新闻详情

新闻详情

首页 / 资讯中心 / 详情

skill-recorder 录屏转 Skill 实战:用 TaoToken 统一 Key 打通 Copilot 自动化配置

发布时间:2026/11/18 9:25:47来源:尧图网络
skill-recorder 录屏转 Skill 实战:用 TaoToken 统一 Key 打通 Copilot 自动化配置
1. 录屏转 Skill 到底解决什么问题skill-recorder 是微软开源的一个工具核心能力一句话说清你在电脑上把一件事完整做一遍它录下来用 GitHub Copilot 反推出「意图 有序步骤」生成一份可复用的 Skill 或 Automation。适合谁适合那些手里有一堆重复操作、但不想手写 SKILL.md 的人。它把「教 AI 干活」从写文档变成了演示一遍。但实际落地时很多人卡在第二步录完屏、生成 Skill 之后怎么让 Copilot 真正调用它更具体地说Copilot 的自动化配置需要一套统一的模型接入层否则你会在多个 Key、多个 endpoint 之间来回切换。我试过用 TaoToken 做统一 Key 管理把 skill-recorder 生成的 Skill 接到 Copilot 自动化流程里一次配置就能复现操作。下面从环境准备到验证请求一步步走完。2. TaoToken 前置统一 Key 与接入点TaoToken 在这里的角色是「统一 Key 网关」。skill-recorder 本身依赖 GitHub Copilot CLI 做分析但生成的 Skill 在 Copilot 自动化里执行时往往需要调用模型接口。如果你同时用多个模型供应商Key 管理会很乱。TaoToken 让你用一个 Key 走所有模型调用。你需要先拿到 API Key。访问 https://taotoken.net/api-keys 创建注意这个地址不带 UTM直接打开即可。创建后复制 Key后面写进配置文件。接入文档在 https://taotoken.net/doc 里面有各语言的调用示例。模型对话调试可以用 https://taotoken.net/model-chat 长期编码或 Agent 场景建议看 https://taotoken.net/coding-plan 。官网入口是 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 从这里进可以拿到完整的接入指引。注意TaoToken 是合规的 API 接入服务不要把它和任何非正规中转混为一谈。所有配置都走官方文档给出的 endpoint。3. 可复制配置settings.json 与 config.toml 骨架skill-recorder 生成的 Skill 要接到 Copilot 自动化需要两份配置文件。一份是 Copilot 侧的 settings.json一份是模型接入侧的 config.toml。下面给出可直接复制的骨架。3.1 settings.json 骨架这份配置放在 Copilot 工作区的.copilot/settings.json作用是告诉 Copilot 去哪里找 Skill、用哪个模型 endpoint。{ skills: { enabled: true, paths: [ ./skills/recorded, ./skills/generated ], autoLoad: true }, model: { provider: taotoken, endpoint: https://taotoken.net/api, apiKeyEnv: TAOTOKEN_API_KEY, defaultModel: claude-sonnet-4-20250514, timeoutMs: 60000 }, automation: { enabled: true, trigger: manual, maxRetries: 2 } }关键字段说明skills.paths指向 skill-recorder 生成 Skill 的存放目录model.endpoint固定为https://taotoken.net/api不要加 UTMapiKeyEnv表示从环境变量读 Key避免硬编码。3.2 config.toml 骨架这份配置放在项目根目录的config.toml作用是给 skill-recorder 生成的 Skill 提供运行时参数。[taotoken] endpoint https://taotoken.net/api api_key_env TAOTOKEN_API_KEY default_model claude-sonnet-4-20250514 [skill_recorder] output_dir ./skills/generated analysis_model claude-sonnet-4-20250514 record_hotkey CtrlShiftR detached true [copilot] skill_dir ./skills/recorded auto_trigger falsedetached true对应 skill-recorder 安装时的SKILL_RECORDER_DETACHED1让应用在终端关闭后继续跑。analysis_model指定分析阶段用的模型这里走 TaoToken 统一 Key。3.3 环境变量设置Windows PowerShell$env:TAOTOKEN_API_KEY你的KeymacOS / Linuxexport TAOTOKEN_API_KEY你的Key把这两行写进 shell 的启动文件避免每次重开终端都要重设。4. 验证请求从录屏到 Copilot 调用配置写完接下来验证整条链路。分三步录屏生成 Skill、检查 Skill 文件、让 Copilot 调用。4.1 录屏生成 Skill打开 skill-recorder按CtrlShiftR开始录制。以一个具体操作为例把一份 CSV 文件重命名并移动到归档目录。你正常操作一遍边做边口述「现在重命名、现在移动到归档」。停止录制后点 AnalyzeCopilot 会给出意图和步骤列表。审阅无误后点 Create生成 Skill 文件到./skills/generated。4.2 检查生成的 Skill生成的 Skill 是一个 Markdown 文件类似# Skill: archive-csv ## Intent 将指定 CSV 文件重命名并移动到归档目录。 ## Steps 1. 定位源 CSV 文件路径 2. 按日期重命名文件 3. 移动到 ./archive 目录 4. 确认移动结果检查步骤里有没有混入手滑操作有就删掉。这一步很关键否则 Copilot 会照着学错。4.3 让 Copilot 调用 Skill在 Copilot 对话里输入执行 archive-csv 技能处理 ./data/report.csvCopilot 会读取 settings.json 里的 skills 配置加载对应 Skill然后通过 TaoToken endpoint 调用模型执行。成功时你会看到类似输出[Skill] archive-csv loaded [Model] taotoken / claude-sonnet-4-20250514 [Step 1/4] 定位源文件: ./data/report.csv [Step 2/4] 重命名为 report-202506.csv [Step 3/4] 移动到 ./archive/report-202506.csv [Step 4/4] 确认完成如果看到这四步依次输出说明录屏→Skill→Copilot 调用链路打通了。5. 本篇常见错排查5.1 Analyze 报错没有 Copilot 权限skill-recorder 的分析阶段硬依赖 GitHub Copilot CLI。如果你没有 Copilot 访问权限Analyze 会直接报错。解决方式是先开通 Copilot或者只录制不分析。注意这和 TaoToken 无关TaoToken 管的是模型调用层Copilot CLI 是分析层。5.2 settings.json 路径写错导致 Skill 加载失败skills.paths里的路径是相对于 Copilot 工作区根目录的。如果你把 Skill 生成到了别的目录这里要同步改。验证方法在 Copilot 里输入list skills看能不能列出你生成的 Skill 名称。列不出来就是路径问题。5.3 TaoToken endpoint 返回 401401 通常是 Key 没读到。检查TAOTOKEN_API_KEY环境变量是否在当前终端生效。PowerShell 里用echo $env:TAOTOKEN_API_KEY确认bash 里用echo $TAOTOKEN_API_KEY。如果为空重新 export 一次。另外确认 endpoint 写的是https://taotoken.net/api不要多加路径。5.4 生成的步骤混入无关操作Analyze 之后一定要审阅。skill-recorder 会把录制期间的所有操作都抓进去包括你中途切窗口、点错按钮。这些误操作如果不删Copilot 执行时会照做。建议录制时尽量专注不要中途处理无关事情。5.5 Windows 快捷键冲突CtrlShiftR经常被截图工具占用。如果按了没反应检查后台有没有运行截图类软件或者去 skill-recorder 设置里改快捷键。5.6 源码构建慢或报错skill-recorder 是源码发布安装时要拉 Node.js 24 运行时并本地构建。Windows 上首次跑 install.ps1 会下载依赖耐心等。报错的话看仓库里的 WINDOWS-VALIDATION.md里面有常见构建问题的处理方式。6. 接入与排障入口整条链路里TaoToken 负责统一 Key 和模型调用skill-recorder 负责录屏转 SkillCopilot 负责执行。如果你在接入阶段遇到 Key 或 endpoint 问题直接去 API Keys 页面重新生成https://taotoken.net/api-keys 接入细节看文档https://taotoken.net/doc 。验证模型是否通用模型对话页面发一条测试请求https://taotoken.net/model-chat 。长期跑编码或 Agent 自动化建议走 Coding Planhttps://taotoken.net/coding-plan 省得每次手动配 Key。配置一次后面录屏生成的 Skill 都能直接复用这套接入层。踩过的坑基本都在第 5 节按顺序排查一般能解决。
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 2026/11/17 5:42:44

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 2026/11/17 19:43:34

【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 ... 2026/11/17 6:55:04

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 2026/11/17 5:57:47

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
📞 ✉