新闻详情

新闻详情

首页 / 资讯中心 / 详情

Claude Agent SDK 架构解析:从 settings.json 到 TaoToken 统一 Key 的配置骨架

发布时间:2026/11/15 17:59:12来源:尧图网络
Claude Agent SDK 架构解析:从 settings.json 到 TaoToken 统一 Key 的配置骨架
1. 为什么要在本地跑通 Claude Agent SDKClaude Agent SDK 是 Anthropic 官方提供的 Agent 驱动层它把 Claude Code 的原生内核封装成可编程接口让你用 Python 或 TypeScript 代码去驱动一个自带运行时的 Agent。适合谁适合需要在本地快速验证 Agent 工具调用链、又不想从零搭 harness 的开发者。它能做什么一句话概括把配置翻译成命令行参数、派生 CLI 子进程、在标准输入输出上收发消息并解析成类型。但真正上手时很多人卡在第一步——settings.json到底写什么、API Key 往哪放、请求有没有真的发出去。我试过直接照搬官方示例结果 Agent 启动后工具调用链断在权限回调上排查了半天才发现是permission_mode设成了绕过权限导致自定义判定被静默旁路。这篇的目标很明确给出一份可复制的settings.json骨架把 TaoToken 统一 Key 的接入位置标清楚再附一条最小验证动作——启动后确认请求经统一通道发出且工具调用链正常返回。架构分层会讲但重点落在“能跑起来”这件事上。2. TaoToken 前置统一 Key 与 API 通道在写配置之前先把 Key 和通道准备好。TaoToken 在这里扮演的角色是统一 API 入口你不需要在settings.json里散落多个供应商的 Key而是通过一个统一 Key 走一条通道。你需要准备的东西一个 TaoToken 账号登录后进入控制台在 API Keys 页面生成一个 Key格式通常是sk-开头确认你要用的模型名称比如claude-sonnet-4-20250514这类接入文档在官网的 doc 页面有完整说明模型对话功能可以用来先验证 Key 是否可用。如果你打算长期跑编码类 AgentCoding Plan 页面有对应的套餐说明。注意Key 不要硬编码进代码仓库用环境变量注入。settings.json里通过env字段传给子进程是推荐做法。TaoToken 的 API 地址是https://taotoken.net/api这个地址会作为ANTHROPIC_BASE_URL注入到 Agent 子进程的环境变量里。模型对话入口可以用来做单次请求验证确认 Key 有效后再进入 Agent 配置环节。3. 可复制的 settings.json 骨架Claude Agent SDK 的配置分两层一层是 SDK 侧的ClaudeAgentOptions另一层是 CLI 侧读取的settings.json。两者通过setting_sources字段关联——你可以决定这次运行读取哪几层配置文件。先给出一份最小可用的settings.json{ env: { ANTHROPIC_BASE_URL: https://taotoken.net/api, ANTHROPIC_API_KEY: sk-your-taotoken-key }, permissions: { allow: [ Read, Glob, Grep ], deny: [ Bash(rm -rf *) ] }, model: claude-sonnet-4-20250514 }这份配置做了三件事把 API 通道指向 TaoToken 统一入口、声明允许和拒绝的工具规则、指定模型。permissions.allow里的条目决定哪些工具调用无需逐次确认deny里的条目直接阻断。对应的 Python 侧 SDK 配置骨架import asyncio from claude_agent_sdk import query, ClaudeAgentOptions async def main(): options ClaudeAgentOptions( setting_sources[project], cwd/path/to/your/project, permission_modedefault, allowed_tools[Read, Glob, Grep], max_turns10, env{ ANTHROPIC_BASE_URL: https://taotoken.net/api, ANTHROPIC_API_KEY: sk-your-taotoken-key, }, ) async for message in query( prompt列出当前目录下的 Python 文件, optionsoptions, ): print(message) asyncio.run(main())这里有几个关键点值得展开。setting_sources[project]表示只读取项目层的settings.json不读用户本机的个人配置。这对分发场景很重要——同一份产品在不同人机器上行为一致。如果你显式置为空列表则完全不读文件系统配置全部靠代码里的ClaudeAgentOptions控制。permission_modedefault是权限模式的默认值。这里有个坑如果你设成bypassPermissions那么除显式拒绝规则之外的每一次工具调用都会在权限回调之前被自动批准。也就是说你写的can_use_tool回调会被静默旁路。allowed_tools和tools是两件事。前者决定哪些工具调用无需确认后者决定这次运行有哪些工具存在。混淆二者是常见错误——tools控制工具可用性allowed_tools控制权限判定两套正交。env字段把 TaoToken 的 API 地址和 Key 传给子进程。这是统一通道的接入位置——所有请求经此发出。4. 验证请求与工具调用链配置写好后跑一条最小验证动作。启动 Agent发一个简单 prompt观察三件事请求是否经统一通道发出、工具调用是否被触发、结果是否正常返回。import asyncio from claude_agent_sdk import query, ClaudeAgentOptions async def verify(): options ClaudeAgentOptions( setting_sources[project], cwd., permission_modedefault, allowed_tools[Read, Glob], max_turns5, env{ ANTHROPIC_BASE_URL: https://taotoken.net/api, ANTHROPIC_API_KEY: sk-your-taotoken-key, }, ) tool_calls [] async for message in query( prompt读取当前目录下的 settings.json 并告诉我 permissions 字段的内容, optionsoptions, ): msg_type type(message).__name__ print(f[{msg_type}] {message}) if ToolUse in msg_type: tool_calls.append(message) print(f\n工具调用次数: {len(tool_calls)}) assert len(tool_calls) 0, 工具调用链未触发 asyncio.run(verify())预期输出会依次出现SystemMessage初始化、AssistantMessage模型回复、ToolUseMessage工具调用、ToolResultMessage工具结果、ResultMessage最终结果。如果工具调用次数大于 0说明工具调用链正常返回。验证请求是否经统一通道发出可以在 TaoToken 控制台的日志页面查看请求记录。如果看到对应时间点的请求说明通道配置正确。提示如果工具调用链没触发先检查allowed_tools是否包含了你要用的工具名再检查permission_mode是否被设成了绕过权限。5. 本篇常见错排查5.1 权限回调被静默旁路这是最容易踩的坑。你写了can_use_tool回调以为每次工具调用都会经过它但实际上有三种情况会让它失效第一种permission_mode设为bypassPermissions除显式拒绝规则外的调用全部自动批准。第二种allowed_tools里有整体放开某个工具的条目比如不带括号的Read、括号内为空的Read()、或括号内是通配符的Read(*)。第三种skills取全部时传输层会追加一个不带限定的技能工具名同样旁路回调。如果你需要每一次工具调用都经过判定用PreToolUsehook 而不是权限回调。hook 覆盖面完整且能干预流程。5.2 请求没走统一通道检查env字段里的ANTHROPIC_BASE_URL是否拼写正确。注意不要有多余的斜杠或路径后缀。如果用了settings.json和代码里的env同时配置代码里的env优先级更高。5.3 工具调用链断在 MCP 服务器如果你用了进程内 MCP 工具检查create_sdk_mcp_server的返回值是否正确放进了mcp_servers。进程内工具的调用要经过一次完整往返——CLI 把 JSON-RPC 消息经mcp_message反向请求发给 SDKSDK 交给桥接层桥接层送进你的服务器实例。工具实现里的阻塞会挂住整个会话。5.4 会话恢复失败resume和continue_conversation是互斥的。resume要恢复的会话标识必须是合法 UUID。如果你用了session_store做外部存储镜像恢复时本地文件缺失会改从该存储生成但load_timeout_ms默认六万毫秒超时会失败。6. 下一步从验证到长期运行跑通最小验证后下一步取决于你的场景。如果你只是验证模型对话和单次工具调用模型对话入口足够。如果你要长期跑编码类 Agent需要关注 Coding Plan 的配额和计费方式。如果你要把 Agent 接入现有系统API Keys 页面生成的 Key 配合接入文档里的说明可以完成集成。长期运行的 Agent 还需要考虑会话状态管理。SDK 提供了可替换的存储协议只有六个方法追加、载入、列出会话、列出会话摘要、删除、列出子键。实现这六个方法就能把会话落到你自己的存储里。镜像写入失败会被转换成一条系统消息交给应用类型是镜像错误——派生物的写入失败不能拖垮主流程但也不能静默丢弃。最后提醒一句settings.json里的permissions.allow条目会旁路权限回调而 SDK 的警告看不到设置文件那一侧。如果你要的是每一次工具调用都经过判定把允许规则收窄或者直接用 hook 替代回调。
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 2026/11/15 4:54:16

【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 2026/11/15 2:04:12

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 2026/11/14 10:11:15

【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 ... 2026/11/16 6:47:19

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 2026/11/14 16:35:50

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 2026/11/15 4:06:36

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
📞 ✉