企业官网建设流程全解析

1. 从 pnpm 构建脚本报错到模型 Top10：DSH 规模化的第一道坎

如果你在 DSH 里撞到pnpm v9+ 默认禁止依赖包运行 install 脚本，或者发现会话轨迹只能看本机当前会话，先把模型供应商切到 TaoToken：TaoToken 官网。在官网拿到 API Key 后，把 Base URL 统一写成https://taotoken.net/api。这一步看起来只是换地址，实际决定了后面能不能把 DSH 的模型调用、腾讯云 Agent 可观测的 Span、以及不同 Agent 的 Token 账本串到同一条线上。

DSH 是 DeepSeek 开源的编码 Agent 框架，命令行名dsh。它采用 Cordis 微内核加插件化组织能力，模型适配器、工具集、沙箱策略、会话持久化都能按 profile 装配。一次用户任务是一个 turn，turn 内每一轮推理、工具调用、观察结果是一个 step。执行结构由模型在运行时决定，因此你很难在跑之前知道它会调用几次模型、哪些工具、消耗多少 Token。DSH 自带会话轨迹、Session 事件流落盘和工具调用检索，这些能力对单人、单机、单会话调试很友好；但当你有一批机器、多个 profile、多个 Agent 同时跑，问题就变成：模型调用 Top10 是谁？哪个 Agent 在消耗？Token 是输入长还是输出长？失败重试有没有重复计费？这些答案不能只靠翻本机 JSONL，需要跨会话、跨机器、长期留存的结构化调用链。

本文围绕一个具体目标展开：在 DSH 里接入 TaoToken 作为模型入口，再通过tencentcloud-agentobs-sdk-dsh上报运行时事件，最终在腾讯云 Agent 可观测里产出模型 DSH 调用 Top10 视图，并用 Agent 维度筛选解释 Token 消耗来源。你会看到可复制的环境变量、cordis.patch.yml配置、pnpm v9+ 构建脚本报错处理，以及 Claude Code、Codex、CC Switch 的同一套 Key 复用方式。

2. TaoToken 接入 DSH：Base URL、Key 与模型适配器配置

TaoToken 的角色是统一模型入口和 Key 管理。先去 TaoToken 官网 完成注册，然后创建 API Key。Key 占位符在本文里统一写成YOUR_API_KEY，不要提交到代码仓库，也不要把真实 Key 写进 profile 文件后推送到 Git。

DSH 的模型适配器是插件，不同版本、不同 profile 读取的配置键名可能不同。下面给两种方式：优先用环境变量注入，再用cordis.patch.yml做显式覆盖。如果你的适配器支持 OpenAI 兼容协议，先设置：

# 统一模型入口 export TAOTOKEN_API_KEY="YOUR_API_KEY" export OPENAI_API_KEY="${TAOTOKEN_API_KEY}" export OPENAI_BASE_URL="https://taotoken.net/api" # 默认模型按你的 DSH 适配器实际支持的名称填写 export DSH_DEFAULT_MODEL="deepseek-chat"

如果 DSH 的模型适配器插件自己声明了baseURL、apiKey、model等字段，则把cordis.patch.yml里的对应段落指向 TaoToken。下面是一个结构示意，键名以你当前 profile 已安装的适配器为准：

# $DSH_HOME/profiles/default/cordis.patch.yml # 可观测插件 + 模型适配器落点示意 plugins: tencentcloud-agentobs-sdk-dsh: topicId: ${CLS_TOPIC_ID} secretId: ${TENCENTCLOUD_SECRET_ID} secretKey: ${TENCENTCLOUD_SECRET_KEY} region: ap-guangzhou captureContent: false modelProvider: baseURL: https://taotoken.net/api apiKey: ${TAOTOKEN_API_KEY} defaultModel: deepseek-chat

显式插件配置通常优先于环境变量。因此建议把敏感信息留在环境变量或密钥管理工具里，配置文件只写变量引用。这样同一台机器上的多个 DSH profile 可以共享配置结构，只替换 Key 和模型名。

2.1 多 Agent 多 Key：让“谁在消耗”有归因基础

如果你的团队同时跑代码生成、代码审查、测试补全、文档同步、夜间批处理，建议不要所有 Agent 共用一个 Key。去 TaoToken API Keys 页面按角色创建多个 Key，命名带业务含义：

然后在每个 profile 的启动脚本里注入不同 Key：

# ~/.dsh/profiles/codegen/env.sh export TAOTOKEN_API_KEY="YOUR_API_KEY" export OPENAI_API_KEY="${TAOTOKEN_API_KEY}" export OPENAI_BASE_URL="https://taotoken.net/api" export AGENT_NAME="codegen" export PROJECT_NAME="my-repo" export ENV="prod"

这样在可观测侧可以按应用、资源属性或 Key 别名筛选，在 TaoToken 侧也能按 Key 看调用与消耗。模型 Top10 回答“哪些模型被调用最多”，Agent 维度回答“谁把 Token 花掉了”。

3. 上报链路：安装 tencentcloud-agentobs-sdk-dsh 并解决 pnpm v9+ 构建脚本

要让模型 Top10 和 Agent 维度筛选有数据，必须先把 DSH 运行时事件变成结构化 Span。tencentcloud-agentobs-sdk-dsh是挂在 DSH 插件层的采集插件：它旁路订阅运行时事件，在流式输出外做只读观察，维护状态树，把一次任务还原为带父子关系和时间区间的调用链，再批量上报到腾讯云 Agent 可观测。它不要求你改业务代码，也不需要额外常驻采集进程。

当前版本对 DSH 和 Node.js 有要求，先核对：

node -v # 期望 >=22.19.0 npm i -g deepseek-harness dsh --version # 期望 >=0.1.0-rc.6 <0.2.0

安装插件：

cd ~/.dsh/profiles/default pnpm add tencentcloud-agentobs-sdk-dsh

pnpm v9+ 默认禁止依赖包运行 install 脚本。如果安装时看到构建脚本被忽略，进入对应 profile 目录执行一次批准：

cd ~/.dsh/profiles/default pnpm approve-builds # 交互提示里选中 tencentcloud-agentobs-sdk-dsh

如果团队使用 headless 或 harness profile，把路径换成~/.dsh/profiles/headless或~/.dsh/profiles/harness。安装或更新插件后，需要重启 DSH 服务才会生效。

3.1 创建 Agent 可观测应用并拿到 CLS_TOPIC_ID

进入日志服务控制台，左侧导航选择 Agent 可观测，单击应用接入，创建应用时接入方式选择 DeepSeek Harness。进入应用详情，在日志主题列表里找到名称为{应用名称}-trace-topic的日志主题，复制它的 ID。这个 ID 对应配置里的CLS_TOPIC_ID或topicId。

准备访问凭证：

export CLS_TOPIC_ID="你的日志主题ID" export TENCENTCLOUD_SECRET_ID="你的SecretId" export TENCENTCLOUD_SECRET_KEY="你的SecretKey" export TENCENTCLOUD_REGION="ap-guangzhou"

建议使用 CAM 子账号或临时密钥，并只授予日志写入所需权限。启动并验证：

dsh service restart dsh run "读取当前目录 package.json 并总结依赖"

至少触发一次模型调用后，在 Agent 可观测控制台查看 Traces、Spans、Sessions。如果暂时不想采集提示词、响应和工具参数，保持：

plugins: tencentcloud-agentobs-sdk-dsh: captureContent: false

需要卸载时：

cd ~/.dsh/profiles/default pnpm remove tencentcloud-agentobs-sdk-dsh dsh service restart

3.2 五层调用树：模型 Top10 的数据地基

插件把一次任务映射为五层 Span：entry、agent、step、chat、tool。一个 turn 对应一条 trace，多轮对话通过gen_ai.session.id横向关联；每次真实模型调用生成独立 chat Span，用dsh.llm.attempt标记序号，因此重试不会被合并；流未收尾、step 提前结束、用户中断等场景也会补发带错误码的 Span。各层属性遵循 OpenTelemetry GenAI 语义约定，便于和既有可观测体系对齐。模型 Top10 的原始数据就来自 chat Span 上的模型名称、输入 Token、输出 Token、耗时、结束原因和重试次数。

4. 模型 DSH 调用 Top10 视图怎么读：调用次数、Token、耗时与错误率

进入腾讯云 Agent 可观测后，总览仪表盘通常能看到请求数、错误数、模型调用次数、Input/Output Tokens、Agent 与模型 Top10、平均 TTFT。性能页有耗时直方图和 P50/P90/P99 分位趋势，以及模型平均耗时 Top10。成本 & Token 页可以继续按会话、模型、工具聚合。你要关注的不只是排名，而是排名背后的口径。

模型 Top10 有两种排序方式：按调用次数排序，适合看哪个模型被 Agent 高频使用；按总 Tokens 排序，适合看成本集中在哪里。很多团队第一次接完可观测会发现，调用次数最多的不是成本最高的，某个 Agent 用强模型做长上下文总结，Input Tokens 会远远压过其他任务。

为了避免 Top10 被拆散，模型命名要统一。在 DSH 模型适配器里固定defaultModel，不要一个 profile 写deepseek-chat，另一个写deepseek或带日期的别名。否则控制台会把它当成多个模型，排行失真。需要区分版本时，用单独的属性字段，不要混在模型名里。

下钻路径可以按这个顺序：

1. 总览页看模型 Top10，先按总 Tokens 排序。
2. 选中 Top1 模型，跳到成本 & Token。
3. 按 Agent 属性过滤，确认是哪个 Agent 贡献。
4. 按 Session 排序，找 Token 最高的会话。
5. 打开 Trace，展开到 chat Span。
6. 对比同一 step 内 tool Span 的返回大小。
7. 检查dsh.llm.attempt是否大于 1。
8. 记录优化前后的 P95 与总 Tokens。

5. Agent 维度筛选：TaoToken 下哪些 Agent 在消耗

模型 Top10 只能说明哪个模型被调用得多，不能直接回答“哪个 Agent 在消耗”。Agent 维度筛选需要额外的标识。最稳的做法是把 Agent 身份放进 DSH profile、应用名和资源属性里，同时在 TaoToken 侧用不同 Key 做账单隔离。

推荐标记字段：

如果插件当前支持自定义资源属性，把AGENT_NAME、PROJECT_NAME、ENV注入到上报属性中。筛选时先看 Agent Top10，再切到某个 Agent 看模型分布。如果插件版本暂不支持自定义属性，用物理隔离：一个 Agent 一个 Agent 可观测应用，或者一个 Agent 一个日志主题。应用列表里会显示已接入应用、上报中应用、昨日写入量与昨日 Token 总数，横向对比也能定位消耗大户。

假设你有五个 Agent，筛选后的观察可以这样记录：

在 TaoToken API Keys 页面按别名创建 Key 后，每个 Agent 的调用会落在不同 Key 上。结合可观测里的应用名和属性，你可以同时回答两个问题：可观测链路里哪个 Agent 调用最多，TaoToken 账单里哪个 Key 消耗最多。两边对齐后，成本归属就不再靠猜。

6. Token 消耗来源拆解：输入、输出、工具返回与重试

五层调用树里，chat Span 承载模型调用信息，tool Span 承载工具执行信息。Token 统计主要在 chat Span。要解释消耗来源，需要把输入和输出分开看。

输入 Token 常见来源：

• 系统提示与角色说明；
• 历史会话上下文；
• 文件片段与代码搜索结果；
• 工具返回的命令输出、日志、diff；
• 失败重试时重复发送的上下文。

输出 Token 常见来源：

• 模型推理内容；
• 工具调用参数；
• 代码补丁；
• 总结与说明文字。

最容易导致成本突然上升的是工具返回膨胀。一个读取大文件的工具把完整内容塞回上下文，下一轮模型调用就要重新处理这些输入。修复方式不是简单换模型，而是在 DSH 工具层限制输出长度、只保留 diff、分页读取、对命令输出做截断和摘要。

重试也会造成重复消耗。插件把每次真实模型调用画成独立 chat Span，并用dsh.llm.attempt标记序号。如果某个模型错误率高，重试次数多，Top10 里的总 Tokens 会包含这些重复调用。排查时按错误类型筛选：工具调用失败、LLM 调用失败、Root span 状态码异常、Agent 执行失败。模型侧失败和工具侧失败要分开处理。

一个可执行的排查清单：

1. 总览页按总 Tokens 排序模型 Top10。
2. 选中 Top1 模型，进入成本 & Token。
3. 按 Agent 筛选，找出贡献最大的 Agent。
4. 按 Session 排序，定位 Token 最高的会话。
5. 打开 Trace，找到 Input Tokens 最大的 chat Span。
6. 看它前一个 tool Span 的返回体积。
7. 检查是否出现多次dsh.llm.attempt。
8. 优化工具返回、历史会话摘要或模型选择。
9. 对比优化前后的总 Tokens、P95 和错误率。

优化动作可以分四类：为不同 Agent 分配不同模型，代码生成用强模型，文档总结用轻量模型；工具返回统一截断，避免把大段日志直接回灌；长会话定期摘要，减少历史上下文；失败重试加退避和上限，避免无效重试放大成本。

7. 同一套 TaoToken Key 复用到 Claude Code、Codex 与 CC Switch

很多团队不是只用 DSH，还会同时用 Claude Code、Codex 等 Coding Agent。TaoToken 的 Base URL 和 Key 可以复用，但变量名和配置文件不要混用。Claude Code 走settings.json和ANTHROPIC_*，Codex 走config.toml，不要把ANTHROPIC_*套到 Codex。

Claude Code 配置文件~/.claude/settings.json：

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

Codex 配置文件~/.codex/config.toml：

model = "deepseek-chat" model_provider = "taotoken" [model_providers.taotoken] name = "TaoToken" base_url = "https://taotoken.net/api" env_key = "TAOTOKEN_API_KEY"

CC Switch 场景下先确认三件套：

供应商：TaoToken Base URL：https://taotoken.net/api API Key：YOUR_API_KEY 默认模型：按团队规范选择

如果你在 DSH 里已经用环境变量注入TAOTOKEN_API_KEY，Claude Code 和 Codex 可以复用同一个 Key，但建议按工具或项目分 Key，避免账单混在一起。需要 Claude Code 的完整变量格式时，可以查看 Claude Code 文档。

8. 总结：从 Top10 到可执行的降本动作

DSH 原生的会话轨迹、事件流落盘和工具检索解决了本机、单会话、实时调试问题。tencentcloud-agentobs-sdk-dsh把同一批运行时事件还原成五层调用链，补上跨会话聚合、跨机汇聚、长期留存和告警。再配合 TaoToken 作为统一模型入口，按 Agent 分配 Key，模型 DSH 调用 Top10 就不再只是一个排名，而是可以下钻到 Agent、Session、Trace、chat Span 和 tool Span 的成本账本。

落地顺序建议是：先拿 Key，把 Base URL 设为https://taotoken.net/api；再装可观测插件，确认 Trace 能上报；然后按 Agent 拆 Key、拆 profile；最后用模型 Top10 和 Agent 维度筛选定位消耗来源。如果你还没注册，从 TaoToken 官网 开始。

想先验证模型响应，走 模型对话；准备长期跑 Agent，看 Coding Plan；要给多个 Agent 分 Key，进 API Keys；Claude Code 的配置格式，直接对照 Claude Code 文档。