写法：

# 好的 description — 包含触发短语和关键词 description: Deploy applications and websites to Vercel. Use when the user requests deployment actions like "deploy my app", "push this live", or "create a preview deployment". # 好的 description — 定义时序位置 description: Use when implementing any feature or bugfix, before writing implementation code # 差的 description — 太模糊 description: Helps with deployment stuff

核心原则三条：列举触发短语，把用户可能说的话写进去；定义时序位置，说明「在什么之前/之后」使用；包含产品关键词，覆盖大平台时把所有产品名列出来。

除了必填字段，从 7 个 Skill 里还能观察到一些扩展字段，比如references声明最重要的参考文档、allowed-tools声明需要的工具权限、type声明 Skill 类型（workflow/component）、best_for和scenarios描述适用场景、estimated_time预估执行时间。这些不是标准强制，但能显著提升加载准确率。

接下来是 5 种核心设计模式，这是整篇的骨架。

模式 1：线性流程。适用部署、安装、迁移这类有明确步骤的操作。代表是 openai/skills 的 vercel-deploy，只有 77 行。结构是：标题 → Prerequisites → Quick Start（Step 1→2→3）→ Fallback → Troubleshooting。关键技巧包括安全默认值（「Always deploy as preview, not production」）、每步给出可直接执行的 bash 命令、超时提示、降级方案、负面指令（「Do not curl the deployed URL to verify」）。判断标准很简单：如果你的 Skill 能用「先做 A，再做 B，最后做 C」描述，就用线性模式。

模式 2：决策树 + 按需加载。适用大型平台选型、产品导航、问题诊断。代表是 cloudflare-deploy，224 行。结构是认证前置 → Quick Decision Trees（按用户意图分类）→ Product Index。技巧在于用用户语言而非技术术语分类（「I need to run code」而不是「Compute products」）、树形导航、渐进式披露（主文件 7KB，references/ 按需展开到几十万字）、产品索引表。进阶玩法是同一知识域拆成两个 Skill：导航型只做选型，操作型包含认证和命令。

模式 3：循环迭代。适用 TDD、代码审查、设计评审。代表是 obra/superpowers 的 test-driven-development，371 行。结构是 The Iron Law（铁律）→ Red-Green-Refactor 循环体 → Common Rationalizations（借口反驳表）→ Verification Checklist。技巧包括强硬语气（「Delete it. Start over.」）、Good/Bad 对比、预判 LLM 的 12 种偷懒借口逐一反驳、8 项 checklist 作为退出条件、不确定时交给人。

模式 4：接力棒循环。适用跨多个 session 的长期项目。代表是 google-labs-code/stitch-skills 的 stitch-loop，203 行。核心是「文件即状态」，用 next-prompt.md 作为接力棒，6 步执行协议里 Step 6「写下一个接力棒」标记为 Critical + MUST。和模式 3 的区别在于：状态存在外部文件系统而非对话上下文，能跨 session，循环退出靠路线图清空而非 checklist。

模式 5：多阶段 + 检查点 + Skill 编排。适用多周流程，需要在关键节点做 Go/No-Go 决策。代表是 deanpeters/Product-Manager-Skills 的 discovery-process，502 行。每个 Phase 都有 Activities → Outputs → Decision Point 的统一模板，决策检查点标注时间影响（「+2-3 days」「+1 week」），调度 10+ 个子 Skill 完成各阶段。

还有个特殊模式：思维框架。代表是 trailofbits/skills 的 audit-context-building，302 行。它控制的是 LLM「怎么想」而非「做什么」，用第一性原理、5 Why、5 How 给分析框架，用量化阈值（「每个函数最少 3 个不变量、5 个假设」）强制分析深度，用 Non-Goals 克制 LLM 最想做的事。

通用写作技巧方面，防止 LLM 偷懒有 4 种武器：强硬语气、借口反驳表、量化阈值、负面指令。教学有 3 种有效方式：Good/Bad 对比、具体命令、完整示例。安全边界有 3 条原则：安全默认值、权限最小化、人类兜底。知识组织分 3 层：Frontmatter（~100 tokens）→ SKILL.md 正文（<5K tokens）→ references/ 按需加载。总上下文占用控制在 10K tokens 以内比较理想。

3. 用 TaoToken 统一 Key 接入 Skill 工作流的可复制配置

写好的 Skill 要真正跑起来，得有个稳定的 LLM 调用通道。我试过在多个项目里分别配 Key，管理起来很乱，后来统一走 TaoToken 的 API 通道，一个 Key 覆盖多个模型，配置也集中。

先拿 Key。打开 https://taotoken.net/api-keys ，登录后创建一个 API Key，复制保存。注意这个 Key 只在创建时完整显示一次，丢了就得重建。

Base URL 用https://taotoken.net/api，不要加 UTM 参数。Model ID 根据你的场景选，做 Skill 工作流一般用 Claude 系列或 GPT 系列都行，具体以控制台模型列表为准。

下面给三套可复制的配置，覆盖最常见的三种接入方式。

第一套：Claude Code 的 settings.json。路径在~/.claude/settings.json：

{ "env": { "ANTHROPIC_BASE_URL": "https://taotoken.net/api", "ANTHROPIC_AUTH_TOKEN": "sk-你的TaoToken密钥", "ANTHROPIC_MODEL": "claude-sonnet-4-20250514" } }

第二套：Codex 的 auth.json。路径在~/.codex/auth.json：

{ "OPENAI_API_KEY": "sk-你的TaoToken密钥", "OPENAI_BASE_URL": "https://taotoken.net/api" }

第三套：Cline MCP 配置。在 Cline 的 MCP 设置里填：

{ "mcpServers": { "taotoken": { "command": "npx", "args": ["-y", "@taotoken/mcp-server"], "env": { "TAOTOKEN_API_KEY": "sk-你的TaoToken密钥", "TAOTOKEN_BASE_URL": "https://taotoken.net/api" } } } }

三件套记牢：Base URL 是https://taotoken.net/api，Key 是你在控制台创建的，Model ID 按场景选。任何一套配置里这三个都不能少。

如果你用 CC Switch 管理多套配置，可以在里面新建一个 profile，把上面的 Base URL 和 Key 填进去，切换项目时一键换。这样 Skill 工作流和日常编码可以用不同的模型，互不干扰。

配置完之后，Skill 的调用链路是这样的：LLM 读到你的SKILL.md，按里面的指令调用 bash/read/edit 工具，这些工具背后如果需要模型推理，就走 TaoToken 的通道。所以 Skill 本身不需要写任何 API 调用代码，它只管写指令，通道由外部配置统一管。

4. 验证 Skill 加载与请求是否成功

配置好之后别急着上生产，先验证通道通不通。最直接的方式是用 curl 打一个最小请求：

curl https://taotoken.net/api/v1/messages \ -H "Content-Type: application/json" \ -H "x-api-key: sk-你的TaoToken密钥" \ -H "anthropic-version: 2023-06-01" \ -d '{ "model": "claude-sonnet-4-20250514", "max_tokens": 100, "messages": [{"role": "user", "content": "回复 OK 两个字母"}] }'

如果返回里有content字段且文本是「OK」，说明通道正常。如果返回 401，说明 Key 有问题；如果返回 model not found，说明 Model ID 写错了。

通道通了之后，验证 Skill 加载。把你的 Skill 文件夹放到 LLM 能扫描到的目录，比如 Claude Code 的~/.claude/skills/下。然后开一个新对话，输入一句能触发 description 里触发短语的话，比如你写的是部署 Skill，就输入「deploy my app to preview」。

观察 LLM 的行为：它应该先调用 skill 工具加载SKILL.md，然后按里面的 Step 1、Step 2 执行。如果它没加载，说明 description 写得不够明确，回去补触发短语。

一个更可控的验证方式，是直接在对话里让 LLM 读取 Skill 文件：

请读取 ~/.claude/skills/my-skill/SKILL.md，然后告诉我这个 Skill 的触发条件是什么。

如果 LLM 能准确复述出 description 里的触发短语，说明文件路径和格式都没问题。这一步能排除掉 90% 的「Skill 不生效」问题。

验证通过后，你可以用模型对话页面快速测不同模型对同一个 Skill 的遵从率。打开 https://taotoken.net/models ，把同一段 Skill 指令贴进去，切换模型对比输出。实测下来，Claude 系列对强硬语气和 checklist 的遵从率更高，GPT 系列在决策树场景下表现更稳。

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

排障这块我踩过的坑不少，按报错类型整理一下。

401 Unauthorized。最常见。原因通常是 Key 没填对、Key 过期、或者 Base URL 写成了带 UTM 的完整链接。检查三点：Key 是不是sk-开头且完整；Base URL 是不是https://taotoken.net/api结尾没有多余路径；请求头字段名对不对（Anthropic 用x-api-key，OpenAI 用Authorization: Bearer）。

local proxy failed。这个报错一般出现在本地代理配置冲突时。检查你的环境变量里有没有残留的HTTP_PROXY、HTTPS_PROXY，有的话先清掉再试。另外确认ANTHROPIC_BASE_URL没有被其他工具的配置覆盖，多个配置文件同时生效时会打架。

reading choices 报错。通常出现在 OpenAI 兼容接口的响应解析阶段，说明返回结构和你用的 SDK 预期不一致。检查 Model ID 是不是写成了 Anthropic 的模型名却用 OpenAI 的 SDK 调用。解决办法是统一：用 Anthropic SDK 就配 Anthropic 格式的 Model ID，用 OpenAI SDK 就配 OpenAI 格式的。

OAuth 相关报错。如果你用的是 Claude Code 或 Codex 这类带 OAuth 登录的工具，配置了 API Key 之后可能还会走 OAuth 流程导致冲突。解决办法是在 settings 里显式声明用 API Key 模式，把 OAuth token 相关字段清空。Codex 的 auth.json 里只保留OPENAI_API_KEY和OPENAI_BASE_URL两个字段最稳。

Skill 加载了但 LLM 不执行。这不是报错但很常见。原因一般是SKILL.md正文太长，超过了上下文预算，LLM 读到一半就跳过了。解决办法是把主文件控制在 5K tokens 以内，详细内容挪到references/里按需加载。另一个原因是指令太模糊，比如写「优化代码」而不是「删除未使用的 import 语句」，LLM 不知道具体做什么。

Skill 执行到一半停了。检查有没有写超时提示。vercel-deploy 里那句「Use a 10 minute (600000ms) timeout」就是干这个的。没有超时提示时，LLM 可能因为默认超时太短而中断。

排障时如果拿不准，直接去 https://taotoken.net/doc 查接入文档，里面有各语言的完整示例和错误码说明。文档更新比较及时，比在群里问快。

6. 长期跑 Skill 工作流，用 Coding Plan 更省心

单次验证用 API Key 就够了，但如果你要长期跑 Skill 工作流，比如每天定时执行部署 Skill、代码审查 Skill，或者多个 Agent 协作的接力棒循环，那按量计费的 API Key 管理起来会比较累。这时候可以看看 Coding Plan，它更适合长期编码和 Agent 场景，额度固定，不用担心某天跑飞了账单爆炸。

具体选哪个，看你的使用频率。偶尔测一下 Skill，API Key 足够；每天都要跑，或者团队多人共用一套 Skill 工作流，Coding Plan 更划算。开通入口在 https://taotoken.net/coding-plan ，里面有不同档位的说明。

回到 Skill 本身，最后给一个最小可用的线性模式模板，你可以直接复制改：

--- name: my-skill description: [一句话描述做什么 + 什么时候触发，把用户可能说的话写进去] --- # Skill 名称 [一句话核心原则 + 安全默认值] ## Prerequisites - [前置条件 1] - [前置条件 2] ## Steps ### Step 1: [动作] ```bash [具体命令]

Step 2: [动作]

[具体指令]

Step 3: [动作]

[具体指令]

Troubleshooting

循环迭代模式把 Steps 换成 Phase A → Verify A → Phase B → Verify B → Repeat，再加一张 Rationalizations 表和 Completion Checklist 就行。 写 Skill 这件事，说到底是把「你脑子里的操作流程」翻译成「LLM 能照着做的指令」。翻译得好不好，就看 LLM 执行时偷不偷懒、跑不跑偏。上面这 5 种模式和那些技巧，都是从真实跑过的 Skill 里提炼出来的，你照着套，能少走不少弯路。