1. 从 LLM 到智能体21 种设计模式到底在解决什么问题如果你刚开始接触 AI 智能体Agent大概率会被一堆名词砸晕提示链、路由、反思、RAG、MCP、A2A、护栏……每个都像独立知识点学完还是不知道怎么拼成一个能跑的系统。我自己的体会是这 21 种设计模式本质上是一套“模块化工具箱”它们回答的是同一个问题的不同侧面怎么让一个大语言模型从“会聊天”变成“能自主完成任务”。先看演进路径。最早是纯 LLM只能靠预训练知识回答问它今天的天气就抓瞎接着是 RAG把外部知识检索进来塞进提示解决了时效和私有数据问题但流程是固定的不会主动决策再往后是单体 Agent能调用工具、能推理可一旦任务跨领域就吃力最后是智能体 AI多个 Agent 协作靠协议互通。这四步不是替代关系而是能力叠加。智能体本身有四个核心特性自主性不用人一直盯着、主动性会主动采取行动、响应性能感知环境变化、目标导向始终围绕目标推进。它的执行循环可以概括为获取目标 → 扫描环境 → 制定计划 → 执行行动 → 学习优化然后回到第一步。能力等级上L0 是纯推理引擎L1 能调工具和 RAGL2 会主动规划和自我优化L3 是多 Agent 协同。那 21 种模式怎么归类我习惯按能力维度分七组执行编排提示链、路由、并行化、规划、环境交互工具使用、MCP、RAG、质量保障反思、推理技术、学习适应、状态管理记忆、目标监控、优先级、多体协作多智能体、A2A、可靠性异常处理、人在回路、护栏、评估、高阶能力资源感知、探索发现。每组解决一类问题组合起来才能构建复杂系统。这篇教程的目标很明确用 TaoToken 统一 Key 和 API 通道作为底座把 Agent 工具的 endpoint 和 Base URL 改到同一个入口然后逐个跑通这些模式的配置与调用验证。不管你是用 Claude Code、Cline、Codex 还是自己写 Python 脚本只要把 Base URL 指向 TaoToken就能用同一套 Key 管理所有模型的调用。下面我会先讲前置准备再给可复制的配置片段最后用实际请求验证并整理常见报错。2. TaoToken 前置准备统一 Key 与 Base URL 的接入逻辑在跑任何 Agent 模式之前得先把“通道”打通。很多新手卡在这一步每个工具都要单独配 Key、单独填 endpoint模型换了还要改代码。TaoToken 的思路是提供一个统一的 API 入口你只需要一个 Key就能在多个工具和多个模型之间切换。先明确三个核心概念。Base URL是请求的根地址所有模型调用都走这个入口API Key是你的身份凭证放在请求头里Model ID是具体要调用的模型标识。这三件套在任何一个 Agent 工具里都要填对缺一不可。TaoToken 的 API 地址是https://taotoken.net/api注意这个地址不带任何查询参数直接作为 Base URL 使用。官网入口是https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content从这里可以进入控制台创建 Key。具体操作路径先打开官网进入控制台console在 API Keys 页面创建一个新的 Key。创建时建议给 Key 起个有意义的名字比如“agent-test”方便后续区分用途。创建完成后复制 Key注意它只显示一次丢了就得重新建。拿到 Key 之后不同工具的配置方式略有差异但核心都是三件事把 Base URL 改成 TaoToken 的地址把 Key 填进去把 Model ID 写成你要用的模型。下面给几个常见工具的配置位置。对于 Claude Code 这类工具配置通常在 settings 文件里。你需要找到settings.json在里面配置env字段把ANTHROPIC_BASE_URL指向 TaoToken 的 API 地址ANTHROPIC_API_KEY填你的 Key。这样 Claude Code 的所有请求都会走 TaoToken 通道。对于 Cline 这类 VS Code 插件配置在插件的设置面板里。选择 API Provider 时如果有“OpenAI Compatible”选项就选它然后 Base URL 填https://taotoken.net/apiAPI Key 填你的 KeyModel ID 填具体模型名。对于 Codex 这类工具配置在auth.json文件里。你需要把里面的 endpoint 和 key 替换成 TaoToken 的地址和你的 Key。这里有个关键点不同工具对 Base URL 的路径要求可能不同。有的工具会自动在 Base URL 后面拼接/v1/chat/completions有的需要你手动写全。TaoToken 的 API 地址是https://taotoken.net/api如果工具要求填完整的 chat 接口地址就写成https://taotoken.net/api/v1/chat/completions。实测下来大多数 OpenAI 兼容的工具填https://taotoken.net/api就能自动识别。还有一个容易踩的坑Key 的权限。创建 Key 时如果选了限制模型范围那调用不在范围内的模型会报 401 或 403。测试阶段建议先给全模型权限跑通后再收紧。配置完成后建议先用一个最简单的请求验证通道是否打通。可以用 curl 发一个 chat 请求看返回是否正常。如果返回 200 且有内容说明 Base URL 和 Key 都没问题。如果报 401检查 Key 是否复制完整如果报连接错误检查 Base URL 是否写错。3. 可复制配置把 Agent 工具的 endpoint 改到 TaoToken这一节给可直接复制的配置片段。我会覆盖三种典型场景Claude Code 的 settings 配置、Cline 的 MCP 配置、Codex 的 auth.json 配置。每个片段都包含 Base URL、Key、Model ID 三件套你只需要把 Key 替换成自己的。3.1 Claude Code settings.json 配置Claude Code 的配置文件通常位于用户目录下的.claude/settings.json。如果你用的是项目级配置就在项目根目录的.claude/settings.json。内容如下{ env: { ANTHROPIC_BASE_URL: https://taotoken.net/api, ANTHROPIC_API_KEY: sk-你的TaoToken密钥, ANTHROPIC_MODEL: claude-sonnet-4-20250514 } }这里ANTHROPIC_BASE_URL指向 TaoToken 的 API 地址ANTHROPIC_API_KEY填你在控制台创建的 KeyANTHROPIC_MODEL填你要用的模型 ID。注意模型 ID 要写准确不同模型的标识不一样。如果你不确定用哪个可以先填一个通用的跑通后再换。配置保存后重启 Claude Code它就会走 TaoToken 通道。你可以用一个简单任务测试比如让它读一个文件并总结看是否正常返回。3.2 Cline MCP 配置Cline 的 MCP 配置在 VS Code 的设置里找到 Cline 插件的配置项选择 API Provider 为“OpenAI Compatible”然后填写{ apiProvider: openai, openAiBaseUrl: https://taotoken.net/api, openAiApiKey: sk-你的TaoToken密钥, openAiModelId: gpt-4o }如果你用的是 Cline 的 MCP 功能还需要在 MCP 服务器配置里指定模型。MCP 的本质是让 Agent 能调用外部工具配置好 Base URL 后Cline 的所有模型请求都会走 TaoToken。这里有个细节Cline 的 MCP 配置里openAiBaseUrl填https://taotoken.net/api即可不需要加/v1。Cline 会自动拼接路径。如果你填了/v1可能会变成/v1/v1/chat/completions导致 404。3.3 Codex auth.json 配置Codex 的配置文件是auth.json通常位于~/.codex/auth.json。内容如下{ openai: { apiKey: sk-你的TaoToken密钥, baseURL: https://taotoken.net/api } }如果你的 Codex 版本要求填完整的 endpoint就把baseURL改成https://taotoken.net/api/v1。保存后重启 Codex它会读取这个配置。3.4 通用 Python 脚本配置如果你自己写 Agent 脚本用 OpenAI SDK 的话配置如下from openai import OpenAI client OpenAI( base_urlhttps://taotoken.net/api, api_keysk-你的TaoToken密钥 ) response client.chat.completions.create( modelgpt-4o, messages[ {role: user, content: 用一句话解释什么是提示链} ] ) print(response.choices[0].message.content)这段代码可以直接跑。把 Key 替换成你的模型换成你要用的就能验证通道。如果返回正常说明 Base URL 和 Key 都配对了。3.5 配置检查清单在继续之前对照检查这几项检查项正确值常见错误Base URLhttps://taotoken.net/api多写/v1或漏写httpsAPI Keysk-开头复制时漏字符或带空格Model ID具体模型名写错大小写或版本号路径拼接工具自动处理手动写全导致重复配置完成后下一步就是发请求验证。如果这一步没过后面的模式都跑不起来。4. 验证请求与成功结果逐个跑通核心模式配置好通道后我们用一个实际请求验证然后逐个跑通几个核心模式。我会用 Python 脚本演示因为这样最直观你能看到每一步的输入输出。4.1 基础验证确认通道可用先跑一个最简单的请求确认 TaoToken 通道正常from openai import OpenAI client OpenAI( base_urlhttps://taotoken.net/api, api_keysk-你的TaoToken密钥 ) response client.chat.completions.create( modelgpt-4o, messages[{role: user, content: 回复 OK}] ) print(response.choices[0].message.content)如果输出OK说明通道没问题。如果报错看第 5 节的排查。4.2 模式 1提示链Prompt Chaining提示链的核心是把复杂任务拆成多步前一步输出作为下一步输入。下面是一个文档摘要 → 翻译 → 风格调整的链def prompt_chain(text): # 第一步摘要 step1 client.chat.completions.create( modelgpt-4o, messages[{role: user, content: f用一句话总结{text}}] ).choices[0].message.content # 第二步翻译 step2 client.chat.completions.create( modelgpt-4o, messages[{role: user, content: f翻译成英文{step1}}] ).choices[0].message.content # 第三步风格调整 step3 client.chat.completions.create( modelgpt-4o, messages[{role: user, content: f改写成正式语气{step2}}] ).choices[0].message.content return step3 result prompt_chain(智能体是一种能自主感知环境并采取行动的系统。) print(result)每一步的输出都作为下一步的输入这就是链式依赖。实测下来这种拆解比一次性让模型做三件事要稳定得多。4.3 模式 2路由Routing路由是根据输入类型把请求导向不同处理逻辑。下面用 LLM 判断做路由def route_query(query): # 让模型判断类型 router client.chat.completions.create( modelgpt-4o, messages[{ role: user, content: f判断以下问题属于哪类只回复类别名数据库、订单、闲聊。问题{query} }] ).choices[0].message.content.strip() if 数据库 in router: return handle_database(query) elif 订单 in router: return handle_order(query) else: return handle_chat(query) def handle_database(q): return f[数据库Agent] 处理{q} def handle_order(q): return f[订单Agent] 处理{q} def handle_chat(q): return f[闲聊Agent] 处理{q} print(route_query(帮我查一下上个月的销售数据)) print(route_query(我的订单什么时候到))路由让 Agent 从固定路径变成动态决策这是处理真实任务多样性的基础。4.4 模式 5工具使用Tool Use工具使用是 Agent 的标配能力。下面用 Function Calling 让模型调用一个计算器import json def calculator(expression): return str(eval(expression)) tools [{ type: function, function: { name: calculator, description: 计算数学表达式, parameters: { type: object, properties: { expression: {type: string, description: 数学表达式} }, required: [expression] } } }] response client.chat.completions.create( modelgpt-4o, messages[{role: user, content: 计算 123 * 456}], toolstools ) tool_call response.choices[0].message.tool_calls[0] args json.loads(tool_call.function.arguments) result calculator(args[expression]) print(f计算结果{result})模型会返回一个工具调用请求你执行后把结果传回去模型再生成最终回答。这就是工具使用的完整循环。4.5 模式 4反思Reflection反思是让模型评估自己的输出并改进。下面是一个 Generator Critic 的简单实现def reflection(task): # 生成初稿 draft client.chat.completions.create( modelgpt-4o, messages[{role: user, content: f完成以下任务{task}}] ).choices[0].message.content # 批判 critique client.chat.completions.create( modelgpt-4o, messages[{ role: user, content: f批判以下回答指出问题{draft} }] ).choices[0].message.content # 改进 improved client.chat.completions.create( modelgpt-4o, messages[{ role: user, content: f根据批判改进回答。原回答{draft}\n批判{critique} }] ).choices[0].message.content return improved print(reflection(写一段介绍智能体的文字))这个模式在代码生成、文案润色场景特别有用能显著提升输出质量。4.6 模式 14RAG知识检索RAG 是检索 生成。下面用简单的关键词匹配模拟检索knowledge_base [ 智能体具有自主性、主动性、响应性和目标导向四个特性。, 提示链将复杂任务拆解为多个子任务前一步输出作为下一步输入。, MCP 是 Anthropic 推出的开放协议用于连接 LLM 与外部资源。 ] def rag_query(question): # 简单检索找包含关键词的文档 relevant [doc for doc in knowledge_base if any( word in doc for word in question.replace(, ).split() )] context \n.join(relevant) if relevant else 无相关信息 response client.chat.completions.create( modelgpt-4o, messages[{ role: user, content: f根据以下资料回答问题。资料{context}\n问题{question} }] ).choices[0].message.content return response print(rag_query(智能体有哪些特性))实际生产中你会用向量数据库做语义检索但原理是一样的先检索相关片段再拼接进提示让模型生成。4.7 验证成功的标志跑完上面几个模式你应该能看到基础请求返回正常内容提示链每一步都有输出且逐步传递路由能正确分类并导向不同处理工具调用能返回计算结果反思能产出改进版回答RAG 能基于检索内容回答如果某一步报错对照下一节排查。5. 常见报错排查401、local proxy failed、reading choices、OAuth这一节整理实际跑 Agent 时最常遇到的四类报错每个都给出原因和解决动作。5.1 401 Unauthorized报错原文Error code: 401 - {error: {message: Invalid API key, type: invalid_request_error}}原因Key 不对。可能是复制时漏了字符、带了空格、或者 Key 被删除/禁用。解决回到 TaoToken 控制台重新复制 Key。注意复制时不要多选空格。如果 Key 确实被删了新建一个。另外检查配置文件里 Key 字段名是否正确比如 Claude Code 用的是ANTHROPIC_API_KEYCline 用的是openAiApiKey写错字段名也会导致读不到 Key。5.2 local proxy failed报错原文local proxy failed: connection refused或proxy error: cannot connect to upstream原因Base URL 写错或者工具在本地起了代理但代理配置不对。有些工具会默认走本地代理端口如果代理没启动就会报这个。解决检查 Base URL 是否为https://taotoken.net/api。如果工具支持关闭代理在设置里关掉“Use Local Proxy”选项。如果必须用代理确认代理端口和工具配置一致。实测下来大多数情况是 Base URL 多写了/v1或漏了https。5.3 reading choices 报错报错原文KeyError: choices或AttributeError: NoneType object has no attribute choices原因API 返回的结构和预期不符。可能是模型 ID 写错导致返回错误信息或者请求格式不对。解决先打印完整 response 看返回了什么。如果是错误信息检查 Model ID 是否正确。TaoToken 支持的模型 ID 可以在控制台查看。另外确认请求里messages格式正确必须是[{role: user, content: ...}]这种结构。5.4 OAuth 相关报错报错原文OAuth token expired或authentication failed: invalid token原因某些工具如 Claude Code默认走 OAuth 登录如果你配置了 API Key 但工具还在尝试 OAuth就会冲突。解决在工具设置里明确选择“API Key”模式而不是“OAuth”模式。Claude Code 的 settings.json 里配置了ANTHROPIC_API_KEY后它会优先用 Key。如果还报 OAuth 错误检查是否有其他配置文件覆盖了设置。5.5 排查速查表报错最可能原因第一步动作401Key 错误重新复制 Keylocal proxy failedBase URL 错误检查 URL 是否多写/v1reading choicesModel ID 错误打印 response 看详情OAuth认证模式冲突切换为 API Key 模式排查时记住一个原则先确认通道再确认模型最后确认请求格式。大部分问题出在前两步。6. 继续深入从单模式到组合系统跑通单个模式后真正的威力在于组合。比如一个自主研究助手会同时用到规划、工具使用、RAG、多智能体、记忆、反思、人在回路七种模式。你可以先从两三个模式的组合开始比如“路由 工具使用”就是多技能 Agent 的标准骨架“规划 反思”能提升复杂任务交付质量。如果你想继续练手建议按这个路径先用 TaoToken 统一 Key 把基础请求跑通然后逐个实现本文里的模式示例最后尝试把三四个模式拼成一个完整流程。每跑通一个就离能自主完成复杂任务的 Agent 更近一步。需要创建新的 Key 或查看模型列表可以进控制台操作想直接体验模型对话可以用模型对话页面测试如果打算长期做编码类 AgentCoding Plan 会更划算。接入文档里有各工具的详细配置说明遇到配置问题可以先查文档。{ env: { ANTHROPIC_BASE_URL: https://taotoken.net/api, ANTHROPIC_API_KEY: sk-你的TaoToken密钥, ANTHROPIC_MODEL: claude-sonnet-4-20250514 } }把这段配置放进你的工具替换 Key就能开始跑第一个 Agent 模式了。