企业官网建设流程全解析

1. 从一次“AI 助手卡死”说起：mini-cc 的 Agent 循环到底在循环什么

先还原一个我真实遇到的场景。本地跑着一个基于 mini-cc 思路写的 AI 助手，输入“帮我看看 package.json 里的项目名，顺便把 version 也读出来”，结果终端里日志刷了十几屏，最后停在一句达到最大迭代次数上。任务没完成，Token 倒是烧了不少。这就是 Agent 循环没设计好时的典型表现——它确实在“思考”，但思考的方向跑偏了。

mini-cc 的 Agent 循环，说白了就是让大模型自己决定“下一步干什么”。它不是一个单纯的while(true)，而是感知 → 思考 → 行动 → 再感知的闭环。用户输入进来，QueryEngine 构建上下文，调用 LLM，LLM 返回的内容里可能带工具调用（读文件、跑命令、写文件），执行完把结果再喂回去，直到 LLM 说“不用调工具了，这就是答案”。

这套机制适合谁？适合正在做本地 AI 助手、想理解 LLM 调用链路、准备自己搭一个 coding agent 的开发者。你不需要从零造轮子，但需要搞清楚 QueryEngine 和 Agent 循环怎么协作，以及 LLM 请求到底发到哪里、用什么 Key、返回怎么解析。

我试过把这块拆开看，核心其实就三件事：循环控制（什么时候继续、什么时候停）、上下文管理（每轮塞什么进去）、LLM 通道（请求发给谁、怎么鉴权）。前两件是 mini-cc 自己的工程逻辑，第三件就是 TaoToken 要解决的问题——给你一个统一的 Key 和 API 通道，不用在多个模型供应商之间来回切换配置。

下面我会按“先跑通再优化”的顺序，把 settings.json / config.toml 配置骨架、TaoToken 接入步骤、循环触发与日志验证动作全部拆开。你跟着做，能在一个本地 mini-cc 项目里看到 Agent 循环真实跑起来的样子。

2. TaoToken 前置：统一 Key 与 API 通道，让 QueryEngine 只认一个出口

在讲配置之前，先把 TaoToken 的定位说清楚。mini-cc 的 QueryEngine 里有一个LLMProvider抽象，它不关心你用的是哪家模型，只关心三件事：Base URL、API Key、Model ID。TaoToken 就是把这个出口统一掉——你拿一个 Key，配一个 Base URL，就能在 mini-cc 里调用不同模型，不用改 QueryEngine 的代码。

官网入口在这里：https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= 。API 地址是 https://taotoken.net/api ，注意这个不加 UTM 参数，配置里直接写这个。

你需要提前准备的东西不多：

• 一个 TaoToken 账号，登录后进控制台创建 API Key；
• 本地已经有一个 mini-cc 项目（或者你按它的结构新建一个 TypeScript 项目）；
• Node.js 18+ 环境，能跑npm或pnpm。

拿 Key 的路径：进控制台 → API Keys → 新建 → 复制。这个 Key 只显示一次，建议直接写进本地.env或者配置文件，别提交到 Git。

模型对话调试入口：https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，你可以先在网页里发一条消息，确认 Key 和通道是通的，再往 mini-cc 里接。

这里有个容易踩的坑：很多人把 Base URL 写成https://taotoken.net/api/v1或者带斜杠的版本，结果 mini-cc 里请求 404。正确做法是Base URL 只写到/api，具体路径由 SDK 或你的 provider 拼接。比如 OpenAI 兼容的调用，最终请求是https://taotoken.net/api/v1/chat/completions，但配置里只写https://taotoken.net/api。

另外，TaoToken 不是“中转”概念，它是一个统一的模型调用通道。你在 mini-cc 里配置一次，QueryEngine 的provider.chat(context)就走这个通道，换模型只改 Model ID，不改代码。这对 Agent 循环特别重要——循环里每一轮都要调 LLM，如果每次换模型都要改 provider 初始化逻辑，工程上会很乱。

Coding Plan 入口：https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，如果你打算长期跑 Agent 循环、做本地 coding agent，这个比按量调用更划算，后面 §6 会再提。

3. 可复制配置：settings.json 与 config.toml 骨架，直接填 Key 就能跑

这一节是全文最核心的部分。mini-cc 的配置分两层：项目级 settings.json管 Agent 循环参数和工具注册，用户级 config.toml管 LLM 通道和 Key。两者配合，QueryEngine 启动时先读 config.toml 初始化 provider，再读 settings.json 决定循环上限、记忆策略、工具白名单。

先看config.toml，放在~/.mini-cc/config.toml（Windows 是C:\Users\你的用户名\.mini-cc\config.toml）：

# ~/.mini-cc/config.toml # TaoToken 统一通道配置，QueryEngine 启动时读取 [llm] provider = "openai-compatible" base_url = "https://taotoken.net/api" api_key = "sk-你的TaoTokenKey" model = "claude-sonnet-4-20250514" timeout_seconds = 120 max_retries = 2 [llm.headers] X-Client = "mini-cc-agent-loop" [agent] max_iterations = 5 tool_timeout_seconds = 300 memory_short_term_limit = 50 memory_compress_threshold = 50

注意base_url只写到/api，model填你在 TaoToken 控制台看到的模型 ID。max_iterations = 5对应 QueryEngine 里的硬上限，防止死循环。tool_timeout_seconds = 300是 BashTool 的兜底超时。

再看项目级settings.json，放在项目根目录.mini-cc/settings.json：

{ "agent": { "name": "mini-cc-local", "systemPromptTemplate": "你是一个专业的 AI 编程助手。可用工具: {{tools}}。工具调用格式: <function_calls><invoke name=\"工具名称\"><parameter name=\"参数名\">参数值</parameter></invoke></function_calls>", "maxIterations": 5, "recursionMode": "recursive" }, "tools": { "enabled": ["FileReadTool", "FileWriteTool", "BashTool", "GetCurrentTime"], "timeouts": { "FileReadTool": 120, "FileWriteTool": 120, "BashTool": 300 } }, "memory": { "shortTermLimit": 50, "compressThreshold": 50, "summaryModel": "claude-sonnet-4-20250514" }, "logging": { "level": "debug", "loopTrace": true, "logFile": ".mini-cc/logs/agent-loop.log" } }

这两个文件的分工要记清楚：config.toml是通道层，管 Key、Base URL、Model ID；settings.json是循环层，管迭代次数、工具、记忆、日志。QueryEngine 初始化时，先loadConfig()读 toml，再loadSettings()读 json，然后new QueryEngine(provider, toolRegistry, memory)。

如果你用的是 Cline MCP 或者 Claude Code 的配置习惯，三件套要写全：Base URL + Key + Model ID。缺一个都会在启动时报错。比如 Cline 的 MCP 配置里，baseUrl写https://taotoken.net/api，apiKey写你的 Key，model写模型 ID。Codex 的auth.json同理，OPENAI_BASE_URL指向 TaoToken，OPENAI_API_KEY填 Key。

配置写完后，在项目里跑一次初始化：

cd your-mini-cc-project npm install node -e "const {loadConfig}=require('./src/config'); console.log(loadConfig())"

如果输出里能看到base_url: 'https://taotoken.net/api'和你的模型 ID，说明配置读取没问题。这一步别跳过，很多“循环跑不起来”的问题，其实是配置根本没加载。

4. 验证请求：触发 Agent 循环并看日志确认 LLM 调用链路

配置就绪后，下一步是让 Agent 循环真正跑一轮，并通过日志确认 LLM 请求确实走了 TaoToken 通道。mini-cc 的 QueryEngine 里，run(prompt)是入口，我建议你先用一个最简单的任务触发，比如“读取 package.json 并告诉我项目名”。

在项目里新建test-loop.ts：

import { QueryEngine } from './src/application/QueryEngine'; import { loadConfig } from './src/config'; import { ToolRegistry } from './src/tools/ToolRegistry'; import { MemoryManager } from './src/memory/MemoryManager'; import { OpenAICompatibleProvider } from './src/providers/OpenAICompatibleProvider'; async function main() { const config = loadConfig(); const provider = new OpenAICompatibleProvider({ baseUrl: config.llm.base_url, apiKey: config.llm.api_key, model: config.llm.model, timeout: config.llm.timeout_seconds, }); const toolRegistry = new ToolRegistry(); toolRegistry.registerDefaults(); const memory = new MemoryManager({ shortTermLimit: config.agent.memory_short_term_limit, }); const engine = new QueryEngine(provider, toolRegistry, memory); const result = await engine.run('读取 package.json，告诉我项目名称和版本号'); console.log('最终结果:', result); } main().catch(console.error);

跑之前确认logging.loopTrace = true，这样每轮循环都会写日志。执行：

npx ts-node test-loop.ts

正常输出会分几段。第一轮：LLM 返回工具调用FileReadTool，参数{"path": "package.json"}。日志里能看到：

[AgentLoop] iteration=1 [LLMRequest] url=https://taotoken.net/api/v1/chat/completions model=claude-sonnet-4-20250514 [LLMResponse] tool_calls=[FileReadTool] [ToolExec] FileReadTool path=package.json duration=12ms

第二轮：工具结果喂回 LLM，LLM 返回最终答案，日志里tool_calls=[]，循环结束。最终控制台打印：

最终结果: 根据 package.json，项目名称是 my-project，版本号是 1.0.0。

如果你看到[LLMRequest] url=https://taotoken.net/api/v1/chat/completions，说明请求确实走了 TaoToken 通道。如果 url 里出现别的域名，说明config.toml没生效，回去检查base_url是不是被环境变量覆盖了。

再验证一个多轮场景：输入“给 package.json 加一个 test 脚本，然后跑一下”。日志里应该看到至少三轮：FileReadTool→FileWriteTool→BashTool。每轮iteration递增，直到max_iterations或任务完成。如果第三轮之后还在循环，检查maxIterations是不是设太大，或者工具描述是不是让模型误解了。

模型对话验证入口：https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，你可以先在网页里发同样的 prompt，对比返回的工具调用格式和 mini-cc 日志里的是否一致。不一致的话，多半是 system prompt 里的工具描述格式没对齐。

5. 常见错排查：401、local proxy failed、reading choices、OAuth 逐个对照

Agent 循环跑不起来，报错通常集中在几个地方。我按真实遇到的频率排一下，你对照日志逐条查。

401 Unauthorized。日志里出现[LLMRequest] status=401，说明 Key 不对或没带上。检查三处：config.toml里api_key是不是复制完整（有的 Key 带前缀，别漏）；环境变量TAOTOKEN_API_KEY是不是覆盖了配置文件；请求头里Authorization: Bearer sk-xxx有没有拼错。TaoToken 的 Key 在控制台创建后只显示一次，如果丢了就重新建一个。

local proxy failed / connection refused。这个报错说明 mini-cc 尝试连的地址不对。常见原因是base_url写成了https://taotoken.net而漏了/api，或者写成了http://而不是https://。正确写法是https://taotoken.net/api。另外检查本地有没有设置HTTP_PROXY/HTTPS_PROXY环境变量，如果有，先unset再跑。

reading 'choices' of undefined。这是解析 LLM 返回时最常见的错。QueryEngine 里response.choices[0].message拿不到，说明返回体结构不对。两种可能：一是请求根本没成功，返回的是错误 JSON，没有choices字段；二是 Model ID 写错了，TaoToken 返回了错误提示。先看日志里[LLMResponse]的原始 body，如果是{"error": "model not found"}，就去控制台核对模型 ID。

OAuth / token expired。如果你用的是 Claude Code 的 OAuth 流程，但配置里又写了 TaoToken 的 Key，两者会冲突。mini-cc 的 provider 初始化时，优先读config.toml的api_key，如果同时存在 OAuth token，可能触发鉴权混乱。解决办法：在config.toml里显式写auth_mode = "api_key"，并确保没有残留的 OAuth 缓存文件。

循环不终止 / 达到最大迭代次数。日志里iteration=5后返回 error，说明模型一直在调工具但没收敛。检查工具描述是不是太模糊，比如GetCurrentTime描述写成“获取时间”，模型可能反复调。改成“获取当前系统时间和时区信息，返回精确的本地时间”。另外看memory_short_term_limit是不是太小，导致上下文丢失，模型每轮都“重新开始”。

工具执行超时。日志里[ToolExec] timeout，说明 BashTool 跑太久。settings.json里BashTool的 timeout 默认 300 秒，如果命令确实需要更久，调大这个值，但更推荐把长任务拆成多轮。FileReadTool / FileWriteTool 的 120 秒一般够用。

排查顺序建议：先看[LLMRequest]的 url 和 status，确认通道通；再看[LLMResponse]的 body，确认返回结构；最后看[ToolExec]的 duration 和 error，确认工具层没问题。三层都过了，循环基本就能稳定跑。

6. 语义一致 CTA：把 Agent 循环接进你的本地工作流

到这里，mini-cc 的 Agent 循环和 QueryEngine 协作机制基本拆完了。你手上应该有了可复制的config.toml和settings.json，知道怎么触发循环、怎么看日志、怎么排查 401 和 reading choices 这类错。

接下来看你的使用场景。如果你只是偶尔调试模型、验证 prompt 和工具调用格式，用模型对话入口就够了：https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，在网页里直接发消息，对比返回结构。

如果你打算长期跑本地 coding agent、让 Agent 循环在项目里持续工作，建议看 Coding Plan：https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，它更适合高频调用场景，不用每次担心按量计费。

接入文档在这里：https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，里面有完整的 Base URL、鉴权方式、模型列表和错误码说明。控制台入口：https://taotoken.net/console?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，管理 Key 和查看调用量都在这里。

最后给一个实用技巧：在 mini-cc 的QueryEngine.run()里加一行日志，把每轮的iteration、toolCalls.length、context.tokenCount打出来。跑一段时间后你会发现，大部分任务在 2-3 轮内结束，超过 4 轮的基本是 prompt 太模糊或者工具描述有问题。这个日志比任何调试器都直观。