企业官网建设流程全解析

1. 对比表里最该较真的那一列：token 效率

Skills、Tools、MCP、Subagents、Hooks 这五个词，在 2026 年的各种 AI Agent 文章里几乎每篇都会出现。常见的对比表会把场景适用性、token 效率、维护成本、组合方式各给一行结论，乍看很清楚，真要落地时就露馅了：场景适应性还可以凭经验判断，维护成本多做几个项目也有体感，唯独 token 效率这一列，官方文档不会告诉你具体数值，别人博客里的说法又可能过期。我在 TaoToken（https://taotoken.net/?utm_source=taotoken_aicg_blog_end ）上配好了 API Key 之后想认真做一次验证，与其继续看别人表格里写的「MCP 极高」「Tools 一般」，不如让 Codex 自己把五类组件各跑一个小用例，最后回控制台看每一次调用的 token 记录，用真实数字回答这个疑问。

原始对比表给的核心结论是：Skills 靠原子化避免冗余，MCP 靠上下文聚合与分发最大化 token 复用，Tools 和 Hooks 受调用方式限制表现一般，Subagents 在并行任务里可能增加消耗但合理拆分可优化。这几句话作为定性没问题，问题在于「高」「一般」「可优化」到底差多少，没有实测你根本判断不了自己该用哪种。所以我这次的做法是：先按原文表格拆出五个可执行的小任务，再让 Codex 在同一个项目里各跑一遍，最后对比四次调用的 token 数字。

1.1 原文表格的五列结论，先落在任务上

原文把五类组件拆成了这几个关键维度：

• Skills：原子化、可组合，适合复杂流程动态编排，token 效率高，维护成本低。
• Tools：点状集成、上手快，适合标准低变动场景，token 效率一般，后期易碎片化。
• MCP：多模型协作、跨系统集成，上下文聚合与分发，token 效率极高，但需要理解协议。
• Subagents：多步推理、任务分解、并行处理，token 效率依赖拆分策略。
• Hooks：事件驱动、横切扩展，token 效率一般，滥用会导致复杂度上升。

如果你只是写业务代码，Tools 就够用；如果你在搭多 Agent 协作系统，Skills 和 Subagents 的组合会明显顺手；如果跨系统调用频繁，MCP 的价值不在功能多强，而在省掉一层层重复的上下文携带。可如果你问「省多少」「多花多少」，表格里的文字回答不了。这就是我坚持要实测的原因。

1.2 为什么让 Codex 当执行者，而不是自己写脚本模拟

Token 消耗是模型聊天接口计费的真实行为，自己写脚本去 curl 一次接口，测出来的是单次请求的 token 数，跟 Agent 工具运行时把多轮上下文拼在一起的区别很大。Codex 这类编码 Agent 会把历史消息、工具返回、文件内容持续叠加到上下文里，正是对比表中说的「上下文聚合与分发」发生的真实场景。让 Codex 去执行任务，得到的 token 数据才贴近实际使用。

2. Codex 接入 TaoToken：准备 Key 和配置文件

要用 Codex 实测，需要先把模型通道切到 TaoToken。整个过程三步：打开官网拿 Key、在 Codex 配置文件里加一个 model_provider、把模型指到这组参数上。官网地址是 https://taotoken.net/?utm_source=taotoken_aicg_blog_end ，注册完成后在控制台创建 API Key，这步先做。

2.1 在 Codex 的 config.toml 里写 provider

Codex 的配置文件在~/.codex/config.toml。注意 Codex 跟你平时用的 Claude Code 不一样，它读的是model_provider和base_url，不要去设置ANTHROPIC_BASE_URL那套环境变量，那套只对 Claude Code / AWS Bedrock 生效。配置写法如下：

model_providers = { taotoken = { name = "taotoken" base_url = "https://taotoken.net/api" wire_api = "chat" } } model = "你的模型ID" model_provider = "taotoken"

这里面有两点容易踩坑。第一，base_url只能填https://taotoken.net/api，末尾不要加/v1，Codex 会自动补全路径。第二，模型 ID 不要凭记忆写，去 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 的模型广场看当时列出的模型 ID，配置里填你实际要用的那个。API Key 后面在环境变量里注入，不要把真实 Key 写进配置文件。

2.2 环境变量里带 Key，并验证连通性

Codex 启动时会读取当前 shell 环境里的 key。我习惯放在~/.zshrc或~/.bashrc里，方便随时切换：

export OPENAI_API_KEY="YOUR_API_KEY" export OPENAI_BASE_URL="https://taotoken.net/api"

注意：Codex 的架构跟 OpenAI API 兼容，所以环境变量名沿用OPENAI_API_KEY是官方文档支持的方式；如果你用的是 Codex 的扩展版本或别的封装，以你本地工具的文档为准。Key 的那串真实值从哪里来？在 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 创建，创建完复制出来存好。

配完先跑一句最简单的对话确认链路通不通：

codex exec "用一句话介绍你自己"

能正常返回就表示你本地到 TaoToken 的 API 链路已经通了。如果这一步报 401 或 404，先不要往后跑，回到配置文件检查base_url是否多了/v1，以及 Key 是否复制完整。

3. 五个小用例：让 Codex 把表格里的每行结论跑一遍

原文表格里五类组件各有代表优势，我把它们翻译成 Codex 能执行的五个小用例。每个用例都要保证 Codex 确实产生了工具调用和多轮对话，这样最后统计 token 才有价值。

3.1 Skills 用例：创建可复用编码技能并执行

Skills 的代表优势是原子化、可复用、适合动态编排。我给 Codex 的任务是：在当前项目里建一个skills/jsdoc-generator/SKILL.md，要求它为任意 JavaScript 函数生成 JSDoc 注释，然后让它用这个 skill 处理一个已有的函数文件。

codex exec "读取 src/utils/format.js，按 skills/jsdoc-generator/SKILL.md 的规则为新函数补全 JSDoc"

这个例子里，Codex 需要读取 skill 定义、读取目标文件、按规则生成注释、再把结果写入文件。整个过程会产生多次工具调用，而这些工具结果都会进入上下文，token 消耗能真实反映 skill 机制的开销。

3.2 Tools 用例：让 Codex 调用一个 JSON 占位接口

Tools 的典型形态是标准 API 调用，低变动、点状集成。我让 Codex 写一个脚本请求公网 JSON 接口，然后解析返回数据：

codex exec "用 Python requests 请求 https://jsonplaceholder.typicode.com/todos/1，打印 title 字段"

Codex 会先判断要不要安装依赖、写脚本、运行脚本、读取运行结果。这对应 Tools 场景下典型的「写代码 → 执行 → 看输出 → 改代码」循环。这个循环里每一次工具返回的内容都会进上下文，token 消耗能看出 Tools 机制下平均每次交互携带了多少文本。

3.3 MCP 用例：挂一个文件上下文服务器，看聚合效果

MCP 要发挥价值，靠的是把多个文件的内容聚合后一次性交给模型，而不是像 Tools 那样一步步地读。我本地挂了一个轻量文件服务型 MCP server，然后让 Codex 做「读取项目中 A/B/C 三个文件，总结它们的共同模式」：

codex exec "读取 src/api/client.js、src/api/auth.js、src/utils/request.js，用一句话概括它们的共同抽象"

MCP 协议会把三个文件的内容统一塞进一次工具返回里，模型只需要接收一次聚合后的消息。对比 3.2 里 Tools 的一次次单点调用，这里的 token 数字就会明显看出差距。

3.4 Subagents 用例：把一个任务拆成三步并行

Subagents 的核心是多步推理、任务拆分。我给 Codex 的任务是：把「为项目写一个 README」拆成「先分析项目结构、再总结核心模块、最后生成 README」三个子任务，按顺序执行并汇报每步结果：

codex exec "分三步完成：1. 列出项目目录结构 2. 读取每个目录的测试文件总结功能 3. 生成 README.md"

真实场景里，这些子任务如果并行执行，每轮都要携带完整的编排状态和中间结果，token 消耗会明显高于顺序执行单个任务。这也是原文说的「合理拆分可优化」的真实含义。

3.5 Hooks 用例：定义事件脚本并检查它是否被触发

Hooks 适合做事件级扩展，例如检查提交信息格式。我让 Codex 先写一个pre-commit-check.sh脚本用于检查文件末尾是否有多余空行，再模拟把脚本挂到 Codex 的 hook 事件上：

codex exec "写一个 pre-commit-check.sh，检查所有 .md 文件是否以换行符结尾，输出不合规文件列表"

Hooks 的场景在 Codex CLI 里可以用事件钩子模拟，重点在于让模型理解脚本逻辑、生成脚本并解释触发条件。这个用例相对简单，token 消耗也会体现为「事件消息 + 脚本内容」两次主要开销。

4. 打开 TaoToken 控制台对一下每个用例花了多少 token

五个用例跑完之后，打开 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 进入控制台，找到 API 用量页面，里面会有按 Key 统计的调用记录，每个请求包含 prompt tokens、completion tokens、总 tokens 以及对应模型。这时候你不需要自己写统计脚本，直接按时间筛选刚才五次调用，就能看到它们的相对大小。

从实测经验看，结果通常会这么分布：单次 Tools 调用如果只是一次脚本执行，tokens 跟 MCP 聚合读取差距不大；但多轮循环后 Tools 的总消耗会高出 MCP 一截，因为每轮工具返回都要重复携带执行结果和模型先前输出。Skills 的消耗接近 Tools，但它的价值体现在复用——同一个 skill 第二次使用不需要重新让模型推理规则。Subagents 如果真做并行拆分，总 token 会是最高的，因为它每开一个子任务就要重新带一次上下文；Hooks 最轻，因为它只是事件触发，上下文内容固定。

这正好把原文表格里那段定性的描述翻译成了可量化的认知：不是「MCP 更好、Tools 更差」，而是——MCP 把反复携带的上下文做了一次聚合，省掉的 token 量与文件数量成正比；Tools 的多轮循环在大任务里会放大重复上下文；Skills 的省钱在长期复用，不在单次执行；Subagents 要实时并行就要付编排开销。你在自己的项目里，按同样思路跑一遍，得到的数据会更贴合你常用模型和任务类型。

排障部分：如果配置之后一直报 401，先确认控制台里这把 Key 是否有效、是否复制的时候漏了字符；如果报 404，检查代码里是否把https://taotoken.net/api错写成了带/v1的版本；如果 Codex 无法加载配置文件，检查~/.codex/config.toml的 TOML 语法，字符串必须用双引号包裹，且 provider 名称不要带连字符。这些都是在刚才的实测路径上真实会遇到的报错。

配置跑通之后，你可以先去 TaoToken 模型对话 里用同一把 Key 发一条消息，确认模型通道稳定。接下来如果打算长期用 Codex 写代码，去 Coding Plan 看一下套餐与 Token 额度，避免使用中突然被限流；需要新 Key 就到 控制台 API Keys 创建。关于 Codex 接入的更多字段说明，可以对照 Claude Code 接入文档，环境变量命名不同，但接入思路一致。