1. 先把三层概念摆到工程桌面上LLM、Agent、Skill 这三个词经常被混着用落到代码里就出问题有人把一次 chat completion 叫 Agent有人把写死的函数叫 Skill结果架构图画得挺漂亮一跑就发现根本串不起来。我先把边界说清楚再带你用 TaoToken 的统一 Key 把三层调用链真正跑通。LLM 是推理与生成层输入 messages输出 token它本身不碰外部世界。Agent 是规划与调度层它拿着 LLM 做决策决定下一步调哪个工具、传什么参数、要不要继续循环。Skill 是可复用能力封装层一个 Skill 就是一段有明确入参出参的原子能力比如查天气、读文件、发请求。三者关系是LLM 提供想Skill 提供做Agent 把想和做编排成闭环。适合谁看正在把 demo 往生产推的开发者、要给自己产品接大模型的后端同学、以及想搞清楚 Agent 框架到底在编排什么的人。下面所有配置和代码都可以直接复制TaoToken 在这里的角色是统一 Key 和统一 API 通道——三层调用都走同一个 base_url 和同一个 Key省掉多供应商来回切换的麻烦。2. TaoToken 前置一个 Key 打通三层TaoToken 的定位是统一的大模型 API 接入通道。你注册后在控制台生成一个 API Key之后 LLM 调用、Agent 里的模型调用、Skill 内部如果需要模型能力全都复用这一个 Key 和同一个 base_url。这样做的好处很直接换模型只改 model 字段不用改鉴权逻辑三层链路的日志和用量也集中在一处。需要提前准备的东西一个 TaoToken 账号进控制台创建 API Key本地 Python 3.9 或 Node 18 环境一个能发 HTTP 请求的终端curl 就够关键地址记一下官网是 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 基址是 https://taotoken.net/api 注意 API 地址不带查询参数。生成 Key 的入口在控制台的 API Keys 页面模型对话调试入口在模型对话页长期跑编码和 Agent 任务可以看 Coding Plan。注意Key 只存在服务端环境变量里别写进前端代码或提交到仓库。下面配置统一用TAOTOKEN_API_KEY这个环境变量名。3. 可复制配置settings.json 与 config.toml 骨架先给两份配置文件骨架一份给 Node/Claude Code 类工具用的settings.json一份给 Python 项目用的config.toml。两份都指向同一个 TaoToken 通道。3.1 settings.json 骨架{ env: { TAOTOKEN_API_KEY: sk-你的Key, TAOTOKEN_BASE_URL: https://taotoken.net/api, TAOTOKEN_MODEL: claude-sonnet-4-5 }, agent: { max_steps: 8, tool_timeout_ms: 15000, allow_skills: [weather_query, file_read, http_fetch] }, skill: { registry_path: ./skills, auto_reload: true } }max_steps控制 Agent 循环上限防止死循环烧 tokenallow_skills是白名单只有列进去的 Skill 才能被 Agent 调用这是生产环境必须做的收敛。3.2 config.toml 骨架[llm] base_url https://taotoken.net/api api_key ${TAOTOKEN_API_KEY} model claude-sonnet-4-5 timeout 60 [agent] max_steps 8 tool_timeout 15 system_prompt 你是一个会调用工具的助手需要外部信息时必须调用 Skill。 [skill.weather_query] type http endpoint https://api.example.com/weather method GET [skill.file_read] type local root ./workspace${TAOTOKEN_API_KEY}是环境变量占位运行时注入。Skill 分两类http型走外部接口local型操作本地文件Agent 不关心 Skill 内部怎么实现只看它的名字和参数 schema。4. 三层调用示例从单次 LLM 到 Agent 编排再到 Skill 注册这一节是重点按 LLM → Skill → Agent 的顺序往上搭每层都能单独验证。4.1 第一层单次 LLM 调用先用 curl 确认通道通不通curl https://taotoken.net/api/v1/chat/completions \ -H Authorization: Bearer $TAOTOKEN_API_KEY \ -H Content-Type: application/json \ -d { model: claude-sonnet-4-5, messages: [{role: user, content: 用一句话解释什么是 LLM}] }返回里choices[0].message.content就是模型输出。这一步只验证大脑能说话它不会去查任何外部数据。Python 版本import os, requests resp requests.post( https://taotoken.net/api/v1/chat/completions, headers{Authorization: fBearer {os.environ[TAOTOKEN_API_KEY]}}, json{ model: claude-sonnet-4-5, messages: [{role: user, content: 用一句话解释什么是 LLM}], }, timeout60, ) print(resp.json()[choices][0][message][content])4.2 第二层注册一个 SkillSkill 的本质是名字 参数 schema 执行函数。下面注册一个天气查询 Skillimport requests SKILL_REGISTRY {} def register_skill(name, schema, fn): SKILL_REGISTRY[name] {schema: schema, fn: fn} def weather_query(city: str) - dict: r requests.get( https://api.example.com/weather, params{city: city}, timeout10, ) return r.json() register_skill( nameweather_query, schema{ type: object, properties: {city: {type: string}}, required: [city], }, fnweather_query, )Skill 自己不会主动跑它必须被 Agent 调用。schema 的作用是告诉 LLM这个工具长什么样LLM 才能正确生成参数。4.3 第三层Agent 编排循环Agent 的核心是一个循环把用户目标和 Skill 列表一起发给 LLMLLM 返回要么是最终答案要么是一个工具调用请求Agent 执行 Skill 后把结果塞回对话继续下一轮。import json, os, requests BASE https://taotoken.net/api/v1/chat/completions HEADERS {Authorization: fBearer {os.environ[TAOTOKEN_API_KEY]}} def build_tools(): return [ { type: function, function: { name: name, description: f执行 {name}, parameters: meta[schema], }, } for name, meta in SKILL_REGISTRY.items() ] def run_agent(user_input: str, max_steps: int 8): messages [{role: user, content: user_input}] for step in range(max_steps): resp requests.post( BASE, headersHEADERS, json{ model: claude-sonnet-4-5, messages: messages, tools: build_tools(), }, timeout60, ).json() msg resp[choices][0][message] messages.append(msg) tool_calls msg.get(tool_calls) if not tool_calls: return msg[content] for call in tool_calls: fn_name call[function][name] args json.loads(call[function][arguments]) result SKILL_REGISTRY[fn_name][fn](**args) messages.append({ role: tool, tool_call_id: call[id], content: json.dumps(result, ensure_asciiFalse), }) return 达到最大步数任务未完成 print(run_agent(北京明天天气怎么样))这段代码就是三层的完整协作LLM 负责判断要不要调工具、调哪个Skill 负责真正发请求拿数据Agent 负责把两者串起来并管理循环。MCP 在这里可以理解为 Skill 注册与调用的标准化协议层让不同来源的工具用统一格式暴露给 Agent。5. 验证每层是否生效的检查动作光跑通不够得知道每层单独坏了怎么定位。下面是我常用的分层检查清单。层级检查动作期望结果LLM发一条纯文本 chat 请求返回 content无 tool_callsSkill直接调用weather_query(北京)返回结构化 JSON不经过 LLMAgent问一个需要外部数据的问题日志里出现 tool_calls 和 tool 回填通道看响应头与用量同一个 Key 覆盖三层调用具体操作先单独跑 4.1 的 curl确认 Key 和 base_url 没问题再单独跑weather_query(北京)确认 Skill 本身能拿到数据最后跑run_agent在循环里打印step和tool_calls如果 step 一直是 0 且没有 tool_calls说明 LLM 没识别出该调工具通常是 tools 描述写得太模糊。提示Agent 不调工具九成是 system prompt 或工具 description 的问题不是模型问题。把 description 写具体比如查询指定城市的实时天气参数 city 为中文城市名。6. 本篇常见错排查报 401 或鉴权失败检查TAOTOKEN_API_KEY是否真的注入到运行环境echo $TAOTOKEN_API_KEY看一眼。配置文件里的${...}占位符不会自动展开得靠代码读取环境变量。Agent 死循环max_steps没设或设太大加上 Skill 返回错误时 LLM 反复重试。把max_steps压到 8 以内并在 Skill 里对异常做兜底返回。Skill 参数对不上schema 里写了required: [city]但 LLM 传了location。要么改 schema 别名要么在 Skill 入口做参数归一化。tools 传了但模型不调确认用的模型支持 function calling且tools字段格式正确。部分模型对 tools 支持有限换一个支持工具调用的模型再试。三层混在一起调试最常见的坑。一定按 LLM → Skill → Agent 顺序逐层验证别一上来就跑完整 Agent出错时根本不知道是哪层。7. 继续往下走三层跑通之后下一步通常是把 Skill 抽成独立服务、给 Agent 加记忆和反思、把配置从本地文件搬到配置中心。如果你要长期跑编码类或 Agent 类任务可以看 Coding Plan想先在线试模型效果去模型对话页直接发消息最快Key 管理和新建在 API Keys 页面接入细节和参数说明在接入文档里。统一用 TaoToken 的 Key 和通道三层调用链的鉴权、用量、模型切换都在一处维护成本会低很多。