企业官网建设流程全解析

1. 主对话为什么会被脏活撑爆

先说结论：Claude Code 的主对话不是被"任务多"撑爆的，是被"过程噪声"撑爆的。你把代码审查、测试生成、Bug 修复一股脑塞进同一个会话，前几轮它还能对答如流，到第五轮就开始忘事——把 CamelCase 写回 snake_case，修复方案跟自己前面的结论打架。这不是模型失忆，是上下文窗口的信噪比失衡了。

我拿一个真实重构任务算过账：原始代码约 5 万 token，搜索过程约 3 万 token，中间推理约 2 万 token，测试输出日志约 4 万 token。等你想让它做最终决策时，留给"决策"的有效上下文已经被挤到角落。模型每次回答都要重新读一遍这十几万 token 的噪声，质量自然断崖式下跌。

子智能体（Subagent）干的事就是把这个过程搬走：在独立的子上下文里跑完整个脏活，只把结论塞回主对话。主对话保持清爽，模型每次决策都基于干净的输入。这篇就聚焦 Claude Code 子智能体的上下文隔离机制，演示怎么用 TaoToken 统一 Key/API 通道接入子智能体，交付可复制的settings.json与子智能体定义骨架，并给出主/子上下文占用对比的验证动作。

适合谁看：正在用 Claude Code 做 AI 工程、Harness 实践，被主对话上下文污染困扰的开发者。读完你能自己搭一套"CEO 派活、子智能体干活"的协作结构。

2. TaoToken 前置：统一 Key 与 API 通道

子智能体要跑起来，绕不开模型调用通道。Claude Code 默认走 Anthropic 官方通道，但如果你同时用多个模型、多个项目，Key 管理会变成一团乱麻。TaoToken 在这里的角色是统一 Key/API 通道：一个 Key 覆盖 Claude 系列模型，子智能体定义里指定model: sonnet或model: haiku时，请求都从同一条通道出去，不用为每个子智能体单独配 Key。

先做前置准备。打开官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= 注册账号，进控制台创建 API Key。控制台地址是 https://taotoken.net/console?utm_source=taotoken_aicg_blog_end&utm_content=console&utm_campaign=rewrite ，Key 管理页在 https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api-keys&utm_campaign=rewrite 。API 基础地址统一用 https://taotoken.net/api （这个不加 UTM）。

拿到 Key 之后，别急着写子智能体，先把 Claude Code 的全局配置打通。Claude Code 读取环境变量的优先级是：项目级.claude/settings.json> 用户级~/.claude/settings.json> 系统环境变量。我建议把 Key 放在用户级配置里，项目级只放子智能体定义，这样多个项目共用一套通道。

注意：Key 属于敏感凭证，不要提交到 Git。项目级settings.json里如果要写 Key，务必加进.gitignore，或者用环境变量引用。

前置这一步做完，你手上应该有三样东西：一个可用的 API Key、一个确认能通的 API 基础地址、一个装好 Claude Code 的项目目录。接下来进入配置环节。

3. 可复制配置：settings.json 与子智能体骨架

3.1 全局 settings.json 打通通道

先配用户级~/.claude/settings.json，把模型通道指向 TaoToken：

{ "env": { "ANTHROPIC_BASE_URL": "https://taotoken.net/api", "ANTHROPIC_API_KEY": "sk-你的TaoToken密钥" }, "model": "sonnet", "permissions": { "allow": [ "Read", "Grep", "Glob" ] } }

这里ANTHROPIC_BASE_URL指向 TaoToken 的 API 地址，ANTHROPIC_API_KEY填你创建的 Key。model是主对话默认模型，子智能体可以在自己的 frontmatter 里覆盖。permissions.allow是全局白名单，子智能体的tools字段只能在这个范围内再收窄，不能突破。

项目级.claude/settings.json可以只放项目相关的东西，比如：

{ "permissions": { "allow": [ "Read", "Grep", "Glob", "Edit", "Write", "Bash" ] } }

项目级允许了Edit、Write、Bash，是因为 bug-fixer 和 test-runner 需要写文件和跑命令。但注意，全局白名单里没有这些，所以最终生效的是两级配置的交集——这是 Claude Code 的权限收敛逻辑，子智能体拿不到超出全局的工具。

3.2 子智能体定义骨架

子智能体就是一个 markdown 文件，丢在.claude/agents/目录下。frontmatter 里写清楚身份和权限，正文写工作流程和输出格式。先看一个代码审查子智能体的完整骨架：

--- name: code-reviewer description: 审查代码质量、安全漏洞和性能问题的专家。当用户要求代码审查、安全审计或质量评估时使用。 tools: - Read - Grep - Glob model: sonnet permissionMode: plan --- 你是一个资深的代码审查专家，拥有十年以上的工程经验。 ## 审查维度 ### 安全性 - 检查硬编码凭证（API Key、密码、Token） - 检查 SQL 注入、XSS、CSRF 等注入漏洞 - 检查输入验证的完整性 - 检查敏感数据的处理方式 ### 代码质量 - 函数是否遵循单一职责原则 - 命名是否清晰、一致 - 是否存在重复代码 - 错误处理是否恰当 ### 性能 - 是否有不必要的循环嵌套 - 数据库查询是否存在 N+1 问题 - 是否有未关闭的资源 ## 输出格式 ### 审查摘要 [一段话总结整体代码质量] ### 发现的问题 - [严重/主要/次要] 问题描述 at file_path:line_number ### 改进建议 [按优先级排列的具体改进建议]

frontmatter 这五件套你得记牢：

permissionMode: plan意味着这个子智能体只能读、不能写，适合审查类任务。如果要让它改文件，改成acceptEdits。

3.3 流水线型子智能体的契约式输出

流水线型最容易踩的坑是阶段间格式不固定。上游今天输出"根因在 xxx"，明天输出"问题出在 xxx"，下游根本解析不了。所以上游必须严格按契约输出。看 bug-locator：

--- name: bug-locator description: 定位 Bug 的根本原因 tools: - Read - Grep - Glob permissionMode: plan --- 你是 Bug 定位专家。你的任务是找到 Bug 的根本原因。 ## 定位流程 1. 理解症状：分析错误信息和复现步骤 2. 搜索相关代码：通过关键词和文件模式定位可疑区域 3. 追溯调用链：从错误点向上追溯到根因 4. 确认根因：明确说明是哪行代码导致了问题 ## 输出格式（下游阶段依赖此格式，请严格遵守） 根因文件：[file_path:line_number] 问题描述：[一句话说明根因] 调用链：[从入口到出错点的完整路径] 修复方向：[简要的修复思路]

下游 bug-fixer 的消费方式也写死：

--- name: bug-fixer description: 基于定位结果修复 Bug tools: - Read - Grep - Glob - Edit - Write - Bash --- 你是 Bug 修复专家。你将收到 bug-locator 的定位结论，基于此进行修复。 ## 修复原则 1. 最小改动：只改必须改的代码 2. 不引入新问题：修复不能破坏其他功能 3. 保持风格一致：遵循项目现有代码风格 4. 添加防御性代码：防止同类问题再次发生 ## 输出格式 修改的文件：[file_path_1, file_path_2, ...] 每处修改的原因：[逐一说明] 潜在副作用：[如果有的话] 建议的测试命令：[用于验证修复的命令]

四行字段、固定顺序、固定标签。bug-fixer 读到"根因文件："就知道从这行取路径，读到"修复方向："就知道这是上下文提示。这种契约一旦定下来，整条流水线就稳了。我自己的规则是：上游输出格式一旦修改，必须同步改下游解析逻辑，跟改 API 一个待遇。

3.4 成本优化：test-runner 用 haiku

跑测试这种不需要复杂推理的活，用 haiku 足够，省钱又快：

--- name: test-runner description: 运行项目测试套件并分析测试结果。当用户要求运行测试、检查测试覆盖率或分析测试失败原因时使用。 tools: - Read - Grep - Glob - Bash model: haiku --- 你是一个测试执行专家。你的核心价值是：从大量测试输出中提炼关键信息，为主对话提供精准的测试摘要。 ## 执行流程 1. 确认项目的测试命令（查看 package.json 或 CLAUDE.md） 2. 运行测试套件 3. 分析输出，区分通过和失败的测试 4. 对失败的测试，定位失败原因 ## 输出格式（严格遵守） ### 测试摘要 - 总计：X 个测试 - 通过：X 个 - 失败：X 个 - 跳过：X 个 ### 失败详情（仅列出失败的测试） - test_name: 失败原因（一句话）at file_path:line_number ### 建议 [如果有明显的失败模式，给出修复方向] 注意：不要在输出中包含完整的测试日志。只输出上述格式的摘要信息。

model: haiku单次成本比 sonnet 低一个数量级，跑测试这种确定性高的任务完全够用。子智能体的模型选择是独立的，主对话用 sonnet 做决策，子智能体用 haiku 干体力活，成本结构一下就优化了。

4. 验证请求：主/子上下文占用对比

配置写完，得验证子智能体真的在独立上下文里跑。Claude Code 里触发子智能体有两种方式：自动路由和显式调用。自动路由靠description字段，你说"帮我审查这段代码"，Claude 根据 description 判断该 spawn code-reviewer。显式调用是直接说"用 code-reviewer 审查 src/ 目录"。

验证动作分三步。第一步，跑一个代码审查任务，观察主对话里出现的内容。如果配置正确，主对话里出现的不是"Grep 搜索了 30 个文件，发现 5 处疑似 SQL 注入，逐个分析…"，而是"发现 2 处 SQL 注入高危，位于 userController.js:42 和 orderDao.js:118"。过程被折叠了，只有结论回流。

第二步，对比 token 占用。我做过一次实测，同一个代码审查任务（5000 行 ArkTS 代码），两种跑法差距非常明显：

子智能体那一栏的过程 token 不进主对话，主对话里只剩下结论。后续再让它做决策时，模型看到的全是有效信息，不会被 8.6 万 token 的过程噪声稀释。这就是为什么主对话直跑到第五轮，信噪比已经掉到 3.5%，模型当然开始忘事。

第三步，验证模型路由。在子智能体定义里把model改成haiku，跑一次测试任务，观察响应速度和输出格式是否符合契约。如果输出里带了完整测试日志，说明子智能体没遵守"只输出摘要"的指令，回去检查正文里的输出格式约束。

提示：验证阶段建议先用小任务试跑，比如审查单个文件、跑单个测试用例。确认通道通了、子智能体被正确 spawn、输出格式符合契约，再上大任务。

5. 本篇常见错排查

配置过程中最容易踩的几个坑，我逐个列出来。

子智能体没被触发。最常见的原因是description写得太模糊。Claude 靠 description 做路由判断，如果你写"代码相关任务"，它不知道什么时候该用。改成"当用户要求代码审查、安全审计或质量评估时使用"，触发率立刻上来。另一个原因是文件没放对位置，必须在.claude/agents/目录下，文件名和name字段一致。

工具权限报错。子智能体定义里tools列了Bash，但全局settings.json的permissions.allow里没有Bash，最终生效的是交集，子智能体拿不到这个工具。排查方法：先看全局白名单，再看项目级白名单，最后看子智能体tools，三级取交集。缺哪级补哪级。

API 通道不通。报错通常是 401 或连接超时。先确认ANTHROPIC_BASE_URL是https://taotoken.net/api，注意结尾没有多余斜杠。再确认ANTHROPIC_API_KEY是有效的 Key，没被撤销。如果还不行，去控制台看 Key 的余额和权限范围。接入文档在 https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite ，里面有完整的参数说明。

流水线阶段格式对不上。bug-fixer 解析不了 bug-locator 的输出，通常是上游没严格遵守契约。检查 bug-locator 的输出是不是四行固定字段，有没有多写或少写。契约式输出的关键是"固定标签 + 固定顺序"，任何自由发挥都会让下游解析失败。

主对话还是被污染。如果你发现主对话里还是出现了大量过程日志，说明任务没走子智能体，而是主对话直跑了。检查触发方式：自动路由靠 description，如果没触发，改用显式调用"用 xxx 子智能体做 yyy"。另外确认子智能体的permissionMode和tools配置正确，配置错误会导致 spawn 失败后回退到主对话执行。

模型选择不当。给 test-runner 配了 opus，成本飙升还没必要。确定性高的任务用 haiku，需要推理的用 sonnet，只有极复杂的架构决策才上 opus。子智能体的model字段独立于主对话，按任务复杂度分配。

6. 把脏活丢出去，主对话只留决策

子智能体的本质是上下文隔离：把过程噪声关在子上下文里，只让结论回流主对话。主智能体扮演 CEO，派活、收结论、不做执行。三种协作形态覆盖大多数场景——并行型多个专家同时干活，流水线型串行处理链，团队型多会话自组织协作。

我自己的用法是：凡是过程噪声大、只需要结论回流的任务，一律丢给子智能体。代码审查、测试生成、Bug 定位修复，全部走流水线。主对话只留给真正需要多轮交互的决策。上下文干净得像新装系统，模型每次回答都在最佳状态。

如果你要长期跑编码任务或搭 Agent 工作流，建议把模型通道统一到 TaoToken 的 Coding Plan，地址是 https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding-plan&utm_campaign=rewrite ，一个 Key 覆盖多个子智能体的模型调用，省去逐个配 Key 的麻烦。想先验证模型效果，可以去模型对话页 https://taotoken.net/chat?utm_source=taotoken_aicg_blog_end&utm_content=chat&utm_campaign=rewrite 试跑几个子智能体任务，确认输出格式和响应质量符合预期，再落到项目里。

配置这件事，先跑通一个子智能体，再复制成流水线。别一上来就搭五个，调试成本会把你劝退。