新闻详情

新闻详情

首页 / 资讯中心 / 详情

ohmo 个人 AI agent 配置 TaoToken:OpenHarness 骨架与 settings.json 验证

发布时间:2026/11/18 20:23:34来源:尧图网络
ohmo 个人 AI agent 配置 TaoToken:OpenHarness 骨架与 settings.json 验证
1. 为什么要在 ohmo 里接 TaoTokenohmo 是 HKUDS 香港大学开源的一个个人 AI agent跑在 OpenHarness 这套轻量级智能体基础设施上。它和普通聊天机器人的区别在于ohmo 会在长时间会话里真的替你干活——自动开分支、写代码、跑测试、提 PR你可以在飞书、Slack、Telegram、Discord 里直接和它对话。OpenHarness 本身提供的是 agent 的手、眼、记忆和安全边界43 个工具、按需加载的 skills、跨会话 memory、多智能体协调、权限分级以及一套多层配置系统。问题出在模型通道上。ohmo 默认走的是你已有的 Claude Code 或 Codex 订阅但很多本地跑 agent 的开发者会遇到几种情况订阅额度不够用、想换更灵活的计费方式、或者需要在多个 agent 之间统一管理 Key。这时候把模型调用收敛到一个统一的 API 通道就很实际。TaoToken 提供的就是这样一个统一入口一个 Key 打通多种模型配置层只需要改settings.json里的 provider 段agent 的其余逻辑完全不用动。这篇面向的是已经在本地把 ohmo / OpenHarness 跑起来的开发者。我会给出可复制的settings.json骨架、TaoToken 的 Key 与 API 通道配置最后附一次真实请求验证确认 agent 调用链路是通的。如果你还没装 OpenHarness建议先把仓库拉下来跑通基础流程再回来接通道。2. TaoToken 前置准备Key 与通道地址在动settings.json之前先把两样东西拿到手API Key 和 base URL。Key 在控制台的 API Keys 页面创建建议给 ohmo 单独建一个 Key方便后面按 agent 维度看用量、出问题也能单独吊销。创建后立刻复制保存页面刷新后就看不到完整值了。通道地址用https://taotoken.net/api注意这个地址不带任何查询参数直接作为 base URL 填进配置。模型名按你实际要用的填TaoToken 的模型列表在文档里有对照表选一个你账号可用的即可。注意Key 不要写进会提交到 git 的文件里。下面骨架里我用环境变量占位实际落地时用.env或系统环境变量注入别硬编码。如果你后面要长期跑编码类 agent 任务可以顺带看下 Coding Plan 的额度策略只是先验证链路的话普通按量 Key 就够了。3. 可复制的 settings.json 骨架OpenHarness 的配置是多层合并的全局配置、项目级配置、环境变量会按优先级叠加。ohmo 作为基于它构建的 agent读取的也是同一套配置结构。下面这份骨架你可以直接抄重点看providers和model两段。{ model: { provider: taotoken, name: claude-sonnet-4-20250514, max_tokens: 8192, temperature: 0.3 }, providers: { taotoken: { type: anthropic, base_url: https://taotoken.net/api, api_key_env: TAOTOKEN_API_KEY, timeout: 120, max_retries: 3 } }, permissions: { mode: workspace-write, deny_commands: [rm -rf /, curl * | sh] }, memory: { enabled: true, path: .ohmo/memory }, skills: { auto_load: true, dir: .ohmo/skills } }几个参数说明一下。type填anthropic是因为 ohmo 默认的调用协议走 Anthropic 风格TaoToken 的通道兼容这个协议所以不用改 agent 侧的请求代码。api_key_env指向环境变量名而不是直接写 Key这样配置可以安全地进版本库。timeout给到 120 秒agent 跑长任务时单次请求可能比较久太短会频繁超时。max_retries设 3网络抖动时自动重试避免一次失败就中断整个 agent loop。环境变量这样设export TAOTOKEN_API_KEYsk-你的keyWindows PowerShell 用$env:TAOTOKEN_API_KEYsk-你的key。设完可以用echo $TAOTOKEN_API_KEY确认一下有没有生效。权限段我保留了workspace-write模式这是 OpenHarness 的多级权限之一允许 agent 在工作区内读写文件但限制越界操作。deny_commands是命令黑名单agent 执行 shell 前会先过这一层。这两项和模型通道无关但既然给了完整骨架就一起放上避免你只改一半。4. 验证请求确认 agent 调用链路正常配置写完别急着跑完整任务先用一次最小请求验证通道。OpenHarness 自带命令行入口可以直接发一条测试消息。python -m openharness.cli --config ./settings.json --prompt 回复 OK 两个字不要做其他事如果通道通了你会看到模型返回OK同时终端里会打印这次请求用的 provider 是taotoken、模型名、以及 token 用量。这一步能确认三件事Key 有效、base URL 可达、协议兼容。再进一步验证 agent 的工具调用链路。发一条会触发工具的消息python -m openharness.cli --config ./settings.json --prompt 列出当前目录下的文件正常的话agent 会先调用文件读取工具把结果回传给模型模型再组织成自然语言输出。你会在日志里看到tool_call和tool_result的往返。这一步过了说明模型通道和工具执行两条链路都通了ohmo 的完整能力就能跑起来。如果你更想先在图形界面里确认模型响应可以打开模型对话页面手动发一条消息对比一下返回是否正常排除是配置问题还是网络问题。5. 本篇常见错排查报 401 / invalid api key九成是环境变量没生效。api_key_env填的是变量名不是 Key 本身。确认echo $TAOTOKEN_API_KEY有输出且和配置里的变量名完全一致大小写敏感。报 404 / model not found模型名写错了或者你的账号没有这个模型的权限。去文档的模型列表核对一遍注意有些模型名带日期后缀。请求一直超时先确认base_url是https://taotoken.net/api没有多余斜杠或路径。如果地址对但还超时把timeout调到 180 再试同时检查本地网络出口是否稳定。agent 不调用工具只回文字这通常不是通道问题而是模型对工具调用的支持或 prompt 组装的问题。确认你选的模型支持 function calling / tool use另外检查skills.auto_load是否为 true工具描述有没有正确注入。配置改了不生效OpenHarness 是多层配置合并项目级配置会覆盖全局配置。确认你改的是当前工作目录下被加载的那份可以用--config显式指定路径排除歧义。Key 泄露风险如果误把 Key 提交了立刻去控制台吊销重建。养成用环境变量或.env并加进.gitignore的习惯。6. 把通道固定下来让 agent 长期跑链路验证通过后建议把这次配置固化settings.json进项目版本库Key 走环境变量.env加进.gitignore再写一个启动脚本把环境变量和启动命令包在一起避免每次手动 export。ohmo 的价值在长时间会话里才体现得出来通道稳定是前提。需要长期跑编码和 agent 任务的话Coding Plan 的额度模型比按量更适合只是偶尔验证或轻量使用按量 Key 就够。接入过程中卡在配置或报错直接翻接入文档对照参数比在群里问快得多。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/17 7:04:08

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/18 14:20:46

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/18 20:01:42

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/18 11:04:06

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/18 15:55:22

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/17 19:43:32

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉