企业官网建设流程全解析

1. 先把五个词摆到一张桌子上：Prompt、Agent、Skill、MCP、Claude Code 到底谁管什么

Prompt、Agent、Skill、MCP、Claude Code 这五个词经常被混着用，但它们其实处在完全不同的层级。Prompt 是你对模型说的一句话，Agent 是让模型自己循环干活的机制，Skill 是把一套做法封装成可复用的模块，MCP 是让模型安全调用外部工具的协议，Claude Code 则是把这些东西打包好的一个现成产品。适合谁？适合已经会用 ChatGPT 或 Claude 聊天、但一看到“Agent 框架”“MCP Server”“Skill 编排”就头大的人。

我试过把这五个概念拆开单独学，结果越学越乱，因为文档各讲各的，没有一个统一的运行环境让你看到它们怎么串起来。后来我换了个思路：用同一套 API Key 和 Base URL，从最简单的 Prompt 调用开始，一层一层往上加，每加一层就跑一次请求，看它到底变了什么。这样五个概念的边界自然就清楚了。

这篇文章就是按这个思路写的。你不需要先装一堆框架，只需要一个能发 HTTP 请求的环境（curl 或 Python 都行），加上一个统一的 Key。我会用 TaoToken 作为统一入口，因为它同时提供 OpenAI 兼容接口和 Claude 系列模型，Base URL 和 Key 一套就够，不用为每个概念单独配环境。下面从环境准备开始，每一步都有可复制的命令和配置。

2. 用 TaoToken 统一 Key 和 Base URL：一次配置，五层通用

在开始跑五层示例之前，先把“入口”统一掉。这一步很关键，因为后面 Prompt、Agent、Skill、MCP、Claude Code 如果各自用不同的 Key 和地址，排查问题时会疯掉。TaoToken 的 API 地址是https://taotoken.net/api，兼容 OpenAI 的/v1/chat/completions格式，同时也支持 Claude 系列模型。你只需要在官网注册后拿到一个 Key，后面所有层都用它。

先设置环境变量。Linux/macOS 下直接 export，Windows PowerShell 用$env:：

export TAOTOKEN_API_KEY="sk-你的Key" export TAOTOKEN_BASE_URL="https://taotoken.net/api/v1"

如果你用 Python，建议写一个最小的公共调用函数，后面每层都复用它，这样能清楚看到“变化只发生在调用方式上，而不是底层连接上”：

import os, json, urllib.request API_KEY = os.environ["TAOTOKEN_API_KEY"] BASE_URL = os.environ["TAOTOKEN_BASE_URL"] def chat(messages, model="claude-sonnet-4-20250514", tools=None): payload = {"model": model, "messages": messages} if tools: payload["tools"] = tools req = urllib.request.Request( f"{BASE_URL}/chat/completions", data=json.dumps(payload).encode(), headers={ "Authorization": f"Bearer {API_KEY}", "Content-Type": "application/json", }, ) with urllib.request.urlopen(req) as resp: return json.loads(resp.read())

这段代码就是后面五层的“底座”。你可以先跑一次确认连通：

curl -s https://taotoken.net/api/v1/chat/completions \ -H "Authorization: Bearer $TAOTOKEN_API_KEY" \ -H "Content-Type: application/json" \ -d '{"model":"claude-sonnet-4-20250514","messages":[{"role":"user","content":"说一句你好"}]}'

如果返回里有choices字段和内容，说明 Key 和 Base URL 都对了。如果返回 401，先检查 Key 有没有复制完整；如果返回local proxy failed或连接超时，检查 Base URL 是不是写成了https://taotoken.net/api（少了/v1）或者多了斜杠。这一步过了，再往下走。

注意：TaoToken 的 API 地址是https://taotoken.net/api，实际请求路径要拼上/v1/chat/completions。官网是https://taotoken.net，注册和拿 Key 都在那里。不要把这两个搞混。

3. 五层逐级跑通：Prompt 调用、Agent 循环、Skill 封装、MCP 工具接入、Claude Code 执行

这一节是核心。我会按“从简单到复杂”的顺序，每层给一个可运行的最小示例，并说明它和上一层的区别。你可以在同一个 Python 文件里依次跑，观察每层新增了什么。

3.1 Prompt：一次请求，一次回答

Prompt 就是 messages 数组里的内容。你写什么，模型就按什么回答，回答完这次调用就结束。没有循环，没有工具，没有记忆。

resp = chat([ {"role": "system", "content": "你是一个简洁的助手，回答不超过50字。"}, {"role": "user", "content": "用一句话解释什么是 Prompt。"} ]) print(resp["choices"][0]["message"]["content"])

跑通后你会看到一句简短回答。这就是 Prompt 的边界：它只管“这一次怎么说”，不管“下一步做什么”。很多人把 Prompt 写得很长很复杂，其实清晰比长度重要。如果你发现模型答偏了，先检查 system 里的约束是不是自相矛盾，而不是继续加字数。

3.2 Agent：让模型自己决定下一步

Agent 的本质是“循环 + 工具调用”。模型不再只回答一次，而是可以请求调用某个工具，拿到结果后继续思考，直到它认为任务完成。下面是一个最小 Agent 循环，用tools参数告诉模型有哪些工具可用：

tools = [{ "type": "function", "function": { "name": "get_weather", "description": "查询指定城市的天气", "parameters": { "type": "object", "properties": {"city": {"type": "string"}}, "required": ["city"] } } }] messages = [{"role": "user", "content": "北京今天天气怎么样？适合跑步吗？"}] resp = chat(messages, tools=tools) msg = resp["choices"][0]["message"] while msg.get("tool_calls"): for call in msg["tool_calls"]: # 这里模拟工具返回，真实场景换成你的 API result = '{"city":"北京","weather":"晴","temp":22}' messages.append(msg) messages.append({ "role": "tool", "tool_call_id": call["id"], "content": result }) resp = chat(messages, tools=tools) msg = resp["choices"][0]["message"] print(msg["content"])

这段代码跑起来后，模型会先请求get_weather，你返回模拟数据，它再基于数据回答“适合跑步”。这就是 Agent 和 Prompt 的区别：Prompt 是你说一步它做一步，Agent 是你给目标它自己拆步骤。注意，Agent 能调工具就意味着它能产生副作用，所以真实场景里权限控制必须提前想清楚。

3.3 Skill：把一套做法封装成可复用模块

Skill 不是 API 里的一个参数，而是一种组织方式。它把“某类任务该怎么做”写成一段固定的 system 提示或函数，下次直接调用，不用每次重新描述。比如你经常要让模型按公司格式写周报，就可以封装成一个 Skill：

def weekly_report_skill(raw_notes): return chat([ {"role": "system", "content": ( "你是一个周报助手。输出格式固定为：" "一、本周完成；二、下周计划；三、风险与求助。" "每条不超过两行，语气客观。" )}, {"role": "user", "content": raw_notes} ])["choices"][0]["message"]["content"] print(weekly_report_skill("修了登录bug，开了两次会，下周要做支付对接"))

这个函数就是 Skill 的雏形：它把提示词、格式约束、语气要求都固化下来，调用者只需要传原始素材。Skill 的价值在于“稳定基线”，让每次输出不会因为提示词写法不同而忽好忽坏。但 Skill 不是越多越好，堆多了会互相冲突，边界清晰比数量重要。

3.4 MCP：用统一协议接入外部工具

MCP 是 Anthropic 提出的协议标准，目的是让模型连接外部工具时不用每个工具写一套适配。你可以把它理解成“工具接入的 USB-C”。在 TaoToken 的兼容接口下，MCP 工具最终也是以tools的形式暴露给模型，但工具的发现和调用遵循 MCP 协议。

一个最小的 MCP 风格工具定义如下：

mcp_tools = [{ "type": "function", "function": { "name": "query_database", "description": "查询销售数据库，返回指定月份的汇总数据", "parameters": { "type": "object", "properties": { "month": {"type": "string", "description": "格式 YYYY-MM"} }, "required": ["month"] } } }]

然后把它传给 Agent 循环，模型就会在需要数据时请求调用。MCP 的关键点是：协议只负责“怎么接”，不负责“接进来之后怎么用”。你仍然需要 Agent 来规划、Skill 来规范、权限策略来控制。很多人以为接了 MCP 就自动会用工具，其实那只是第一步。

3.5 Claude Code：把上面四层打包成可执行产品

Claude Code 是 Anthropic 的编程 Agent 产品，它内置了 Agent 循环、文件读写、命令执行、代码搜索等能力，相当于把 Prompt、Agent、Skill、MCP 都集成好了。你不需要自己写循环，只需要给它目标。在 TaoToken 环境下，你可以通过配置 Base URL 和 Key 让它走统一入口。

Claude Code 的配置文件通常在~/.claude/settings.json或项目级.claude/settings.json，关键字段如下：

{ "env": { "ANTHROPIC_BASE_URL": "https://taotoken.net/api", "ANTHROPIC_API_KEY": "sk-你的Key", "ANTHROPIC_MODEL": "claude-sonnet-4-20250514" } }

如果你用 CC Switch 或 Cline MCP 这类工具管理多个环境，三件套必须写全：Base URL、Key、Model ID。缺一个都会导致请求打不到正确模型。配置好后，在项目目录里运行claude，输入“帮我看看这个项目里有没有未处理的 TODO”，它就会自己搜索文件、读取内容、汇总结果。这就是“现成办公室”的意思：你不用从零搭 Agent，直接开工。

4. 逐层验证请求是否命中：用返回字段和日志确认每一层真的跑通了

跑通不等于命中。很多时候你以为 Agent 在调工具，其实模型只是编了一段看起来像工具调用的文本。所以每层都要有验证手段。

Prompt 层：看返回的choices[0].message.content是否有内容，finish_reason是不是stop。如果finish_reason是length，说明被截断了，需要调大max_tokens。

Agent 层：看返回的message里有没有tool_calls字段。如果有，说明模型确实请求了工具；如果没有，说明它选择直接回答。你可以在循环里打印每次tool_calls的function.name，确认调的是你定义的工具，而不是模型幻觉出来的名字。

Skill 层：对比两次调用的输出格式是否一致。如果第一次输出三段式、第二次输出一大段，说明 Skill 的 system 约束没生效，检查是不是被 user 内容覆盖了。

MCP 层：在工具执行函数里加日志，打印入参和返回。如果模型请求了工具但你的日志没打印，说明请求根本没到你的执行层，可能是工具定义格式不对或模型没识别。

Claude Code 层：运行claude --debug或在配置里打开日志，看请求实际发到了哪个 Base URL。如果日志里出现401或local proxy failed，说明 Key 或地址配错了。如果出现reading choices相关报错，通常是返回结构不符合预期，检查模型 ID 是否写错。

一个实用的验证命令是直接 curl 你的 Base URL，看返回的模型名和内容：

curl -s https://taotoken.net/api/v1/chat/completions \ -H "Authorization: Bearer $TAOTOKEN_API_KEY" \ -H "Content-Type: application/json" \ -d '{"model":"claude-sonnet-4-20250514","messages":[{"role":"user","content":"ping"}]}' \ | python -m json.tool

如果返回里有"model": "claude-sonnet-4-20250514"，说明请求命中了正确模型。如果返回的模型名和你请求的不一致，说明中间有路由问题，需要检查 Base URL 是否被其他配置覆盖。

5. 常见报错排查清单：401、local proxy failed、reading choices、OAuth 分别怎么处理

这一节按真实报错来。你跑上面五层时，大概率会遇到下面几个。

401 Unauthorized：Key 不对或没带上。检查Authorization头是不是Bearer sk-xxx，注意 Bearer 后面有一个空格。如果你用 Claude Code，检查settings.json里的ANTHROPIC_API_KEY有没有写错。另外，Key 如果过期或被撤销也会 401，去官网重新生成一个。

local proxy failed：通常是 Base URL 写错或网络不通。TaoToken 的 API 地址是https://taotoken.net/api，请求路径要拼/v1/chat/completions。如果你在 Claude Code 里配的是ANTHROPIC_BASE_URL，填https://taotoken.net/api即可，不要多加/v1，因为 Claude Code 会自己拼路径。这个细节很容易搞反，建议先用 curl 验证一次。

reading choices 相关报错：一般是返回结构不符合预期。常见原因是模型 ID 写错，导致返回的是错误信息而不是正常 completion。检查model字段是不是你账号下有权限的模型。另外，如果你用了流式输出但代码按非流式解析，也会出现类似问题，确认stream参数和解析逻辑一致。

OAuth 相关报错：如果你用 Claude Code 的 OAuth 登录方式而不是 API Key，可能会遇到 token 刷新失败。在 TaoToken 统一入口下，建议直接用 API Key 方式，避免 OAuth 和自定义 Base URL 冲突。如果你同时装了多个 Claude 相关工具，检查环境变量有没有互相覆盖，尤其是ANTHROPIC_API_KEY和ANTHROPIC_BASE_URL。

还有一个隐蔽的坑：CC Switch 或 Cline MCP 里配置了多套环境，但当前激活的不是你改的那套。三件套（Base URL、Key、Model ID）必须同时检查，缺一个都会导致请求打到默认地址。建议每次改完配置后，用claude --debug看一次实际请求地址。

6. 下一步怎么用：按场景选入口，别为了学概念而学概念

五个概念跑通一遍之后，你会发现它们不是替代关系，而是分工关系。Prompt 解决“怎么说”，Agent 解决“谁来自动推进”，Skill 解决“怎么做得稳定”，MCP 解决“怎么接外部工具”，Claude Code 解决“在哪执行”。你不需要每个都自己搭，按场景选就行。

如果你只是想让回答更稳，继续打磨 Prompt 就够了，不用上 Agent。如果你有重复性流程，比如每天拉数据生成报表，那就用 Agent 加 Skill 封装起来。如果你要接数据库、GitHub、内部系统，先看有没有现成的 MCP Server，没有再用tools参数自己定义。如果你主要在写代码、改项目，直接用 Claude Code，把 Base URL 和 Key 配好就能开工。

统一 Key 的好处到这里就体现出来了：你不需要为每个概念单独申请账号、单独配环境。一套 TaoToken 的 Key 和 Base URL，从 Prompt 到 Claude Code 全部通用。想验证模型效果可以去模型对话页面直接试；想长期跑编码任务可以看 Coding Plan；接入过程中遇到报错，先查 API Keys 和接入文档，大部分问题那里都有说明。先把一条链路跑通，再往上加复杂度，比一上来就搭全套框架要稳得多。