新闻详情

新闻详情

首页 / 资讯中心 / 详情

Oracle Fusion AI Agent Studio 扩展:用 CLI 与 VS Code 开发专业代码 Agent 的 TaoToken 配置指南

发布时间:2026/11/16 13:15:56来源:尧图网络
Oracle Fusion AI Agent Studio 扩展:用 CLI 与 VS Code 开发专业代码 Agent 的 TaoToken 配置指南
1. Oracle Fusion AI Agent Studio 扩展后CLI 与 VS Code 里怎么接上统一 KeyOracle 这次给 Fusion 应用的 AI Agent Studio 加了专业代码开发工具核心是一个叫 AI Studio Skill 的 CLI。它做的事情说白了就是让 Codex、Claude Code 这类 AI 编程助手能读懂 Fusion 项目的结构、API、模板、验证和打包部署流程。以前你写 Fusion 智能体更多是在 Studio 里点配置现在可以像写普通软件功能一样在 VS Code 里用命令行驱动。但真到动手环节很多人会卡在同一个地方CLI 和 VS Code 插件各自要配一套模型通道Key 散落在不同文件里换一个环境就得重新填一遍。我试过把 Oracle 的 CLI 工作流和 TaoToken 的统一 Key 通道接在一起CLI 用config.tomlVS Code 用settings.json两边指向同一个 API 地址后面切模型、换项目都不用再动 Key。这篇就按这个思路走先讲清楚 AI Studio Skill 在 CLI 和 VS Code 里分别读哪个配置文件再给出可直接复制的骨架最后用一次 Agent 调用验证配置是否真的通了。适合已经在用 Oracle Fusion、准备把智能体开发搬进本地 IDE 的开发者。如果你还没拿到 Key先去控制台建一个后面所有配置都围绕它展开。2. 前置准备TaoToken Key 与 API 通道TaoToken 在这里的角色是一个统一的模型调用入口。你不需要在 Oracle 侧、VS Code 侧、CLI 侧分别维护不同的供应商配置只要拿到一个 Key把 API 地址指向https://taotoken.net/apiCLI 和编辑器就都能走同一条通道。先做三件事。第一打开控制台创建 API Key建议按项目命名比如fusion-agent-dev方便后面排查是哪个环境在调用。第二确认你要用的模型名CLI 和 VS Code 的配置里都要填写错模型名是最常见的 404 来源。第三把 API 地址记牢https://taotoken.net/api注意不要多加斜杠或路径后缀配置文件里原样填。提示Key 只显示一次创建后立刻复制到本地密码管理器。CLI 的config.toml和 VS Code 的settings.json里都会用到同一个 Key不要在两处填不同的值否则排障时你会分不清是哪边的问题。如果你打算长期在 CLI 里跑编码 Agent可以顺带看一下 Coding Plan 的额度说明避免调试阶段把额度耗在重复请求上。接入文档里有各语言 SDK 的调用示例配置卡住时对照一下请求头格式。3. 可复制配置config.toml 与 settings.json 骨架Oracle AI Studio Skill 的 CLI 侧配置通常放在项目根目录或用户级配置目录下的config.toml。下面这个骨架可以直接改 Key 和模型名后用# config.toml — Oracle AI Studio Skill CLI 侧配置 [provider] name taotoken api_base https://taotoken.net/api api_key sk-你的TaoTokenKey model 你的模型名 [agent] project_root ./fusion-agent skill ai-studio-skill timeout_seconds 120 [validation] enable_schema_check true enable_packaging trueVS Code 侧走的是settings.json如果你用的是 Claude Code 或 Codex 类插件配置键名可能略有差异但核心字段一致{ aiAgent.provider: taotoken, aiAgent.apiBase: https://taotoken.net/api, aiAgent.apiKey: sk-你的TaoTokenKey, aiAgent.model: 你的模型名, aiAgent.fusionSkill: ai-studio-skill, aiAgent.autoValidate: true }两处配置的对应关系可以对照下面这张表改的时候逐行核对避免只改了一边配置项config.tomlsettings.json说明API 地址api_baseaiAgent.apiBase统一填https://taotoken.net/apiKeyapi_keyaiAgent.apiKey同一个 Key不要分叉模型modelaiAgent.model两边必须一致Skill 名skillaiAgent.fusionSkill固定ai-studio-skill超时timeout_seconds插件默认CLI 侧建议 120 秒起注意config.toml里的api_base不要写成带/v1的地址TaoToken 的入口就是https://taotoken.net/api多写路径会导致 404。VS Code 侧同理。配置写完后先别急着跑 Agent。在终端里执行一次ai-studio-skill config check具体子命令以你本地 CLI 版本为准确认它读到了config.toml里的 provider 段。如果输出里显示的 api_base 不是你填的值说明配置文件路径不对CLI 可能读的是用户级目录而不是项目目录。4. 验证请求跑一次 Agent 调用看结果配置对不对跑一次真实调用最直接。在 VS Code 里打开一个 Fusion 智能体项目用命令面板触发 AI Studio Skill或者直接在终端里让 CLI 生成一个最小智能体骨架。下面是一个可复制的验证动作目的是让 Agent 读取项目结构并返回一次校验结果# 在项目根目录执行触发一次 Agent 调用 ai-studio-skill agent run \ --project ./fusion-agent \ --task 读取当前项目结构列出可用的 Fusion API 模板并返回校验状态 \ --output json预期返回里应该包含三部分项目结构摘要、模板列表、校验状态。如果校验状态是passed说明 CLI 已经通过 TaoToken 通道拿到了模型响应并且 AI Studio Skill 的验证层正常工作。如果返回的是provider_error或401先回到config.toml检查 Key 和 api_base。VS Code 侧的验证更直观打开一个.agent或 Fusion 项目文件让插件补全一段智能体逻辑观察输出面板里是否有请求日志。成功时你会看到请求发往https://taotoken.net/api并且返回了模型内容。如果插件一直转圈多半是settings.json里的 Key 没生效重启一次 VS Code 窗口再试。实测下来CLI 和 VS Code 两边都通之后你可以只改model字段来切换模型Key 和地址不用动。这也是统一通道的好处Oracle 侧的 Skill 负责 Fusion 上下文TaoToken 侧负责模型调用两边解耦。5. 本篇常见错排查配置阶段最容易撞上的几个问题按出现频率排一下。第一个是 401。九成情况是 Key 填错或复制时带了空格。config.toml里字符串不要加引号外的多余字符settings.json里注意 JSON 转义。如果 Key 确认无误检查是不是在控制台把该 Key 禁用了。第二个是 404。通常是 api_base 写成了https://taotoken.net/api/v1或结尾多了斜杠。统一改成https://taotoken.net/api两处配置都改。第三个是模型名不匹配。CLI 返回model_not_found时去接入文档核对当前可用的模型名不要凭记忆填。VS Code 侧如果模型名和 CLI 不一致会出现 CLI 能跑、插件报错的情况。第四个是 CLI 读不到配置。ai-studio-skill可能优先读用户级目录项目级config.toml被忽略。解决办法是在命令里显式指定配置路径或者把配置放到 CLI 默认查找的位置。用--config ./config.toml这类参数可以强制指定。第五个是超时。Fusion 项目结构大时Agent 读取和校验会超过默认超时。把timeout_seconds调到 120 或更高VS Code 侧如果插件支持超时设置也一并调大。提示排障时先单独验证 TaoToken 通道是否通再验证 AI Studio Skill 的 Fusion 上下文。两步分开能快速定位是通道问题还是 Skill 配置问题。6. 接下来怎么走CLI 和 VS Code 都跑通之后你可以把config.toml提交到项目仓库但 Key 用环境变量注入不要硬编码。VS Code 侧同理settings.json里可以用占位符配合本地环境变量。这样团队里每个人用自己的 Key配置骨架保持一致。如果你主要做长期编码和 Agent 迭代Coding Plan 的额度模型更适合持续调用如果只是偶尔验证模型输出直接用模型对话页面更快。接入文档里有完整的请求头和错误码说明遇到本篇没覆盖的报错对照文档里的状态码表基本能定位。最后一步验证建议放在 CI 里用 CLI 跑一次agent run把返回的校验状态作为流水线门槛。这样每次改完 Fusion 智能体都能在合并前确认 TaoToken 通道和 AI Studio Skill 都正常。
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
📞 ✉