企业官网建设流程全解析

1. 从零到赚钱：个人开发者做 AI Agent 的真实卡点

AI Agent 这个词在 2026 年已经不算新鲜，但真正能跑起来、还能带来收入的个人项目依然不多。我观察下来，卡点往往不在“会不会写 Prompt”，而在三个地方：模型调用通道太散、工具接入没有标准、收益链路没有闭环。你可能会同时用 GPT 做规划、Claude 写文案、DeepSeek 跑批量任务，每换一个模型就要改一次 Key、改一次 base_url、改一次计费口径，最后代码里全是硬编码，维护成本比开发成本还高。

这篇内容面向的是想用 LangGraph 或 CrewAI 编排多智能体、通过 MCP 接入外部工具、并且希望最终能跑通一条收益链路的个人开发者。我会用 TaoToken 作为统一的模型调用入口，把 Key 管理和 API 通道收敛到一处，然后给你一套可复制的config.toml与settings.json骨架，再走一遍端到端的验证流程。你不需要先成为 Agent 专家，只要会 Python 基础、能跑通一次 HTTP 请求，就可以跟着做。

核心检索词先明确：AI Agent 是什么——它是能感知、规划、记忆并调用工具去完成任务的程序；能做什么——自动分析数据、生成报告、管理代码库、处理客服工单；适合谁——想用智能体做副业或内部工具的个人开发者与小团队。下面从环境准备开始，一步步把链路搭起来。

2. TaoToken 前置：统一 Key 与 API 通道

在动手写 Agent 之前，先把模型调用这一层收干净。TaoToken 的作用是提供一个统一的 API 入口，让你用同一个 Key 去调用不同厂商的模型，省掉为每个模型单独申请、单独配置的麻烦。对 Agent 项目来说，这一点很关键，因为多智能体系统里不同角色往往适合不同模型：规划用推理强的，写作用文笔好的，批量处理用成本低的。

你需要先拿到 API Key。访问控制台创建即可：

控制台入口：https://taotoken.net/console?utm_source=taotoken_aicg_blog_end&utm_content=console&utm_campaign=rewrite

创建完成后，在 API Keys 页面复制你的 Key：

API Keys 管理：https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api-keys&utm_campaign=rewrite

API 的基础地址是https://taotoken.net/api，注意这个地址不带任何查询参数，直接作为 base_url 使用。如果你用的是 OpenAI 兼容的 SDK，把base_url指向它、api_key填你刚创建的 Key 就能跑。想先确认模型列表和对话效果，可以打开模型对话页面试一条：

模型对话体验：https://taotoken.net/models?utm_source=taotoken_aicg_blog_end&utm_content=models&utm_campaign=rewrite

接入文档里有各语言 SDK 的示例，遇到参数不确定时优先查它：

接入文档：https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite

如果你打算长期跑编码类或 Agent 类任务，Coding Plan 会比按量调用更省心，适合高频、稳定的工作负载：

Coding Plan：https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding-plan&utm_campaign=rewrite

把 Key 存到环境变量里，不要写进代码。Linux/macOS 下可以这样：

export TAOTOKEN_API_KEY="sk-你的Key" export TAOTOKEN_BASE_URL="https://taotoken.net/api"

Windows PowerShell：

$env:TAOTOKEN_API_KEY="sk-你的Key" $env:TAOTOKEN_BASE_URL="https://taotoken.net/api"

这一步做完，后面所有 Agent 的模型调用都走这两个变量，换模型只改配置不改代码。

3. 可复制配置：config.toml 与 settings.json 骨架

Agent 项目最容易乱的地方就是配置。我建议把“模型通道”和“Agent 行为”分开：通道类配置放config.toml，Agent 角色、工具、预算放settings.json。这样你换模型时只动一个文件，调 Agent 逻辑时只动另一个。

先看config.toml，它负责模型接入层：

# config.toml —— 模型通道配置 [provider] name = "taotoken" base_url = "https://taotoken.net/api" api_key_env = "TAOTOKEN_API_KEY" # 从环境变量读取，不硬编码 timeout = 60 max_retries = 3 [models.planner] id = "gpt-4.1" temperature = 0.2 max_tokens = 2048 [models.writer] id = "claude-sonnet-4" temperature = 0.7 max_tokens = 4096 [models.batch] id = "deepseek-v4" temperature = 0.3 max_tokens = 8192 [budget] monthly_limit_usd = 100.0 warn_threshold = 0.8

再看settings.json，它描述 Agent 的角色分工和工具白名单：

{ "agent_name": "revenue_agent", "framework": "langgraph", "roles": { "planner": { "model": "planner", "system_prompt": "你是任务规划器，负责把用户目标拆解为可执行步骤。", "max_steps": 10 }, "writer": { "model": "writer", "system_prompt": "你是内容撰写者，根据规划结果产出结构化文本。", "max_steps": 5 }, "reviewer": { "model": "batch", "system_prompt": "你是质量审核员，检查事实一致性与格式规范。", "max_steps": 3 } }, "tools": { "allow": ["http_fetch", "file_read", "file_write", "sqlite_query"], "deny": ["shell_exec", "db_write_production"], "timeout_seconds": 30 }, "memory": { "short_term_limit": 20, "long_term_backend": "sqlite", "long_term_path": "./data/memory.db" }, "budget": { "per_task_usd": 0.5, "on_exceed": "downgrade_model" } }

两个文件配合的逻辑是：settings.json里写"model": "planner"，程序去config.toml的[models.planner]找具体模型 ID 和参数。这样你以后想把 planner 从gpt-4.1换成别的，只改config.toml一行，settings.json完全不用动。

读取配置的 Python 代码可以这样写：

import os import json import tomllib from openai import OpenAI def load_config(path="config.toml"): with open(path, "rb") as f: return tomllib.load(f) def load_settings(path="settings.json"): with open(path, "r", encoding="utf-8") as f: return json.load(f) def build_client(cfg): provider = cfg["provider"] api_key = os.environ.get(provider["api_key_env"]) if not api_key: raise RuntimeError(f"环境变量 {provider['api_key_env']} 未设置") return OpenAI( api_key=api_key, base_url=provider["base_url"], timeout=provider["timeout"], max_retries=provider["max_retries"], ) def resolve_model(cfg, role_name): model_cfg = cfg["models"][role_name] return model_cfg["id"], model_cfg

这段代码把“读配置”和“建客户端”分开，后面无论用 LangGraph 还是 CrewAI，都复用同一个 client。

4. 端到端跑通：LangGraph 编排 + MCP 工具 + 收益验证

配置就绪后，进入主体部分。我用 LangGraph 搭一个三节点工作流：规划、执行、审核。每个节点调用不同模型，工具通过 MCP 风格的接口接入。先装依赖：

pip install langgraph openai httpx pydantic

定义状态结构和工作流：

from typing import TypedDict, List from langgraph.graph import StateGraph, END from openai import OpenAI class AgentState(TypedDict): goal: str plan: List[str] draft: str review: str cost_usd: float def call_model(client, model_id, system_prompt, user_content, temperature=0.3): resp = client.chat.completions.create( model=model_id, messages=[ {"role": "system", "content": system_prompt}, {"role": "user", "content": user_content}, ], temperature=temperature, ) usage = resp.usage # 粗略成本估算，按输入/输出 token 计 cost = usage.prompt_tokens / 1_000_000 * 2.0 + usage.completion_tokens / 1_000_000 * 8.0 return resp.choices[0].message.content, cost

规划节点：

def planner_node(state: AgentState, client, cfg): model_id, mcfg = resolve_model(cfg, "planner") prompt = f"把以下目标拆解为不超过5个可执行步骤，每行一步：\n{state['goal']}" text, cost = call_model(client, model_id, "你是任务规划器。", prompt, mcfg["temperature"]) steps = [line.strip("- ").strip() for line in text.splitlines() if line.strip()] return {"plan": steps, "cost_usd": state.get("cost_usd", 0.0) + cost}

执行节点（这里模拟一个 MCP 工具调用，实际可替换为真实工具）：

import httpx def execute_node(state: AgentState, client, cfg): model_id, mcfg = resolve_model(cfg, "writer") plan_text = "\n".join(state["plan"]) # 模拟 MCP 工具：抓取一个公开数据源 tool_result = "" try: r = httpx.get("https://api.github.com/repos/langchain-ai/langgraph", timeout=10) tool_result = f"仓库星标数：{r.json().get('stargazers_count')}" except Exception as e: tool_result = f"工具调用失败：{e}" prompt = f"目标：{state['goal']}\n计划：\n{plan_text}\n工具结果：{tool_result}\n请产出结构化草稿。" text, cost = call_model(client, model_id, "你是内容撰写者。", prompt, mcfg["temperature"]) return {"draft": text, "cost_usd": state["cost_usd"] + cost}

审核节点：

def reviewer_node(state: AgentState, client, cfg): model_id, mcfg = resolve_model(cfg, "batch") prompt = f"检查以下草稿的事实一致性与格式，给出修改意见：\n{state['draft']}" text, cost = call_model(client, model_id, "你是质量审核员。", prompt, mcfg["temperature"]) return {"review": text, "cost_usd": state["cost_usd"] + cost}

组装图：

def build_graph(client, cfg): g = StateGraph(AgentState) g.add_node("planner", lambda s: planner_node(s, client, cfg)) g.add_node("execute", lambda s: execute_node(s, client, cfg)) g.add_node("reviewer", lambda s: reviewer_node(s, client, cfg)) g.set_entry_point("planner") g.add_edge("planner", "execute") g.add_edge("execute", "reviewer") g.add_edge("reviewer", END) return g.compile()

运行入口：

if __name__ == "__main__": cfg = load_config() settings = load_settings() client = build_client(cfg) app = build_graph(client, cfg) result = app.invoke({ "goal": "分析 LangGraph 当前热度并生成一段可发布的技术简报", "plan": [], "draft": "", "review": "", "cost_usd": 0.0 }) print("=== 计划 ===") print("\n".join(result["plan"])) print("=== 草稿 ===") print(result["draft"][:500]) print("=== 审核 ===") print(result["review"][:300]) print(f"=== 本次总成本估算：${result['cost_usd']:.4f} ===")

跑通后你会看到三段输出：规划步骤、草稿、审核意见，以及一个成本数字。这个成本数字就是收益链路的起点——你把它和你的定价对比，就知道单次任务是否赚钱。

收益验证的思路很直接：假设你把这个 Agent 包装成一个“技术简报生成服务”，对外报价 5 元一次，而单次模型成本是 0.02 美元（约 0.15 元），那么毛利空间就出来了。你可以用下面的脚本批量跑 10 次，统计平均成本：

total = 0.0 for i in range(10): r = app.invoke({"goal": f"生成第{i+1}期技术简报", "plan": [], "draft": "", "review": "", "cost_usd": 0.0}) total += r["cost_usd"] print(f"10次平均成本：${total/10:.4f}")

如果平均成本稳定在预算内，说明这条链路具备可复制性。接下来要做的就是把它接到真实的收益场景：比如定时生成行业简报卖给订阅用户，或者作为内部工具替代人工整理。

5. 本篇常见错排查

跑 Agent 时最容易撞的几个坑，我按现象、原因、解决列出来，方便你对照。

报错 401 Unauthorized：多半是环境变量没生效。检查echo $TAOTOKEN_API_KEY是否有值，注意不要在代码里写死 Key 后又忘了同步环境变量。如果用的是 IDE 内置终端，重启终端再试。

报错 model not found：config.toml里的模型 ID 拼错了，或者该模型不在你的可用列表里。先去模型对话页面确认模型名称，再回填配置。

Agent 卡在某个节点不结束：LangGraph 的图如果没有正确连到END，或者节点内部有死循环。检查add_edge是否覆盖了所有分支，规划节点的max_steps是否生效。

工具调用超时：MCP 工具或外部 HTTP 请求没有设超时。在settings.json的tools.timeout_seconds里统一配置，代码里也要给 httpx 传timeout参数。

成本失控：没有预算上限。config.toml的[budget]段要真正接入逻辑，每次调用后累加成本，超过per_task_usd就降级到便宜模型或直接中断。

上下文越来越长导致变慢：短期记忆没有裁剪。settings.json里的short_term_limit要生效，超过就丢弃最早的记录，只保留最近 N 条。

多 Agent 抢同一资源：两个节点同时写同一个文件或数据库。给写操作加锁，或者改成串行执行，LangGraph 里用边控制顺序即可。

审核节点总是通过：审核 Prompt 太宽松。把审核标准写具体，比如“检查数字是否与工具结果一致、检查是否有未验证的断言”，而不是笼统的“检查质量”。

6. 继续深入：把 Agent 变成可持续的收入工具

链路跑通只是第一步。要让 Agent 真正带来收入，你需要把它从“能跑”推进到“能稳定交付”。我的经验是，先固定一个垂直场景，比如技术简报、竞品监控、代码库周报，把这条链路的成功率和成本摸清楚，再考虑扩展。

模型调用层继续用 TaoToken 统一管理，换模型、加模型都只改config.toml。需要长期跑编码或 Agent 任务时，Coding Plan 能帮你把成本压得更稳：

Coding Plan：https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding-plan&utm_campaign=rewrite

如果你在接入过程中遇到参数或鉴权问题，优先查接入文档，里面覆盖了常见 SDK 的配置方式：

接入文档：https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite

想快速验证某个模型在你这套 Agent 里的表现，直接去模型对话页面试一条真实任务：

模型对话：https://taotoken.net/models?utm_source=taotoken_aicg_blog_end&utm_content=models&utm_campaign=rewrite

Key 管理和额度查看都在控制台：

控制台：https://taotoken.net/console?utm_source=taotoken_aicg_blog_end&utm_content=console&utm_campaign=rewrite

最后提醒一句：Agent 的收益不来自“用了多新的框架”，而来自“把一件重复的事稳定地自动化”。先把一条链路跑顺，再谈扩展。