企业官网建设流程全解析

1. 从“AI 员工”到“自进化智能体”，我为什么盯上了 DGM-H

如果你玩过 Hermes、OpenClaw、Claude Code 这类工具，大概会有一种感觉：它们确实好用，能帮你写代码、查资料、跑任务，但本质上还是“你让它干什么，它就干什么”的 AI 员工。它们依赖大模型，扩展了大模型，但离“自己会成长”这件事还差得远。

DGM-H 自进化智能体吸引我的地方就在这。它不是那种你问一句它答一句的助手，而是一个会自己跑循环、自己改代码、自己保存进化成果的系统。你把它启动起来，它会持续地尝试、失败、修正、再尝试，像一个刚出生的小宝宝，需要你喂它环境、喂它模型通道，然后看着它一点点长大。

但问题也来了。DGM-H 的本地接入并不像装个 VS Code 插件那么简单。它涉及容器、数据库、API 通道、模型 Key 配置、自进化循环触发条件，任何一个环节没对上，容器就起不来，或者起来了但模型调用失败，进化循环空转。我踩过的坑包括：config.toml 里 Key 填错位置、settings.json 里模型名和实际通道不匹配、archive 数据 0 条目导致保存逻辑不触发。

这篇文章聚焦一件事：用 TaoToken 统一 Key 和 API 通道，把 DGM-H 自进化智能体在本地跑通。我会给出可复制的 config.toml 与 settings.json 骨架，说明统一 Key 填在哪里，并附一次最小验证动作——启动后确认模型调用成功、自进化循环正常触发。目标很简单：让你少走弯路，完成从零到跑通的第一步。

2. TaoToken 前置：统一 Key 与 API 通道怎么准备

DGM-H 的模型调用层需要两个东西：一个能稳定访问的 API 地址，和一个能覆盖多个模型的 Key。如果你每个模型都去单独申请 Key、单独配 base_url，config 会变得很乱，排障时也难定位是哪个通道出了问题。

TaoToken 在这里的角色是统一入口。你可以在官网注册后拿到一个 Key，然后用同一个 Key 去调用不同模型。对 DGM-H 来说，这意味着 config.toml 里只需要维护一份 API Key 和一个 base_url，settings.json 里切换模型时只改模型名，不用改通道。

具体操作路径：

• 打开官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，注册并登录。
• 进入控制台，找到 API Keys 页面，创建一个新的 Key。建议命名成 dgm-h-local，方便后面排障时区分。
• 记录两个值：API Key（sk- 开头）和 API Base URL。Base URL 用 https://taotoken.net/api ，注意这个地址后面不加 UTM 参数，直接作为程序里的 base_url 使用。
• 如果你要跑 Claude Code 或 Anthropic 风格的调用，可以在文档里确认对应的 endpoint 路径；DGM-H 默认走 OpenAI 兼容格式，所以 base_url 填 https://taotoken.net/api 即可。

注意：不要把 Key 直接写进会提交到 Git 的文件里。DGM-H 的 config.toml 和 settings.json 建议放在本地配置目录，或者用环境变量注入。后面我会给出环境变量优先的写法。

拿到 Key 之后，先别急着改 DGM-H 的配置。你可以先用一个最小请求验证 Key 和通道是否通。比如用 curl 发一个 chat completions 请求：

curl -s https://taotoken.net/api/v1/chat/completions \ -H "Authorization: Bearer $TAOTOKEN_API_KEY" \ -H "Content-Type: application/json" \ -d '{ "model": "gpt-4o-mini", "messages": [{"role": "user", "content": "ping"}], "max_tokens": 8 }'

如果返回里有 choices 字段，说明 Key 和通道没问题。如果返回 401，检查 Key 是否复制完整；如果返回 404，检查 base_url 是否多写了或漏写了 /v1。这一步过了，再进 DGM-H 配置，能省掉一半排障时间。

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

DGM-H 的配置分两层：config.toml 管系统级参数，settings.json 管模型和进化循环参数。下面这份骨架是我实测能跑通的最小版本，你可以直接复制后改 Key 和路径。

3.1 config.toml 骨架

# DGM-H 系统配置 [server] host = "0.0.0.0" port = 8080 data_dir = "/data/dgm-h" [database] host = "dgm-postgres" port = 5432 name = "dgm" user = "dgm" password = "dgm_local_pass" [api] # TaoToken 统一通道 base_url = "https://taotoken.net/api" api_key_env = "TAOTOKEN_API_KEY" timeout_seconds = 120 max_retries = 3 [agent] # 自进化循环参数 evolution_interval_seconds = 60 max_iterations = 1000 archive_dir = "/data/dgm-h/archive" output_dir = "/data/dgm-h/output_dgm" [logging] level = "info" file = "/data/dgm-h/logs/dgm-agent.log"

关键点说明：api_key_env 指向环境变量 TAOTOKEN_API_KEY，而不是把 Key 写死在文件里。base_url 填 https://taotoken.net/api ，不要加尾部斜杠。evolution_interval_seconds 控制自进化循环触发间隔，第一次跑通建议设成 60 秒，方便观察。

3.2 settings.json 骨架

{ "model": { "provider": "openai-compatible", "base_url": "https://taotoken.net/api", "api_key_env": "TAOTOKEN_API_KEY", "default_model": "gpt-4o-mini", "fallback_model": "claude-3-5-sonnet", "temperature": 0.7, "max_tokens": 4096 }, "evolution": { "enabled": true, "trigger_mode": "interval", "interval_seconds": 60, "save_archive": true, "archive_min_entries": 1, "code_syntax_check": true }, "memory": { "backend": "postgres", "connection": "postgresql://dgm:dgm_local_pass@dgm-postgres:5432/dgm" } }

这里有两个容易踩坑的地方。第一，default_model 和 fallback_model 必须是 TaoToken 通道里实际可用的模型名，写错了会在第一次调用时返回 model not found。第二，archive_min_entries 设成 1，是为了让保存逻辑在第一次进化后就触发，避免出现 archive 数据 0 条目、保存逻辑不调用的情况。

3.3 环境变量注入

在启动容器前，把 Key 注入环境：

export TAOTOKEN_API_KEY="sk-你的Key"

如果你用 docker compose，可以在 compose 文件里写：

services: dgm-agent: image: dgm-h:latest environment: - TAOTOKEN_API_KEY=${TAOTOKEN_API_KEY} volumes: - ./config.toml:/app/config.toml - ./settings.json:/app/settings.json - /data/dgm-h:/data/dgm-h depends_on: - dgm-postgres

这样 config.toml 和 settings.json 里的 api_key_env 就能读到同一个 Key，不用在多个文件里重复填。

4. 验证请求：启动后确认模型调用与进化循环

配置写完后，启动顺序很重要。先起 postgres，再起 dgm-agent，最后起 dgm-api。如果你用 docker compose，直接 up 就行。启动后按下面三步验证。

4.1 确认容器状态

docker ps --format "table {{.Names}}\t{{.Status}}"

期望看到：

dgm-postgres Up (healthy) dgm-agent Up dgm-api Up

如果 dgm-agent 反复重启，先看日志：

docker logs dgm-agent --tail 100

常见报错是 config.toml 第 137 行语法错误，或者 settings.json 里模型名不对。日志里会直接指出哪一行、哪个字段。

4.2 确认模型调用成功

在 dgm-agent 容器里发一个最小请求，验证它能通过 TaoToken 通道调到模型：

docker exec -it dgm-agent sh -c ' curl -s https://taotoken.net/api/v1/chat/completions \ -H "Authorization: Bearer $TAOTOKEN_API_KEY" \ -H "Content-Type: application/json" \ -d "{\"model\":\"gpt-4o-mini\",\"messages\":[{\"role\":\"user\",\"content\":\"reply with ok\"}],\"max_tokens\":8}" '

返回里有 "ok" 或 choices 字段，说明容器内环境变量和通道都正常。如果返回 401，检查环境变量是否真的注入到容器里，可以用 docker exec 打印一下：

docker exec -it dgm-agent sh -c 'echo $TAOTOKEN_API_KEY | head -c 8'

4.3 确认自进化循环触发

看 dgm-agent 日志里有没有进化循环的启动记录：

docker logs dgm-agent --tail 50 | grep -i "evolution"

期望看到类似：

[evolution] loop started, interval=60s [evolution] iteration 1 begin [evolution] model call ok, tokens=... [evolution] archive saved, entries=1

如果只看到 loop started，没有 iteration begin，检查 settings.json 里 evolution.enabled 是否为 true，trigger_mode 是否为 interval。如果 iteration begin 后卡住，多半是模型调用超时，把 config.toml 里的 timeout_seconds 调大，或者换一个响应更快的模型。

4.4 检查 archive 数据

进化循环跑完第一轮后，检查 archive 目录：

ls -lh /data/dgm-h/archive/

如果目录为空，说明保存逻辑没触发。回到 settings.json，确认 save_archive 为 true，archive_min_entries 为 1。然后看日志里有没有 archive saved 这一行。没有的话，检查 output_dir 和 archive_dir 的挂载路径是否一致。

5. 本篇常见错排查

下面这些错，是我在跑 DGM-H 时实际遇到过的，按出现频率排序。

错误一：dgm-agent 容器未运行，日志显示第 137 行语法错误。config.toml 里 TOML 语法对缩进和引号敏感。第 137 行通常是 [agent] 段下面的某个值写成了字符串但没加引号，或者布尔值写成了 True 而不是 true。把 config.toml 贴到 TOML lint 工具里过一遍，能快速定位。

错误二：模型调用返回 401 或 403。先确认 TAOTOKEN_API_KEY 在容器内能读到。如果读不到，检查 docker compose 的 environment 段有没有写对变量名。如果读到了但还报 401，去 TaoToken 控制台确认 Key 是否被禁用或额度是否用完。

错误三：模型调用返回 model not found。settings.json 里的 default_model 写了一个 TaoToken 通道不支持的模型名。解决办法是去模型对话页面确认可用模型列表，或者先用 gpt-4o-mini 这种通用名跑通，再换其他模型。

错误四：archive 数据 0 条目，保存逻辑未调用。这是最隐蔽的坑。settings.json 里 archive_min_entries 默认可能是 10，而你的进化循环只跑了 1 轮，没达到阈值，所以不保存。把它改成 1，重启 dgm-agent，第一轮跑完就会写入 archive。

错误五：进化循环不触发，日志只有 loop started。检查 evolution.enabled 是否为 true。另外，有些版本的 DGM-H 要求 trigger_mode 为 interval 时，interval_seconds 不能小于 30，设成 10 会被忽略。改成 60 再试。

错误六：dgm-api 未运行，但 dgm-agent 正常。dgm-api 依赖 postgres 和 agent 的初始化数据。如果 agent 还没跑完第一轮，api 可能起不来。先确保 agent 日志里有 iteration 1 begin，再重启 api。

提示：排障时优先看 dgm-agent 日志，它是整个自进化循环的核心。api 和 web 的问题，多半是 agent 没跑起来导致的连锁反应。

如果你在接入阶段卡住，比如 Key 填哪里、base_url 怎么写、模型名怎么选，可以直接看接入文档和 API Keys 页面，里面有按场景分的配置示例。如果你已经跑通接入，想验证不同模型在自进化循环里的表现，可以去模型对话页面手动发几个请求，确认通道稳定后再放回 DGM-H 里跑长循环。

6. 跑通之后：把统一 Key 用在长期编码与 Agent 场景

DGM-H 跑通之后，你会发现统一 Key 的价值不只是省事。自进化智能体会在循环里反复调用模型，如果每个模型都单独配 Key、单独配通道，一旦某个通道抖动，整个进化循环就断了。用 TaoToken 统一通道后，你只需要维护一份 Key 和一个 base_url，切换模型只改 settings.json 里的模型名，排障时也只需要检查一个通道。

如果你打算把 DGM-H 跑成长期任务，比如让它连续进化几天，建议把 evolution_interval_seconds 调大一点，比如 300 秒，避免请求过于密集。同时把 max_iterations 设成一个合理值，防止无限循环把磁盘写满。archive 目录建议单独挂一块盘，因为进化输出会持续增长，我实测跑了两周，output_dgm 占了 11GB。

对于长期编码和 Agent 场景，Coding Plan 页面里有按周期计费的方案，适合把 DGM-H 这种持续调用的场景包进去。如果你只是偶尔跑实验，按量计费的 API Key 就够了。关键是先把最小闭环跑通，再根据调用量决定用哪种方式。

最后说一个我自己的习惯：每次改完 config.toml 或 settings.json，先不急着重启整个 compose，而是只重启 dgm-agent，然后用 docker logs 看前 20 行。如果 20 行内没有报错，再让它跑完一轮，检查 archive 是否写入。这样排障最快，也不会把 postgres 里的数据搞乱。