企业官网建设流程全解析

1. 把红队评估脚本的 OpenAI 入口切到 TaoToken：从 401 与 base_url 报错开始

最近围绕 Anthropic 与 OpenAI 驻场第三方安全评估的讨论很多，但评估脚本最终要落到 TaoToken 的 Key 与 Base URL 上：先到 TaoToken 官网（https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_content=sec_eval_intro）新建调用凭据，再把 Base URL 设为https://taotoken.net/api。我这边复现 METR、Redwood Research 风格的红队脚本时，最先撞到的不是策略问题，而是401 invalid_api_key和404 not_found：脚本里把 OpenAI 入口写死在 SDK 默认地址，另一个脚本直接拼https://api.openai.com/v1/chat/completions。下面记录一套可复现的入口片段、curl 命令、配置文件和调用日志对照，重点不是讨论评估机构是否独立，而是让评估脚本/API 调用方能把请求稳定打到 TaoToken，并且能从日志里还原每一次调用。

2. 先约定三个变量：TAOTOKEN_API_KEY、TAOTOKEN_BASE_URL、TAOTOKEN_MODEL

在改任何红队脚本前，先把 Key、入口和模型名从代码里抽出来。这样 METR 风格的任务脚本、Redwood 风格的红队 runner、你自己的评测 harness 都可以共用一套环境。新建 Key 的路径是：打开 TaoToken 官网（https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_content=sec_eval_key），进入控制台，在 API Keys 页面创建新的调用凭据。Key 只放环境变量，不要提交到仓库，也不要在日志里完整打印。Base URL 固定写成https://taotoken.net/api，不要加 UTM，不要加尾斜杠。模型名先用一个连通性测试模型，正式评估时再换成控制台里可用的模型 ID。

export TAOTOKEN_API_KEY="YOUR_API_KEY" export TAOTOKEN_BASE_URL="https://taotoken.net/api" export TAOTOKEN_MODEL="gpt-4o-mini"

如果你要给评估脚本单独建 Key，建议把 Key 名称写成redteam-eval-harness或metr-style-runner，这样后面从用量维度归因时，不会和聊天客户端、Coding Plan 的 Key 混在一起。这里说“建议”是因为不同团队对 Key 的隔离粒度不同；核心原则是评估脚本不要复用生产交互 Key。

然后检查环境：

test -n "$TAOTOKEN_API_KEY" && echo "key set" echo "${TAOTOKEN_BASE_URL}" python -c "import os; print(os.environ['TAOTOKEN_BASE_URL'])"

如果输出为空，先解决 shell profile、CI secret、容器环境变量注入问题，再改脚本。很多401并不是 Key 错，而是脚本运行环境根本没读到变量。

3. OpenAI Python SDK 改造：只改 base_url 和 api_key，不重写评估逻辑

如果你的红队脚本使用 OpenAI Python SDK，最小改动是初始化客户端时传入base_url。不要把每个请求 URL 都写死，也不要在业务代码里散落api.openai.com。下面是一个可运行的连通性测试片段，结构上对应评估脚本里的“发一条受控请求，记录响应”。

import os from openai import OpenAI client = OpenAI( api_key=os.environ["TAOTOKEN_API_KEY"], base_url=os.environ.get("TAOTOKEN_BASE_URL", "https://taotoken.net/api"), ) resp = client.chat.completions.create( model=os.environ.get("TAOTOKEN_MODEL", "gpt-4o-mini"), messages=[ {"role": "system", "content": "你是评估脚本的连通性检查器，只返回简短 JSON。"}, {"role": "user", "content": "返回 {\"ok\": true, \"task\": \"smoke\"}。"}, ], temperature=0, extra_headers={"X-Eval-Suite": "redteam-smoke"}, ) print("response_id=", resp.id) print("model=", resp.model) print("content=", resp.choices[0].message.content) print("usage=", resp.usage)

这里的关键点：

• api_key用YOUR_API_KEY对应的真实值，代码里只读环境变量。
• base_url是https://taotoken.net/api。
• extra_headers是自定义追踪头，方便把脚本日志和平台调用记录对上。如果平台不返回该头，它至少会出现在你的本地请求日志里。
• model不要凭记忆写，正式跑之前从模型对话页或控制台复制可用模型 ID。

如果你的脚本是异步版，初始化方式一样：

from openai import AsyncOpenAI client = AsyncOpenAI( api_key=os.environ["TAOTOKEN_API_KEY"], base_url=os.environ.get("TAOTOKEN_BASE_URL", "https://taotoken.net/api"), )

异步并发是红队脚本常见的加速手段，但评估流量要控制并发。先单并发跑通，再逐步提高，否则429会掩盖真正的入口错误。

4. curl 最小复现：一条命令验证 /v1/chat/completions 拼接是否正确

有些评估脚本不用 SDK，而是直接requests.post或httpx。这时最容易错的是 URL 拼接：Base URL 是https://taotoken.net/api，OpenAI 兼容路径通常要补/v1/chat/completions。先用 curl 确认路径、Header 和响应格式。

export TAOTOKEN_API_KEY="YOUR_API_KEY" export TAOTOKEN_BASE_URL="https://taotoken.net/api" curl -sS "${TAOTOKEN_BASE_URL}/v1/chat/completions" \ -H "Authorization: Bearer ${TAOTOKEN_API_KEY}" \ -H "Content-Type: application/json" \ -H "X-Eval-Trace: smoke-001" \ -d '{ "model": "gpt-4o-mini", "messages": [ {"role": "user", "content": "ping from eval harness"} ], "temperature": 0 }' | tee /tmp/taotoken_eval_curl.json

查看关键字段：

jq '{id, model, created, usage}' /tmp/taotoken_eval_curl.json

如果返回结构里有id、model、choices、usage，说明入口基本正确。接下来把 curl 换成脚本里的 requests：

import json import logging import os import time import uuid import requests url = "https://taotoken.net/api/v1/chat/completions" trace_id = str(uuid.uuid4()) headers = { "Authorization": f"Bearer {os.environ['TAOTOKEN_API_KEY']}", "Content-Type": "application/json", "X-Eval-Trace": trace_id, } payload = { "model": os.environ.get("TAOTOKEN_MODEL", "gpt-4o-mini"), "messages": [ {"role": "user", "content": "ping from requests harness"} ], "temperature": 0, } start = time.time() resp = requests.post(url, headers=headers, json=payload, timeout=60) latency_ms = int((time.time() - start) * 1000) record = { "trace_id": trace_id, "http_status": resp.status_code, "latency_ms": latency_ms, "url": url, "content_type": resp.headers.get("content-type"), } try: body = resp.json() record.update({ "response_id": body.get("id"), "model": body.get("model"), "usage": body.get("usage"), "content": body.get("choices", [{}])[0].get("message", {}).get("content"), }) except Exception: record["body_prefix"] = resp.text[:500] logging.basicConfig(level=logging.INFO) logging.info(json.dumps(record, ensure_ascii=False)) if resp.status_code >= 400: raise SystemExit(f"request failed: {resp.status_code}")

这段可以直接塞进评估 harness 的请求封装层。注意timeout=60不要省，红队任务有时单请求较慢，但完全不设超时会让失败卡死。

5. 红队脚本常见报错对照：401、404、model_not_found、429 分别怎么排查

迁移 API 入口时，错误信息通常比模型输出更有价值。下面按“现象 → 可能原因 → 本地动作”整理。

这张表里最值得先做的是 URL 归一化。把https://taotoken.net/api定义成常量，所有 SDK 和 requests 都从同一个配置读取。不要在一个脚本里写https://taotoken.net/api/，另一个写https://taotoken.net/api/v1，第三个写完整/v1/chat/completions。入口越多，404 越难查。

6. Claude Code 接入：settings.json 与 ANTHROPIC_* 的正确写法

如果你在评估工作流里用 Claude Code 做脚本辅助、日志摘要或配置检查，需要把 Claude Code 的供应商入口也切到 TaoToken。Claude Code 走ANTHROPIC_*环境变量，不要和 Codex 的配置混在一起。最直接的方式是在~/.claude/settings.json或项目级.claude/settings.json写：

{ "env": { "ANTHROPIC_BASE_URL": "https://taotoken.net/api", "ANTHROPIC_AUTH_TOKEN": "YOUR_API_KEY", "ANTHROPIC_MODEL": "claude-sonnet-4-20250514", "ANTHROPIC_SMALL_FAST_MODEL": "claude-3-5-haiku-20241022" } }

如果使用 shell 环境变量：

export ANTHROPIC_BASE_URL="https://taotoken.net/api" export ANTHROPIC_AUTH_TOKEN="YOUR_API_KEY" export ANTHROPIC_MODEL="claude-sonnet-4-20250514" export ANTHROPIC_SMALL_FAST_MODEL="claude-3-5-haiku-20241022"

说明两点：

1. 模型 ID 以 TaoToken 控制台或模型对话页可用列表为准，上面只是示例写法。
2. 不同版本的 Claude Code 对 Key 变量名可能有差异，如果ANTHROPIC_AUTH_TOKEN不生效，按 Claude Code 文档改用对应的ANTHROPIC_API_KEY形式。不要同时导出多个来源的 Key，避免请求打到错误的供应商。

CC Switch 的三件套可以这样填：

供应商名称：TaoToken Base URL：https://taotoken.net/api API Key：YOUR_API_KEY 模型：按控制台可用模型填写

在 CC Switch 里新增自定义供应商后，切换过去，再打开 Claude Code 的配置文件确认 env 已经变成ANTHROPIC_BASE_URL=https://taotoken.net/api。如果切换后仍然 401，优先检查 CC Switch 是否把旧供应商的ANTHROPIC_AUTH_TOKEN留在系统环境里。Shell 环境变量通常比配置文件优先级更直接，残留变量会覆盖你的新配置。

7. Codex CLI 接入：config.toml 里不要套 ANTHROPIC_*

Codex CLI 读取的是~/.codex/config.toml，不是 Claude Code 的ANTHROPIC_*。把 TaoToken 作为自定义 model provider 写入：

# ~/.codex/config.toml model = "gpt-5-codex" model_provider = "taotoken" model_reasoning_effort = "medium" [model_providers.taotoken] name = "TaoToken" base_url = "https://taotoken.net/api" env_key = "TAOTOKEN_API_KEY" wire_api = "chat"

然后在 shell 里设置：

export TAOTOKEN_API_KEY="YOUR_API_KEY"

如果你的 Codex 版本要求 Responses API，把wire_api改成responses再试。关键是 provider 的base_url和env_key要指向 TaoToken 和TAOTOKEN_API_KEY。不要写：

# 错误示例：Codex 不要套 Claude Code 的变量 env_key = "ANTHROPIC_AUTH_TOKEN" base_url = "https://taotoken.net/api"

Codex 和 Claude Code 的鉴权变量、请求协议、配置路径不同。混用会表现为 401、404 或协议不匹配。排障时先运行：

codex --version echo "$TAOTOKEN_API_KEY"

再检查config.toml是否被当前用户加载。容器、远程开发机、CI 里的 HOME 不同，配置文件路径也可能不同。

8. 调用日志对照：把脚本 trace、响应 id、usage 和控制台用量串起来

评估脚本需要可复现，日志至少记录以下字段：

• trace_id：脚本生成的 UUID，放在X-Eval-Trace请求头。
• http_status：HTTP 状态码。
• latency_ms：请求耗时。
• response_id：响应里的id。
• model：响应里的model，用于确认实际模型。
• usage：提示词、补全、总 token 数。
• key_name：如果使用独立 Key，记录用途名称，不要记录完整 Key。

一个更贴近评估 harness 的封装可以这样写：

import json import os import time import uuid from dataclasses import dataclass, asdict import requests @dataclass class EvalCallRecord: trace_id: str key_name: str model: str http_status: int latency_ms: int response_id: str | None usage: dict | None error: str | None def call_taotoken(prompt: str, key_name: str = "redteam-eval-harness") -> EvalCallRecord: trace_id = str(uuid.uuid4()) url = "https://taotoken.net/api/v1/chat/completions" headers = { "Authorization": f"Bearer {os.environ['TAOTOKEN_API_KEY']}", "Content-Type": "application/json", "X-Eval-Trace": trace_id, } payload = { "model": os.environ.get("TAOTOKEN_MODEL", "gpt-4o-mini"), "messages": [{"role": "user", "content": prompt}], "temperature": 0, } start = time.time() resp = requests.post(url, headers=headers, json=payload, timeout=90) latency_ms = int((time.time() - start) * 1000) body = None error = None try: body = resp.json() except Exception as exc: error = f"non-json body: {resp.text[:200]}" record = EvalCallRecord( trace_id=trace_id, key_name=key_name, model=os.environ.get("TAOTOKEN_MODEL", "gpt-4o-mini"), http_status=resp.status_code, latency_ms=latency_ms, response_id=body.get("id") if isinstance(body, dict) else None, usage=body.get("usage") if isinstance(body, dict) else None, error=error, ) print(json.dumps(asdict(record), ensure_ascii=False)) return record if __name__ == "__main__": call_taotoken("只回复 ok")

日志输出示例：

{"trace_id":"9f0c...","key_name":"redteam-eval-harness","model":"gpt-4o-mini","http_status":200,"latency_ms":842,"response_id":"chatcmpl-...","usage":{"prompt_tokens":12,"completion_tokens":2,"total_tokens":14},"error":null}

把这份 JSON 日志按行写入eval_calls.jsonl，再用脚本汇总：

python - <<'PY' import json from collections import Counter records = [json.loads(line) for line in open("eval_calls.jsonl", encoding="utf-8")] print(Counter(r["http_status"] for r in records)) print("total tokens:", sum((r["usage"] or {}).get("total_tokens", 0) for r in records)) PY

如果要和 TaoToken 侧记录对照，建议先在官网（https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_content=sec_eval_audit）确认控制台是否有对应 Key 的用量/调用记录页面。对照时至少包含时间窗口、Key 名称、模型、请求数、token 用量。不同控制台展示字段可能不同，不要强行匹配不存在的字段；脚本侧的trace_id和response_id才是你排障的第一依据。

9. 上线前检查清单：评估脚本入口迁移不要只改一行

把 OpenAI 安全评估脚本的入口指向 TaoToken，不是把api.openai.com替换成taotoken.net就结束。建议按下面清单过一遍：

1. 凭据独立：为评估脚本单独创建 Key，名称可读，不和生产 Key 混用。创建入口在 TaoToken 官网（https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_content=sec_eval_check）。
2. 入口唯一：所有 SDK 和 requests 都从TAOTOKEN_BASE_URL=https://taotoken.net/api读取，禁止散落硬编码。
3. 模型可查：模型 ID 从模型对话页或控制台复制，不凭记忆写。
4. 日志完整：至少记录trace_id、http_status、latency_ms、response_id、model、usage。
5. 重试受控：429和5xx用指数退避，评估 runner 设置最大并发。
6. 配置隔离：Claude Code 用ANTHROPIC_*，Codex 用config.toml和TAOTOKEN_API_KEY，CC Switch 只填供应商名称、Base URL、API Key 三件套中的对应值。
7. 异常留证：非 JSON 响应、超时、401、404 都要把状态码和 body 前缀写入日志。
8. 回滚路径：保留一个开关，可以把评估脚本切回原入口做对照，但默认路径走 TaoToken。
9. 安全边界：评估脚本只在你自己的受控环境执行，不把平台 Key 写入脚本仓库，不把敏感样例放进公开日志。
10. 文档同步：把https://taotoken.net/api和YOUR_API_KEY的配置方式写进团队 README，避免每个成员重新踩一遍 404。

做完这些，你的红队评估脚本、API 调用方和日常 Coding 工具就能共用一套 TaoToken 入口，同时保留可审计的调用日志。需要快速验证模型可用性，可以先到模型对话页面发一条测试消息；需要长期跑评估和编码任务，可以看 Coding Plan；需要新建或轮换 Key，直接进 API Keys 控制台；Claude Code 的环境变量和 settings.json 写法则以文档为准。

• 模型对话：https://taotoken.net/models/detail/chat?utm_source=taotoken_aicg_blog_end&utm_content=sec_eval_chat
• Coding Plan：https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=sec_eval_plan
• 创建 Key：https://taotoken.net/console/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=sec_eval_keys
• Claude Code 文档：https://taotoken.net/doc/ClaudeCodeAnthropic?utm_source=taotoken_aicg_blog_end&utm_content=sec_eval_doc