1. 为什么你的 Agent 总是“原地踏步”很多人搭好一个 AI Agent 之后用两周就发现它开始“原地踏步”同样的任务第一次跑得挺顺第十次还是那个水平甚至因为上下文越堆越长反而更容易跑偏。问题不在模型本身而在于你把 Agent 当成了一个“一次性脚本”——它没有把每次执行的经验沉淀下来也没有把复杂任务拆给不同角色去协作。我试过最直接的对比一个只靠单 prompt 的代码审查 Agent和一个带自进化 Skills Subagents 分工的 Agent跑同一个仓库的 30 个 PR。前者漏掉的 SQL 注入风险点有 7 处后者只有 1 处而且后者在第 10 次执行后审查步骤里自动多出了“检查 N1 查询”这一条——没人手动加是它自己从 Reviewer 反馈里学来的。这就是“自进化 Skills”和“多智能体协作”要解决的核心问题让 Agent 越用越强而不是越用越飘。具体来说它包含三层机制第一层是Review Feedback → Skill 优化。每次 Skill 执行完Reviewer 角色的反馈会被结构化地写回 Skill 定义。比如code_review这个 Skill第 47 次执行时 Reviewer 说“建议增加 SQL 注入专项检查”下一次执行它的 steps 里就会多出3.5 检查 SQL 注入风险。第二层是Failure Patterns → Skill 强化。失败的轨迹不会被丢掉而是被分析成失败模式写进 Skill 的 failure_handling。比如database_migration在大表迁移时内存溢出原因是 batch_size 固定 1000 但单行数据过大Skill 会自动加上“估算单行大小、动态调整 batch_size”的前置条件。第三层是Successful Paths → Skill 优化。成功的路径同样有价值。系统会分析最近 20 次执行发现 15 次遵循“先写测试再写实现”且首次通过率比反过来高 40%于是把 Skill 的步骤顺序直接调过来。这三层机制要跑起来前提是有一个稳定的接入层让所有 Subagent 都能用同一套 Key、同一套 Base URL 去调用模型。否则你会在“Spec Agent 用这个 Key、Build Agent 用那个 Key”的混乱里耗尽耐心。下面我就以 TaoToken 作为统一接入层把整套链路拆成可复制的配置。2. TaoToken 统一 Key 接入把多智能体的“神经中枢”接好多智能体协作最容易被低估的成本是“接入层的碎片化”。你有 6 个 Subagent如果每个都配一套独立的 API Key、独立的 Base URL、独立的模型 ID那么任何一次模型切换或额度调整你都要改 6 个地方。更麻烦的是当 Orchestrator 要把任务委派给 Build Agent 时如果两者的模型通道不一致交接协议里的 payload 格式都可能对不上。TaoToken 在这里扮演的角色是一个统一的 API 通道你只需要一个 Key就能让所有 Subagent 走同一个 Base URL模型 ID 按角色分配即可。它的 API 地址是https://taotoken.net/api控制台在https://taotoken.net/consoleAPI Key 管理在https://taotoken.net/api-keys。如果你还没建 Key先去 API Keys 页面生成一个然后回到控制台确认额度。这里要强调一个工程习惯不要把 Key 硬编码在任何一个 Subagent 的 prompt 或脚本里。正确做法是把它放在环境变量或统一的 settings 文件里让所有 Agent 从同一个地方读。这样你换 Key 的时候只改一处6 个 Subagent 全部生效。具体到角色分配我建议这样映射模型 IDSubagent 角色职责建议模型档位说明Orchestrator任务拆解与委派高推理档需要理解全局目标决定委派顺序Spec Agent需求规格化中高推理档把自然语言转成结构化 SpecBuild Agent代码实现高代码档对代码生成质量要求最高Review Agent代码审查高推理档需要发现安全与性能问题Test Agent测试编写与执行中代码档侧重覆盖率与边界用例Verify Agent最终验证中推理档按验证协议逐条核对Report Agent报告汇总低推理档主要是格式化输出成本敏感这张表的意义在于你不需要所有角色都用最贵的模型。Orchestrator 和 Review Agent 值得用高推理档Report Agent 用低档就够。TaoToken 的统一 Key 让你可以在一个地方切换模型 ID而不用去每个 Subagent 的配置文件里翻。还有一个容易被忽略的点多智能体协作的交接协议需要模型通道支持结构化输出。比如 Build Agent 交给 Review Agent 的 payload 里有spec、diff、logs、risk_notes、verification_criteria五个字段。如果模型通道不稳定返回的 JSON 缺字段Review Agent 就会拿到残缺的输入审查结果自然不可靠。统一通道的好处是你可以在接入层做一次 schema 校验所有 Subagent 共用同一套校验逻辑。如果你打算长期跑这套链路建议直接看 Coding Plan它更适合高频、多角色的 Agent 场景额度模型和并发策略都比按次调用更省心。入口在https://taotoken.net/coding-plan。3. 可复制的 settings 与 Base URL 配置片段这一节是整篇的核心我直接把配置片段贴出来你复制后改 Key 就能用。先说明目录结构避免路径对不上~/.agent/ ├── settings.json # 全局接入配置 ├── skills/ │ ├── code_review.yaml # 自进化 Skill 定义 │ └── database_migration.yaml └── subagents/ ├── orchestrator.toml ├── build.toml └── review.toml3.1 全局 settings.json这个文件是所有 Subagent 的“公共接入层”Base URL 和 Key 只在这里出现一次{ provider: taotoken, base_url: https://taotoken.net/api, api_key_env: TAOTOKEN_API_KEY, default_model: claude-sonnet-4-5, model_overrides: { orchestrator: claude-opus-4-1, build: claude-sonnet-4-5, review: claude-opus-4-1, test: claude-sonnet-4-5, verify: claude-sonnet-4-5, report: claude-haiku-4-5 }, timeout_seconds: 120, max_retries: 3, structured_output: true }注意api_key_env这一项它不写 Key 本身而是写环境变量名。你在 shell 里这样设置export TAOTOKEN_API_KEYsk-你的实际Key这样做的原因是settings.json 可以进版本库而 Key 不会泄露。model_overrides就是上面那张角色映射表的落地Orchestrator 和 Review 用 opusReport 用 haiku成本立刻降下来。3.2 Subagent 的 TOML 配置以 Build Agent 为例~/.agent/subagents/build.toml[agent] name build role 代码实现 model claude-sonnet-4-5 [delegation] accepts_from [orchestrator, spec] hands_off_to [review, test] [delegation.payload_schema] spec string diff string logs string risk_notes string verification_criteria string [skill_bindings] primary feature_development fallback code_reviewpayload_schema这一段很关键。它定义了 Build Agent 交给 Review Agent 时必须包含的字段。如果模型返回的 JSON 缺了risk_notes接入层会直接报错而不是让残缺数据流到下一个环节。这就是统一通道带来的好处schema 校验只写一次。3.3 自进化 Skill 的 YAML 定义~/.agent/skills/code_review.yaml注意steps和failure_handling是会被自动追加的name: code_review version: 47 description: 对代码变更进行六维度审查 steps: - id: 1 action: 读取 diff 与相关上下文 - id: 2 action: 检查逻辑正确性 - id: 3 action: 检查安全风险 - id: 3.5 action: 检查 SQL 注入风险 added_by: review_feedback added_at_execution: 47 - id: 4 action: 检查性能问题 - id: 4.2 action: 检测 N1 查询模式 added_by: review_feedback added_at_execution: 47 failure_handling: - step: 3 error: 内存溢出 action: 自动降低 batch_size 并重试 precondition: 估算单行大小动态调整 batch_size added_by: failure_pattern added_at_execution: 23 success_paths: - pattern: 先写测试再写实现 first_pass_rate: 0.85 sample_size: 20 promoted_at_execution: 51added_by和added_at_execution这两个字段是自进化的“审计线索”。你能清楚看到哪一条步骤是第 47 次执行时从 Reviewer 反馈里加进来的哪一条是第 23 次失败后强化的。没有这两个字段Skill 会越改越乱最后没人知道某条规则为什么存在。3.4 环境变量与启动脚本把上面串起来一个最小启动脚本#!/usr/bin/env bash set -euo pipefail export TAOTOKEN_API_KEY${TAOTOKEN_API_KEY:?请先设置 TAOTOKEN_API_KEY} agent run \ --settings ~/.agent/settings.json \ --subagents ~/.agent/subagents \ --skills ~/.agent/skills \ --task 审查 src/api/matching.py 的最近变更set -euo pipefail这行别省。多智能体链路里任何一个 Subagent 失败都应该立刻中断而不是带着残缺状态继续往下跑。我踩过的坑就是没加-eBuild Agent 失败了但 Orchestrator 还在委派最后 Review Agent 拿到空 diff报了一堆莫名其妙的错。4. 验证请求与预期输出跑通第一条协作链路配置写完下一步是验证。不要一上来就跑完整任务先用一个最小请求确认接入层通了。4.1 第一步验证 Base URL 与 Key用 curl 直接打一次模型对话接口确认 Key 有效、Base URL 可达curl -sS https://taotoken.net/api/v1/messages \ -H Authorization: Bearer ${TAOTOKEN_API_KEY} \ -H Content-Type: application/json \ -d { model: claude-sonnet-4-5, max_tokens: 64, messages: [ {role: user, content: 只回复两个字通了} ] }预期输出是一个 JSONcontent数组里有一段文本内容就是“通了”。如果这里返回 401说明 Key 没设对如果返回连接错误说明 Base URL 写错了。这一步过了再往下走。4.2 第二步验证 Subagent 委派用一个简单任务触发 Orchestrator → Build → Review 的链路agent run \ --settings ~/.agent/settings.json \ --task 在 utils.py 里加一个 safe_divide 函数处理除零 \ --trace--trace会打印每个 Subagent 的交接 payload。预期输出大致是这样[orchestrator] 拆解任务: 1) 生成实现 2) 审查实现 [orchestrator] 委派 - build, payload: {spec: ..., criteria: ...} [build] 生成 diff: def safe_divide(a, b): ... [build] 自评: 已处理除零返回 None [build] 委派 - review, payload: {diff: ..., risk_notes: 未处理非数值输入} [review] 六维度审查中... [review] 发现问题: 未处理非数值输入 (Medium) [review] 返回审查报告关键看两点一是payload里五个字段是否齐全二是 Review Agent 是否真的读到了 Build Agent 的risk_notes。如果 Review 报告里提到了“未处理非数值输入”说明交接协议生效了。4.3 第三步验证自进化是否写入跑完上面那个任务后去看~/.agent/skills/code_review.yaml检查steps里有没有新增条目。如果 Review Agent 在审查中发现了新类型的问题并且这个反馈被结构化写回你会看到类似- id: 5.1 action: 检查非数值输入处理 added_by: review_feedback added_at_execution: 1注意added_at_execution: 1因为这是第一次执行。再跑一次同样的任务这次 Review Agent 应该会主动检查非数值输入而不是等 Build Agent 在 risk_notes 里提醒。这就是“越用越强”的可观测证据。4.4 第四步验证 RL Training 边界RL 不是所有场景都适用。按前面的边界你可以用一个高频、可客观评估的任务来验证工具选择优化。给 Agent 一个“在仓库里找所有 TODO 注释”的任务观察它是否逐渐偏好更高效的工具。agent run --task 找出 src/ 下所有 TODO 注释 --repeat 5 --trace预期输出里前几次可能用grep -r后面几次会转向ripgrep因为 RL 从历史轨迹里学到了后者更快。如果你看到工具选择在 5 次内发生了变化说明 RL 路径优化在工作。反过来如果你让它“调整文档写作风格”它不会、也不应该用 RL 去试错——那属于主观评估不在 RL 边界内。5. 常见报错排查401、local proxy failed、reading choices、OAuth多智能体链路跑起来后报错会集中在几个固定位置。我把最常见的四类列出来对照排查。5.1 401 Unauthorized这是最高频的。表现是 curl 或 agent run 直接返回 401链路第一步就断。原因通常有三个一是TAOTOKEN_API_KEY没 export或者 export 在了另一个 shell 会话里二是 Key 复制时带了空格或换行三是 Key 被撤销了但本地还在用旧的。排查顺序先echo ${TAOTOKEN_API_KEY:0:8}看前 8 位是否存在再echo ${TAOTOKEN_API_KEY} | wc -c看长度是否异常正常 Key 长度固定多出字符就是复制带了换行。确认无误后去 API Keys 页面核对 Key 状态。如果 Key 没问题但还报 401检查 settings.json 里的api_key_env是否写成了别的变量名。5.2 local proxy failed这个报错通常出现在你本地起了某个转发层但转发层没起来或端口不对。表现是local proxy failed: connection refused。需要明确的是TaoToken 的接入方式是直连https://taotoken.net/api不需要任何本地转发层。如果你看到这个报错先检查 settings.json 里的base_url是不是被改成了http://localhost:xxxx之类的地址。把它改回https://taotoken.net/api然后确认没有其他工具在中间做拦截。如果公司网络有出站限制联系网络管理员放行该域名即可不要自己搭转发。5.3 reading choices 相关报错这个报错一般长这样error reading choices: unexpected end of JSON input。它出现在模型返回的 JSON 被截断时。原因通常是max_tokens设得太小或者timeout_seconds太短导致请求被中断。多智能体场景下Review Agent 的输出往往很长六维度审查报告如果 max_tokens 还是默认的 256必然截断。排查把 settings.json 里的timeout_seconds调到 120 以上并在 Subagent 配置里给 Review Agent 单独设max_tokens: 4096。另外检查structured_output: true是否开启开启后接入层会做 JSON 完整性校验截断会直接报错而不是返回残缺数据。5.4 OAuth 相关报错如果你用的是 Claude Code 这类带 OAuth 流程的工具可能会遇到OAuth token expired或OAuth callback failed。这里要区分两种情况一种是工具自身的 OAuth比如登录某个 IDE 插件另一种是模型通道的鉴权。TaoToken 的接入用的是 API Key不走 OAuth。所以如果你在配置里看到 OAuth 相关字段说明你混用了两套鉴权方式。正确做法是在 Claude Code 的 settings 里把 Base URL 指向https://taotoken.net/api鉴权方式选 API Key填入TAOTOKEN_API_KEY。如果你需要 Claude Code 的详细接入步骤可以看接入文档里面有完整的 settings 片段。OAuth 那套流程不要和 API Key 混用否则会出现“OAuth 成功了但请求还是 401”的怪现象。5.5 三件套检查清单无论遇到哪类报错先核对这三件套是否齐全且一致项目正确值常见错误Base URLhttps://taotoken.net/api写成带/v1或本地地址API Key环境变量TAOTOKEN_API_KEY硬编码在配置里或拼写错误Model ID与角色映射表一致用了不存在的模型名或大小写错误这三项在 settings.json、Subagent TOML、Skill YAML 里必须完全一致。我见过最常见的坑是settings.json 里写claude-sonnet-4-5但 build.toml 里写claude-sonnet-4.5结果 Build Agent 一直报模型不存在而 Orchestrator 却正常——因为两者读的是不同配置。6. 把链路跑成习惯从验证到长期运行配置和排错都过了之后最后一步是让它变成日常习惯。我的做法是把agent run封装成一个带 trace 的脚本每次跑完自动把 trace 日志归档到~/.agent/logs/每周看一次自进化 Skill 的 diff。具体来说每周检查三件事一是code_review.yaml的steps有没有新增条目新增的是不是合理二是failure_handling里有没有反复出现的同一种失败如果有说明 Skill 的强化没生效需要手动介入三是 RL 路径优化的工具选择有没有跑偏比如该用 ripgrep 的地方又退回了 grep。如果你要长期跑多智能体协作建议把 Coding Plan 用起来它在并发和额度上更适合这种“多个 Subagent 同时在线”的场景。入口在https://taotoken.net/coding-plan。模型对话的入口在https://taotoken.net/models接入文档在https://taotoken.net/docAPI Key 管理在https://taotoken.net/api-keys。最后说一个我自己的经验自进化 Skills 最怕的不是“不进化”而是“乱进化”。如果没有added_by和added_at_execution这两个审计字段跑上一个月后你的 Skill 会变成一坨没人敢动的规则堆。所以从第一天起就把审计字段加上每周花十分钟看 diff比事后重构省力得多。链路跑通只是开始让它稳定地越用越强靠的是这套可追溯的工程习惯。 自进化Skills与多智能体协作：AI Agent如何越用越强——TaoToken统一Key接入实战
1. 为什么你的 Agent 总是“原地踏步”很多人搭好一个 AI Agent 之后用两周就发现它开始“原地踏步”同样的任务第一次跑得挺顺第十次还是那个水平甚至因为上下文越堆越长反而更容易跑偏。问题不在模型本身而在于你把 Agent 当成了一个“一次性脚本”——它没有把每次执行的经验沉淀下来也没有把复杂任务拆给不同角色去协作。我试过最直接的对比一个只靠单 prompt 的代码审查 Agent和一个带自进化 Skills Subagents 分工的 Agent跑同一个仓库的 30 个 PR。前者漏掉的 SQL 注入风险点有 7 处后者只有 1 处而且后者在第 10 次执行后审查步骤里自动多出了“检查 N1 查询”这一条——没人手动加是它自己从 Reviewer 反馈里学来的。这就是“自进化 Skills”和“多智能体协作”要解决的核心问题让 Agent 越用越强而不是越用越飘。具体来说它包含三层机制第一层是Review Feedback → Skill 优化。每次 Skill 执行完Reviewer 角色的反馈会被结构化地写回 Skill 定义。比如code_review这个 Skill第 47 次执行时 Reviewer 说“建议增加 SQL 注入专项检查”下一次执行它的 steps 里就会多出3.5 检查 SQL 注入风险。第二层是Failure Patterns → Skill 强化。失败的轨迹不会被丢掉而是被分析成失败模式写进 Skill 的 failure_handling。比如database_migration在大表迁移时内存溢出原因是 batch_size 固定 1000 但单行数据过大Skill 会自动加上“估算单行大小、动态调整 batch_size”的前置条件。第三层是Successful Paths → Skill 优化。成功的路径同样有价值。系统会分析最近 20 次执行发现 15 次遵循“先写测试再写实现”且首次通过率比反过来高 40%于是把 Skill 的步骤顺序直接调过来。这三层机制要跑起来前提是有一个稳定的接入层让所有 Subagent 都能用同一套 Key、同一套 Base URL 去调用模型。否则你会在“Spec Agent 用这个 Key、Build Agent 用那个 Key”的混乱里耗尽耐心。下面我就以 TaoToken 作为统一接入层把整套链路拆成可复制的配置。2. TaoToken 统一 Key 接入把多智能体的“神经中枢”接好多智能体协作最容易被低估的成本是“接入层的碎片化”。你有 6 个 Subagent如果每个都配一套独立的 API Key、独立的 Base URL、独立的模型 ID那么任何一次模型切换或额度调整你都要改 6 个地方。更麻烦的是当 Orchestrator 要把任务委派给 Build Agent 时如果两者的模型通道不一致交接协议里的 payload 格式都可能对不上。TaoToken 在这里扮演的角色是一个统一的 API 通道你只需要一个 Key就能让所有 Subagent 走同一个 Base URL模型 ID 按角色分配即可。它的 API 地址是https://taotoken.net/api控制台在https://taotoken.net/consoleAPI Key 管理在https://taotoken.net/api-keys。如果你还没建 Key先去 API Keys 页面生成一个然后回到控制台确认额度。这里要强调一个工程习惯不要把 Key 硬编码在任何一个 Subagent 的 prompt 或脚本里。正确做法是把它放在环境变量或统一的 settings 文件里让所有 Agent 从同一个地方读。这样你换 Key 的时候只改一处6 个 Subagent 全部生效。具体到角色分配我建议这样映射模型 IDSubagent 角色职责建议模型档位说明Orchestrator任务拆解与委派高推理档需要理解全局目标决定委派顺序Spec Agent需求规格化中高推理档把自然语言转成结构化 SpecBuild Agent代码实现高代码档对代码生成质量要求最高Review Agent代码审查高推理档需要发现安全与性能问题Test Agent测试编写与执行中代码档侧重覆盖率与边界用例Verify Agent最终验证中推理档按验证协议逐条核对Report Agent报告汇总低推理档主要是格式化输出成本敏感这张表的意义在于你不需要所有角色都用最贵的模型。Orchestrator 和 Review Agent 值得用高推理档Report Agent 用低档就够。TaoToken 的统一 Key 让你可以在一个地方切换模型 ID而不用去每个 Subagent 的配置文件里翻。还有一个容易被忽略的点多智能体协作的交接协议需要模型通道支持结构化输出。比如 Build Agent 交给 Review Agent 的 payload 里有spec、diff、logs、risk_notes、verification_criteria五个字段。如果模型通道不稳定返回的 JSON 缺字段Review Agent 就会拿到残缺的输入审查结果自然不可靠。统一通道的好处是你可以在接入层做一次 schema 校验所有 Subagent 共用同一套校验逻辑。如果你打算长期跑这套链路建议直接看 Coding Plan它更适合高频、多角色的 Agent 场景额度模型和并发策略都比按次调用更省心。入口在https://taotoken.net/coding-plan。3. 可复制的 settings 与 Base URL 配置片段这一节是整篇的核心我直接把配置片段贴出来你复制后改 Key 就能用。先说明目录结构避免路径对不上~/.agent/ ├── settings.json # 全局接入配置 ├── skills/ │ ├── code_review.yaml # 自进化 Skill 定义 │ └── database_migration.yaml └── subagents/ ├── orchestrator.toml ├── build.toml └── review.toml3.1 全局 settings.json这个文件是所有 Subagent 的“公共接入层”Base URL 和 Key 只在这里出现一次{ provider: taotoken, base_url: https://taotoken.net/api, api_key_env: TAOTOKEN_API_KEY, default_model: claude-sonnet-4-5, model_overrides: { orchestrator: claude-opus-4-1, build: claude-sonnet-4-5, review: claude-opus-4-1, test: claude-sonnet-4-5, verify: claude-sonnet-4-5, report: claude-haiku-4-5 }, timeout_seconds: 120, max_retries: 3, structured_output: true }注意api_key_env这一项它不写 Key 本身而是写环境变量名。你在 shell 里这样设置export TAOTOKEN_API_KEYsk-你的实际Key这样做的原因是settings.json 可以进版本库而 Key 不会泄露。model_overrides就是上面那张角色映射表的落地Orchestrator 和 Review 用 opusReport 用 haiku成本立刻降下来。3.2 Subagent 的 TOML 配置以 Build Agent 为例~/.agent/subagents/build.toml[agent] name build role 代码实现 model claude-sonnet-4-5 [delegation] accepts_from [orchestrator, spec] hands_off_to [review, test] [delegation.payload_schema] spec string diff string logs string risk_notes string verification_criteria string [skill_bindings] primary feature_development fallback code_reviewpayload_schema这一段很关键。它定义了 Build Agent 交给 Review Agent 时必须包含的字段。如果模型返回的 JSON 缺了risk_notes接入层会直接报错而不是让残缺数据流到下一个环节。这就是统一通道带来的好处schema 校验只写一次。3.3 自进化 Skill 的 YAML 定义~/.agent/skills/code_review.yaml注意steps和failure_handling是会被自动追加的name: code_review version: 47 description: 对代码变更进行六维度审查 steps: - id: 1 action: 读取 diff 与相关上下文 - id: 2 action: 检查逻辑正确性 - id: 3 action: 检查安全风险 - id: 3.5 action: 检查 SQL 注入风险 added_by: review_feedback added_at_execution: 47 - id: 4 action: 检查性能问题 - id: 4.2 action: 检测 N1 查询模式 added_by: review_feedback added_at_execution: 47 failure_handling: - step: 3 error: 内存溢出 action: 自动降低 batch_size 并重试 precondition: 估算单行大小动态调整 batch_size added_by: failure_pattern added_at_execution: 23 success_paths: - pattern: 先写测试再写实现 first_pass_rate: 0.85 sample_size: 20 promoted_at_execution: 51added_by和added_at_execution这两个字段是自进化的“审计线索”。你能清楚看到哪一条步骤是第 47 次执行时从 Reviewer 反馈里加进来的哪一条是第 23 次失败后强化的。没有这两个字段Skill 会越改越乱最后没人知道某条规则为什么存在。3.4 环境变量与启动脚本把上面串起来一个最小启动脚本#!/usr/bin/env bash set -euo pipefail export TAOTOKEN_API_KEY${TAOTOKEN_API_KEY:?请先设置 TAOTOKEN_API_KEY} agent run \ --settings ~/.agent/settings.json \ --subagents ~/.agent/subagents \ --skills ~/.agent/skills \ --task 审查 src/api/matching.py 的最近变更set -euo pipefail这行别省。多智能体链路里任何一个 Subagent 失败都应该立刻中断而不是带着残缺状态继续往下跑。我踩过的坑就是没加-eBuild Agent 失败了但 Orchestrator 还在委派最后 Review Agent 拿到空 diff报了一堆莫名其妙的错。4. 验证请求与预期输出跑通第一条协作链路配置写完下一步是验证。不要一上来就跑完整任务先用一个最小请求确认接入层通了。4.1 第一步验证 Base URL 与 Key用 curl 直接打一次模型对话接口确认 Key 有效、Base URL 可达curl -sS https://taotoken.net/api/v1/messages \ -H Authorization: Bearer ${TAOTOKEN_API_KEY} \ -H Content-Type: application/json \ -d { model: claude-sonnet-4-5, max_tokens: 64, messages: [ {role: user, content: 只回复两个字通了} ] }预期输出是一个 JSONcontent数组里有一段文本内容就是“通了”。如果这里返回 401说明 Key 没设对如果返回连接错误说明 Base URL 写错了。这一步过了再往下走。4.2 第二步验证 Subagent 委派用一个简单任务触发 Orchestrator → Build → Review 的链路agent run \ --settings ~/.agent/settings.json \ --task 在 utils.py 里加一个 safe_divide 函数处理除零 \ --trace--trace会打印每个 Subagent 的交接 payload。预期输出大致是这样[orchestrator] 拆解任务: 1) 生成实现 2) 审查实现 [orchestrator] 委派 - build, payload: {spec: ..., criteria: ...} [build] 生成 diff: def safe_divide(a, b): ... [build] 自评: 已处理除零返回 None [build] 委派 - review, payload: {diff: ..., risk_notes: 未处理非数值输入} [review] 六维度审查中... [review] 发现问题: 未处理非数值输入 (Medium) [review] 返回审查报告关键看两点一是payload里五个字段是否齐全二是 Review Agent 是否真的读到了 Build Agent 的risk_notes。如果 Review 报告里提到了“未处理非数值输入”说明交接协议生效了。4.3 第三步验证自进化是否写入跑完上面那个任务后去看~/.agent/skills/code_review.yaml检查steps里有没有新增条目。如果 Review Agent 在审查中发现了新类型的问题并且这个反馈被结构化写回你会看到类似- id: 5.1 action: 检查非数值输入处理 added_by: review_feedback added_at_execution: 1注意added_at_execution: 1因为这是第一次执行。再跑一次同样的任务这次 Review Agent 应该会主动检查非数值输入而不是等 Build Agent 在 risk_notes 里提醒。这就是“越用越强”的可观测证据。4.4 第四步验证 RL Training 边界RL 不是所有场景都适用。按前面的边界你可以用一个高频、可客观评估的任务来验证工具选择优化。给 Agent 一个“在仓库里找所有 TODO 注释”的任务观察它是否逐渐偏好更高效的工具。agent run --task 找出 src/ 下所有 TODO 注释 --repeat 5 --trace预期输出里前几次可能用grep -r后面几次会转向ripgrep因为 RL 从历史轨迹里学到了后者更快。如果你看到工具选择在 5 次内发生了变化说明 RL 路径优化在工作。反过来如果你让它“调整文档写作风格”它不会、也不应该用 RL 去试错——那属于主观评估不在 RL 边界内。5. 常见报错排查401、local proxy failed、reading choices、OAuth多智能体链路跑起来后报错会集中在几个固定位置。我把最常见的四类列出来对照排查。5.1 401 Unauthorized这是最高频的。表现是 curl 或 agent run 直接返回 401链路第一步就断。原因通常有三个一是TAOTOKEN_API_KEY没 export或者 export 在了另一个 shell 会话里二是 Key 复制时带了空格或换行三是 Key 被撤销了但本地还在用旧的。排查顺序先echo ${TAOTOKEN_API_KEY:0:8}看前 8 位是否存在再echo ${TAOTOKEN_API_KEY} | wc -c看长度是否异常正常 Key 长度固定多出字符就是复制带了换行。确认无误后去 API Keys 页面核对 Key 状态。如果 Key 没问题但还报 401检查 settings.json 里的api_key_env是否写成了别的变量名。5.2 local proxy failed这个报错通常出现在你本地起了某个转发层但转发层没起来或端口不对。表现是local proxy failed: connection refused。需要明确的是TaoToken 的接入方式是直连https://taotoken.net/api不需要任何本地转发层。如果你看到这个报错先检查 settings.json 里的base_url是不是被改成了http://localhost:xxxx之类的地址。把它改回https://taotoken.net/api然后确认没有其他工具在中间做拦截。如果公司网络有出站限制联系网络管理员放行该域名即可不要自己搭转发。5.3 reading choices 相关报错这个报错一般长这样error reading choices: unexpected end of JSON input。它出现在模型返回的 JSON 被截断时。原因通常是max_tokens设得太小或者timeout_seconds太短导致请求被中断。多智能体场景下Review Agent 的输出往往很长六维度审查报告如果 max_tokens 还是默认的 256必然截断。排查把 settings.json 里的timeout_seconds调到 120 以上并在 Subagent 配置里给 Review Agent 单独设max_tokens: 4096。另外检查structured_output: true是否开启开启后接入层会做 JSON 完整性校验截断会直接报错而不是返回残缺数据。5.4 OAuth 相关报错如果你用的是 Claude Code 这类带 OAuth 流程的工具可能会遇到OAuth token expired或OAuth callback failed。这里要区分两种情况一种是工具自身的 OAuth比如登录某个 IDE 插件另一种是模型通道的鉴权。TaoToken 的接入用的是 API Key不走 OAuth。所以如果你在配置里看到 OAuth 相关字段说明你混用了两套鉴权方式。正确做法是在 Claude Code 的 settings 里把 Base URL 指向https://taotoken.net/api鉴权方式选 API Key填入TAOTOKEN_API_KEY。如果你需要 Claude Code 的详细接入步骤可以看接入文档里面有完整的 settings 片段。OAuth 那套流程不要和 API Key 混用否则会出现“OAuth 成功了但请求还是 401”的怪现象。5.5 三件套检查清单无论遇到哪类报错先核对这三件套是否齐全且一致项目正确值常见错误Base URLhttps://taotoken.net/api写成带/v1或本地地址API Key环境变量TAOTOKEN_API_KEY硬编码在配置里或拼写错误Model ID与角色映射表一致用了不存在的模型名或大小写错误这三项在 settings.json、Subagent TOML、Skill YAML 里必须完全一致。我见过最常见的坑是settings.json 里写claude-sonnet-4-5但 build.toml 里写claude-sonnet-4.5结果 Build Agent 一直报模型不存在而 Orchestrator 却正常——因为两者读的是不同配置。6. 把链路跑成习惯从验证到长期运行配置和排错都过了之后最后一步是让它变成日常习惯。我的做法是把agent run封装成一个带 trace 的脚本每次跑完自动把 trace 日志归档到~/.agent/logs/每周看一次自进化 Skill 的 diff。具体来说每周检查三件事一是code_review.yaml的steps有没有新增条目新增的是不是合理二是failure_handling里有没有反复出现的同一种失败如果有说明 Skill 的强化没生效需要手动介入三是 RL 路径优化的工具选择有没有跑偏比如该用 ripgrep 的地方又退回了 grep。如果你要长期跑多智能体协作建议把 Coding Plan 用起来它在并发和额度上更适合这种“多个 Subagent 同时在线”的场景。入口在https://taotoken.net/coding-plan。模型对话的入口在https://taotoken.net/models接入文档在https://taotoken.net/docAPI Key 管理在https://taotoken.net/api-keys。最后说一个我自己的经验自进化 Skills 最怕的不是“不进化”而是“乱进化”。如果没有added_by和added_at_execution这两个审计字段跑上一个月后你的 Skill 会变成一坨没人敢动的规则堆。所以从第一天起就把审计字段加上每周花十分钟看 diff比事后重构省力得多。链路跑通只是开始让它稳定地越用越强靠的是这套可追溯的工程习惯。