企业官网建设流程全解析

从一次生产异常处理说起：AI Agent Harness 最小原型怎么跑通模型通道

做垂直 AI Agent Harness 的创业者，最容易在第一个原型上卡住的往往不是业务逻辑，而是模型通道。你写好了知识库检索、MES 查询、工单创建、合规校验这一整条链路，结果一跑handle_production_exception，要么是ChatOpenAI报鉴权失败，要么是OpenAIEmbeddings连不上，要么是 Milvus 里查不出东西。问题不在你的 Harness 设计，而在 LLM 与 embedding 这两类请求的 Base URL 和 Key 没有统一收口。

这篇就围绕离散制造业生产异常处理这个最小 Harness 原型，把模型通道这一段配通。TaoToken 在这里只做一件事：给你一个 Key 和一个 Base URL（https://taotoken.net/api），让 LangChain 里的ChatOpenAI和OpenAIEmbeddings都能走同一条通道。它不替你做知识注入、不替你做 MES 对接、也不替你做工单编排——那些仍然是你 Harness 的核心价值。你可以先从 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 拿到 Key，再回到代码里改两行配置，整个原型就能跑起来。

一、原问题与场景：最小 Harness 里真正烧 Token 的是哪两处

先把这个原型的结构说清楚。离散制造业的生产异常处理 Harness，核心流程是五步：

1. 用异常描述去知识库检索历史处理方案；
2. 调 MES 接口拿产线负责人和设备信息；
3. 让大模型把异常描述、处理方案、MES 信息合成结构化 JSON；
4. 做合规校验，判断是自动派单还是只发告警；
5. 按校验结果创建工单或发告警。

这五步里，第 1 步的向量检索依赖 embedding 请求，第 3 步的结构化生成依赖 LLM 请求。MES 查询和工单创建是普通 HTTP 调用，不消耗模型 Token；合规校验是本地规则判断，也不消耗 Token。也就是说，真正持续消耗 Token、也最容易在配置上出问题的，就是OpenAIEmbeddings和ChatOpenAI这两处。

创业者做垂直 Harness 时的典型痛点是：embedding 走一个地址、LLM 走另一个地址，Key 也各管各的，环境变量越写越多，换一台机器部署就要重新对一遍。更麻烦的是，当你想把同一个 Harness 复制到第二个客户时，模型通道的配置散落在代码各处，迁移成本很高。

所以最小原型的正确做法，是把模型通道统一成一组配置：一个 Base URL、一个 Key，同时喂给ChatOpenAI和OpenAIEmbeddings。这样你的 Harness 业务代码不用动，换客户时只换环境变量。

二、TaoToken 前置：先拿 Key，再改 base_url

在动代码之前，先把通道准备好。打开 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 注册账号，进入控制台创建一个 API Key。这个 Key 就是你后面要填进环境变量的LLM_API_KEY。

这里要强调边界：TaoToken 提供的是模型调用的 Key 和 Base URL，它不负责你的知识库内容、不负责 MES 接口对接、也不负责工单系统的编排逻辑。你的 Harness 之所以是 Harness，恰恰是因为它把行业知识、遗留系统、业务流、合规规则串在了一起。模型通道只是这条线束里的一根线，但这根线必须先通。

创建完 Key 之后，你手里应该有两个东西：

• API Key：形如YOUR_API_KEY，实际以你创建出来的为准；
• Base URL：https://taotoken.net/api

注意 Base URL 后面不要自己再加/v1之类的路径，LangChain 的 OpenAI 兼容客户端会按自己的规则拼接。这一点在排错时很关键，后面会细说。

如果你后面要长期跑编码类 Agent，或者想把 Harness 里的模型调用做成可持续的工程化配置，可以再了解下 Coding Plan 这类长期方案；但就本篇这个最小原型而言，先把 Key 和 Base URL 配通就够了。

三、可复制配置：把 ChatOpenAI 与 OpenAIEmbeddings 收口到一组变量

现在回到原文 5.2 节那段代码。原文里ChatOpenAI(model="gpt-4o")和OpenAIEmbeddings()都是默认走 OpenAI 官方地址，Key 也只传了一个。我们要改的就是这两处的初始化方式，让它们都指向 TaoToken 的 Base URL。

先看环境变量。建议在.env里统一成下面这样：

LLM_API_KEY=YOUR_API_KEY LLM_BASE_URL=https://taotoken.net/api MES_API_URL=http://your-mes-host:8080 WORK_ORDER_API_URL=http://your-workorder-host:8080

然后改模型初始化部分：

import os from dotenv import load_dotenv from langchain_openai import ChatOpenAI, OpenAIEmbeddings load_dotenv() LLM_API_KEY = os.getenv("LLM_API_KEY") LLM_BASE_URL = os.getenv("LLM_BASE_URL") llm = ChatOpenAI( model="gpt-4o", api_key=LLM_API_KEY, base_url=LLM_BASE_URL, temperature=0, ) embeddings = OpenAIEmbeddings( api_key=LLM_API_KEY, base_url=LLM_BASE_URL, )

这两处改完之后，ChatOpenAI的结构化生成请求和OpenAIEmbeddings的向量化请求就都走同一条通道了。Milvus 那边的embedding_function=embeddings不用动，它拿到的还是同一个 embeddings 对象，只是这个对象背后的请求地址变了。

这里有个细节值得说：ChatOpenAI的base_url参数在不同版本的 langchain-openai 里名字可能略有差异，有的版本用openai_api_base。如果你装的是较新版本，用base_url即可；如果报参数不识别，换成openai_api_base再试。这不是 TaoToken 的问题，是 LangChain 自身版本差异。

配置改完后，你的 Harness 业务代码——get_exception_solution、query_mes_system、create_work_order、compliance_check、handle_production_exception——一行都不用动。这就是把模型通道收口的好处：业务逻辑和模型接入解耦。

四、验证请求：跑一次 handle_production_exception 看什么

配置改完，直接跑原文的测试调用：

if __name__ == "__main__": result = handle_production_exception( "生产线A1温度超过阈值10度，压力异常", "A1" ) print(json.dumps(result, ensure_ascii=False, indent=2))

跑之前先确认 Milvus 是活的，manufacturing_exception_kb这个 collection 里有数据。如果知识库是空的，get_exception_solution会返回空字符串，虽然不一定会报错，但大模型拿不到参考方案，生成的结构化 JSON 质量会差很多。

一次成功的调用，你应该看到类似这样的输出结构：

{ "status": "success", "action": "auto_dispatch", "work_order": { "title": "生产线A1异常：生产线A1温度超过阈值10度，压力异常", "handler": "张工", "solution": "先检查冷却系统，再确认压力传感器读数", "level": 3, "estimated_time": 30 }, "log": { "solution": "...", "mes_info": {...}, "exception_info": {...} } }

重点看三件事：

第一，exception_info里的level、handler、solution、estimated_time四个字段是否都齐了。这说明ChatOpenAI的结构化生成请求通了，JsonOutputParser也正常解析了。

第二，log.solution里有没有内容。这说明OpenAIEmbeddings的向量化请求通了，Milvus 的相似度检索也返回了结果。

第三，status是不是success。如果 MES 接口是本地 mock 的，mes_info里应该有产线信息；如果 MES 没起，会走到"MES系统对接失败"那个分支。

如果这三件事都符合预期，说明你的最小 Harness 模型通道已经配通了。接下来才是往知识库里灌更多行业文档、把 MES 和工单接口换成真实系统的事。

五、本篇常见错排查

这一节按报错现象来排，都是配 TaoToken 通道时容易遇到的。

报错一：401 Unauthorized 或 invalid api key

先检查.env里的LLM_API_KEY是不是你从 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 创建出来的那个 Key，有没有多复制空格或换行。然后确认ChatOpenAI和OpenAIEmbeddings两处都传了api_key，不要只传一处。如果 Key 确认没问题，去控制台的 API Keys 页面看看这个 Key 是不是被禁用或删除了。

报错二：Connection error 或 404

大概率是 Base URL 写错了。正确写法是https://taotoken.net/api，不要写成https://taotoken.net/api/v1，也不要在末尾加斜杠。LangChain 的 OpenAI 兼容客户端会自己拼/chat/completions和/embeddings。如果你手动加了/v1，拼出来就变成/api/v1/chat/completions，路径对不上。

报错三：model not found

检查ChatOpenAI(model="gpt-4o")里的模型名。模型名要以你账号下可用的为准，不要凭记忆写。如果你不确定有哪些模型可用，可以去模型对话页面实际发一条消息验证一下，能正常返回就说明这个模型名在你的账号下是可用的。

报错四：embedding 维度不匹配

这个报错通常出现在 Milvus 那边。如果你之前用别的 embedding 模型建过 collection，现在换成走 TaoToken 的 embedding，向量维度可能变了。解决办法是重建 collection，或者确认你用的 embedding 模型和建库时是同一个。这跟通道本身无关，是向量库的固有要求。

报错五：JsonOutputParser 解析失败

如果ChatOpenAI返回的不是合法 JSON，JsonOutputParser会抛错。先确认 prompt 里明确要求了输出 JSON，并且给了字段说明。如果模型偶尔返回带 markdown 代码块的 JSON，可以在 parser 前加一层清洗。这不是通道问题，是 prompt 工程问题。

报错六：MES 接口超时

这个跟模型通道无关，但容易和模型报错混在一起。query_mes_system里设了timeout=10，如果 MES 是本地 mock 没起，会走到except返回{"error": ...}，然后主流程返回"MES系统对接失败"。看到这个提示时，先去确认 MES 服务本身是否可达，不要一上来就怀疑模型通道。

排错的基本顺序是：先确认 Key 和 Base URL，再确认模型名，再确认网络可达，最后才怀疑业务代码。大部分接入问题都出在前两步。

六、把通道配通之后，Harness 的价值才真正开始

回到创业视角。垂直 AI Agent Harness 的壁垒从来不是模型通道本身，而是你对某个行业业务流的抽象能力。离散制造业的生产异常处理之所以是个好切口，是因为它高频、刚性、有明确的合规要求，而且遗留系统对接的难度构成了天然门槛。

但这一切的前提，是你的最小原型能跑起来。而最小原型能不能跑起来，往往就卡在ChatOpenAI和OpenAIEmbeddings这两处配置上。把这两处收口到一组 Key 和 Base URL，你才能把精力放回真正重要的事情上：知识库怎么灌、MES 怎么对接、工单怎么编排、合规规则怎么沉淀。

如果你现在正卡在接入这一步，建议直接去 API Keys 页面创建一个 Key，再对照接入文档把base_url和api_key填进代码。跑通handle_production_exception之后，你会发现自己终于可以专注在 Harness 本身，而不是在环境变量里打转。

通道是线，Harness 是束。线通了，束才能成。