企业官网建设流程全解析

1. 科研场景里那些重复交代的规则，Codex Skills 能接住

如果你正在用 Codex 做科研相关的开发工作，大概率遇到过这种场景：每次开一个新项目，都要重新跟 AI 交代一遍目录结构、代码规范、数据不能覆盖、图表要放哪里、参考文献要补 DOI。说一次两次还行，项目一多，这些重复交代就成了纯粹的消耗。

Codex Skills 解决的就是这个问题。它本质上是一套写给 AI Agent 的操作规程——把某类任务的规则提前写成文件，Agent 在需要时自动发现并调用。普通 prompt 是临时交代一句话，Skill 是提前写好的任务说明书。对需要多工具协作的科研开发者来说，这意味着论文复现、讲义制作、PDF 检查、访谈整理这些流程，都可以封装成可反复执行的工作流。

这篇文章面向的是已经或准备用 Codex 做科研工作流定制的开发者。我会从安装一个官方 Skill 开始，讲到怎么用 TaoToken 统一 Key 接入，再给出一段可复制的配置片段，最后用一条命令验证整条调用链是否生效。全程可跟做，不需要你之前用过 Claude Code Skills。

先明确一个前提：Codex Skills 的仓库在 github.com/openai/skills，官方文档在 Agent Skills – Codex 页面。Codex 和 Skills 都还在快速迭代，本文给的是一条可操作的入门路径，遇到问题建议回官方仓库核对最新说明。

科研场景里最典型的重复规则包括：数据放data/，代码放code/，表格放tables/，图形放figures/；Stata 脚本要写日志、不能覆盖原始数据；Python 代码用相对路径、要有清楚的中文注释；讲义里的公式要规范、代码要能运行；推文参考文献要补 DOI、PDF 和 Google Scholar 链接；访谈资料先匿名化再做主题编码。这些不是一次性要求，而是长期习惯。把它们写成 Skill，AI 的输出会稳定得多。

2. TaoToken 前置：统一 Key 接入 Codex 的准备工作

在装 Skill 之前，先把 Key 的事情理清楚。Codex 调用模型需要 Base URL、API Key 和 Model ID 三件套。如果你同时用多个工具（Codex CLI、Cline、Claude Code 等），每个工具单独配 Key 会很乱。TaoToken 的作用就是提供一个统一的接入点，让你用同一个 Key 管理多个工具的模型调用。

你需要先拿到自己的 API Key。访问 https://taotoken.net/api-keys 创建，注意这个地址不带 UTM 参数，直接访问即可。创建后复制 Key，后面配置里会用到。

Base URL 统一用https://taotoken.net/api。这个地址是 API 端点，不要加 UTM 后缀。Model ID 根据你实际使用的模型填写，比如gpt-4o、claude-sonnet-4-20250514等，具体以 TaoToken 控制台里可用的模型列表为准。

这里要强调一点：Codex 的配置文件和 Claude Code 不一样。Codex CLI 读取的是~/.codex/config.toml和~/.codex/auth.json。如果你之前配过 Claude Code 的settings.json，不能直接照搬，路径和字段名都要重新对。

我试过在同一个项目里同时跑 Codex 和 Cline，两个工具共用一套 Key，切换时不用改环境变量，省了不少事。前提是 Base URL 和 Model ID 在两边都写对。

另外，如果你打算长期用 Codex 做编码和 Agent 任务，可以了解一下 Coding Plan，它针对高频调用场景做了额度优化。只是偶尔验证模型效果的话，用模型对话页面就够了。

准备工作清单：一个 TaoToken API Key、确认 Base URL 为https://taotoken.net/api、确认你要用的 Model ID、确认 Codex CLI 已安装（codex --version能输出版本号）。

3. 可复制配置：Codex Skills 安装与 auth.json 三件套

这一节给可直接复制的配置片段。先装 Codex CLI，再配 auth.json，最后装 Skill。

Codex CLI 安装（以 npm 为例）：

npm install -g @openai/codex codex --version

配~/.codex/auth.json，这是 Codex 读取 Key 的地方：

{ "OPENAI_API_KEY": "你的TaoToken_API_Key", "OPENAI_BASE_URL": "https://taotoken.net/api" }

配~/.codex/config.toml，指定模型和基础参数：

model = "gpt-4o" model_provider = "taotoken" [model_providers.taotoken] name = "TaoToken" base_url = "https://taotoken.net/api" env_key = "OPENAI_API_KEY"

注意env_key写的是环境变量名，Codex 会去读auth.json里对应的值。如果你更习惯用环境变量，也可以在 shell 里 export：

export OPENAI_API_KEY="你的TaoToken_API_Key" export OPENAI_BASE_URL="https://taotoken.net/api"

两种方式选一种即可，不要同时配导致冲突。

接下来装 Skill。Codex 的 Skill 扫描路径是~/.codex/skills/。官方仓库 github.com/openai/skills 里有.system、.curated、.experimental三类目录。.system是内置的，比如skill-creator、skill-installer；.curated是官方整理的可安装 Skill，比如jupyter-notebook、pdf、transcribe、speech、gh-fix-ci；.experimental是实验性的，比如create-plan。

克隆仓库到本地：

git clone https://github.com/openai/skills.git ~/codex-skills-repo

把你要用的 Skill 复制到扫描路径。比如装pdf和jupyter-notebook：

mkdir -p ~/.codex/skills cp -r ~/codex-skills-repo/.curated/pdf ~/.codex/skills/ cp -r ~/codex-skills-repo/.curated/jupyter-notebook ~/.codex/skills/

每个 Skill 目录里必须有一个SKILL.md，Codex 靠它识别 Skill 的name和description。你可以打开看一眼：

cat ~/.codex/skills/pdf/SKILL.md

确认name字段和目录名一致，description能清楚说明这个 Skill 干什么。如果 description 写得太模糊，Codex 可能不会在合适的时机调用它。

自己写一个科研 Skill 也很简单。比如建一个论文复现 Skill：

mkdir -p ~/.codex/skills/paper-repro

然后写~/.codex/skills/paper-repro/SKILL.md：

--- name: paper-repro description: 论文复现工作流，规范数据、代码、表格、图形的目录结构，确保 Stata 脚本写日志且不覆盖原始数据，Python 代码使用相对路径。 --- # 论文复现工作流 ## 目录约定 - 原始数据放 data/raw/，清洗后数据放 data/clean/ - 代码放 code/，Stata 脚本放 code/stata/，Python 脚本放 code/python/ - 表格输出到 tables/，图形输出到 figures/ ## 执行规则 1. Stata 脚本开头必须写 log using，日志存到 logs/ 2. 禁止覆盖 data/raw/ 下的任何文件 3. Python 代码使用相对路径，注释用中文 4. 每次运行后检查 tables/ 和 figures/ 是否有新文件生成

保存后，Codex 下次启动时会扫描到这个 Skill。调用方式是在对话里用$paper-repro引用，或者用/skills查看已加载的 Skill 列表。

4. 验证请求：一条命令检查调用链是否生效

配置写完，得验证整条链路通不通。最直接的方式是用 Codex CLI 发一个请求，看它能不能正常返回。

先检查 Skill 是否被识别：

codex skills list

如果输出里能看到pdf、jupyter-notebook、paper-repro，说明 Skill 扫描路径没问题。如果列表为空，检查~/.codex/skills/下每个目录是否有SKILL.md，以及文件开头的 frontmatter 格式是否正确。

再验证模型调用：

codex exec "用一句话说明当前目录下有哪些文件"

这条命令会让 Codex 调用模型并返回结果。如果返回了正常的文本描述，说明 Base URL、API Key、Model ID 三件套都配对了。如果报错，看下一节的排查对照。

验证 Skill 调用链，可以显式引用一个 Skill：

codex exec "\$paper-repro 帮我检查当前项目的目录结构是否符合规范"

如果 Codex 能读取paper-repro的规则并给出符合规范的检查结果，说明从 Skill 加载到模型调用的整条链路都通了。

成功的结果长这样：Codex 会先列出当前目录结构，然后对照 Skill 里的目录约定，指出哪些文件放错了位置，哪些目录缺失。它不会直接改文件，而是给出建议。你可以根据建议手动调整，或者让 Codex 执行调整。

再验证一个官方 Skill，比如pdf：

codex exec "\$pdf 检查当前目录下所有 PDF 的页数和文件大小"

如果返回了每个 PDF 的页数和大小，说明官方 Skill 也能正常调用。

这里有个细节：Codex 调用 Skill 时，会把SKILL.md的内容作为上下文注入。所以 Skill 写得越具体，输出越稳定。如果 Skill 里只写了一句“处理 PDF”，Codex 不知道具体要做什么，输出就会很泛。

验证通过后，你可以把常用 Skill 组合起来。比如论文项目里同时用paper-repro和pdf，让 Codex 先检查目录规范，再检查 PDF 完整性。

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

配置过程中最容易撞上的几类报错，这里逐个对照。

401 Unauthorized：Key 没配对，或者auth.json里的字段名写错了。Codex 读的是OPENAI_API_KEY，不是api_key或token。检查~/.codex/auth.json里的键名是否完全一致。另外确认 Key 没有多余空格，复制时容易带上换行。

local proxy failed / connection refused：Base URL 写错了。确认是https://taotoken.net/api，不要写成https://taotoken.net/api/v1或带其他路径。也不要加 UTM 参数，API 端点不需要。如果你在环境变量和auth.json里同时配了 Base URL，检查是否冲突。

reading choices 报错 / unexpected response format：Model ID 写错了，或者该模型在当前 Key 下不可用。去 TaoToken 控制台确认可用模型列表，把config.toml里的model字段改成列表里存在的值。注意模型名大小写敏感。

OAuth 相关报错 / login required：Codex 可能尝试走 OAuth 登录流程，而不是读你的auth.json。检查config.toml里model_provider是否指向了你自定义的 provider。如果 Codex 版本较新，可能需要显式设置preferred_auth_method = "apikey"。具体字段名以你安装的 Codex 版本为准，用codex --help查看可用配置项。

Skill 不生效 / $skill-name 无响应：三个检查点。第一，~/.codex/skills/下是否有对应目录；第二，目录里是否有SKILL.md；第三，SKILL.md开头的 frontmatter 里name和description是否完整。缺任何一个，Codex 都不会加载。

Codex 能对话但不调用 Skill：Skill 的description写得太泛，Codex 判断不出什么时候该用。把 description 改具体，比如把“处理论文”改成“论文复现工作流，规范数据、代码、表格、图形的目录结构”。description 是 Codex 决定是否调用 Skill 的主要依据。

改了配置不生效：Codex 可能缓存了旧配置。退出 CLI 重新启动，或者检查是否有多个配置文件路径（比如项目级.codex/和用户级~/.codex/同时存在）。项目级配置优先级更高，容易覆盖你的全局设置。

排查顺序建议：先确认 Key 和 Base URL，再确认 Model ID，最后确认 Skill 路径和 frontmatter。大部分问题出在前两步。

6. 把科研工作流固化下来，从下一个项目开始

Skill 装好、Key 配通、调用链验证过之后，真正有价值的事情是把你自己的科研规则写进去。官方.curated里的 Skill 偏通用，jupyter-notebook、pdf、transcribe这些能覆盖一部分场景，但论文复现、讲义制作、访谈整理这些具体流程，得你自己定制。

定制的门槛比想象中低。一个SKILL.md文件，加上 frontmatter 里的name和description，再写清楚执行规则，就是一个可用的 Skill。你不需要写代码，只需要把平时反复交代给 AI 的那些话，整理成结构化的文档。

建议从最小的 Skill 开始。比如先写一个只规范目录结构的 Skill，跑通之后再往里加规则。每加一条规则，就用codex exec验证一次，看 Codex 是否按新规则执行。这样逐步迭代，比一次性写一个复杂 Skill 更容易调试。

如果你同时用多个工具，TaoToken 的统一 Key 能省去反复切换的麻烦。Codex 用一套，Cline 用一套，Claude Code 用一套，但 Base URL 和 Key 是同一个。换工具时只需要改配置文件路径，不用重新申请 Key。

长期做编码和 Agent 任务的话，Coding Plan 的额度模型更适合高频调用。只是偶尔验证模型输出，用模型对话页面就够。接入文档在 https://taotoken.net/doc 可以查到最新的配置说明和字段对照。

最后一个实用技巧：把~/.codex/skills/目录纳入你的 dotfiles 管理。换机器时直接同步过去，Skill 和配置一起迁移，不用重新搭一遍。科研工作流的价值在于可重复，Skill 让这种可重复性从“每次交代”变成“一次写好、反复调用”。