AI Agent，从小白到精通（一）：用 TaoToken 统一 Key 跑通 100 行 OpenClaw 复刻版

1. 从一问一答到自主执行AI Agent 到底在做什么很多人第一次接触 AI Agent脑子里冒出来的画面是科幻电影里的机器人。但如果你写过几行调用大模型的代码就会发现所谓 Agent拆开看其实就三样东西大模型、工具、循环。大模型负责把自然语言翻译成机器能懂的指令工具负责真正去碰外部世界循环负责把一个大任务拆成一步步小动作。这三者凑齐一个最小的 Agent 就跑起来了。传统问答式 AI 的交互模式很简单你问一句模型答一句每轮对话基本独立。而 Agent 是任务驱动的你给它一个目标它会自己思考、调用工具、看结果、再思考直到给出结论。比如你说“帮我看看当前目录下有哪些 Python 文件然后统计总行数”问答式 AI 只能告诉你“你可以用 ls 和 wc 命令”而 Agent 会真的去执行这些命令把结果拿回来告诉你。OpenClaw 这类 AI 个人助手之所以能自动发通知、生成运营报告、做市场调研核心链路和这个最小 Agent 是一模一样的。区别只在于工具更多、循环更稳、错误处理更细。所以想从小白到精通第一步不是去啃框架源码而是用 100 行代码把这条链路亲手跑通。跑通之后你再去看 LangChain、AutoGPT 这些项目会发现它们只是把同样的循环包装得更工程化。这篇文章就带你做这件事用 100 行左右的 Python 代码复刻 OpenClaw 的核心链路包括大模型对话、JSON 输出、Function Calling 调度。同时把 endpoint 统一改到 TaoToken这样你不需要在多个平台之间来回切换 Key一个 Base URL 就能跑通全部验证。适合刚接触 AI Agent、想先看到“模型真的调用了工具”这个瞬间的开发者。2. 前置准备用 TaoToken 统一 Key 和 Base URL在写代码之前先把模型接入这一层理清楚。很多新手卡住不是因为 Agent 逻辑难而是因为 Key 管理混乱今天用这个平台的 Key明天换那个平台的 Base URL环境变量改来改去最后报 401 都不知道是哪个环节错了。我的做法是统一走 TaoToken把 API Key 和 Base URL 固定下来后面所有实验都复用这一套配置。TaoToken 的 API 地址是https://taotoken.net/api注意这个地址后面不加任何多余路径OpenAI 兼容的 SDK 会自动拼接/v1/chat/completions。你需要在 TaoToken 控制台创建一个 API Key然后把它写进环境变量。控制台入口在https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewrite创建 Key 的页面在https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi-keysutm_campaignrewrite。环境变量建议这样设置Linux 或 macOS 下直接写进~/.bashrc或~/.zshrcexport TAOTOKEN_API_KEYsk-你的实际Key export TAOTOKEN_BASE_URLhttps://taotoken.net/api export TAOTOKEN_MODELgpt-4o-miniWindows PowerShell 下用$env:TAOTOKEN_API_KEYsk-你的实际Key $env:TAOTOKEN_BASE_URLhttps://taotoken.net/api $env:TAOTOKEN_MODELgpt-4o-mini这里有个细节要注意Base URL 写https://taotoken.net/api就够了不要写成https://taotoken.net/api/v1。OpenAI 的 Python SDK 在初始化时会自己补/v1你多写一层反而会拼成/api/v1/v1/chat/completions直接 404。我试过在这一点上折腾了十几分钟最后发现是路径重复。模型 ID 方面gpt-4o-mini适合做 Function Calling 的入门验证返回 JSON 稳定、速度快、成本低。如果你想验证更强的推理能力可以换成gpt-4o或claude-3-5-sonnet这类模型TaoToken 的模型列表在文档里能查到文档入口是https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite。如果你打算长期做编码类 Agent可以了解一下 Coding Plan入口在https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite它更适合高频调用场景。装依赖只需要一个包pip install openai确认装好后可以先用一段最小代码验证 Key 和 Base URL 是否通import os from openai import OpenAI client OpenAI( api_keyos.environ.get(TAOTOKEN_API_KEY), base_urlos.environ.get(TAOTOKEN_BASE_URL), ) resp client.chat.completions.create( modelos.environ.get(TAOTOKEN_MODEL, gpt-4o-mini), messages[{role: user, content: 只回复两个字通了}], ) print(resp.choices[0].message.content)如果输出“通了”说明接入层没问题可以进入下一步写 Agent 循环。如果报 401先检查 Key 有没有复制完整、有没有多余空格如果报连接错误检查 Base URL 是不是写成了带/v1的版本。3. 可复制配置100 行 OpenClaw 复刻版完整代码下面这份代码就是核心。它把 OpenClaw 的链路压缩到最小定义工具、注册工具、跑循环、解析 Function Calling 返回的 JSON、执行工具、把结果塞回对话历史。你可以直接复制到一个nano_agent.py文件里运行。import os import json import subprocess from openai import OpenAI client OpenAI( api_keyos.environ.get(TAOTOKEN_API_KEY), base_urlos.environ.get(TAOTOKEN_BASE_URL), ) TOOLS [ { type: function, function: { name: execute_bash, description: Execute a bash command and return stdout and stderr, parameters: { type: object, properties: {command: {type: string}}, required: [command], }, }, }, { type: function, function: { name: read_file, description: Read a text file and return its content, parameters: { type: object, properties: {path: {type: string}}, required: [path], }, }, }, { type: function, function: { name: write_file, description: Write content to a file, overwriting if exists, parameters: { type: object, properties: { path: {type: string}, content: {type: string}, }, required: [path, content], }, }, }, ] def execute_bash(command): try: result subprocess.run( command, shellTrue, capture_outputTrue, textTrue, timeout30 ) return result.stdout result.stderr except Exception as e: return fError: {str(e)} def read_file(path): try: with open(path, r, encodingutf-8) as f: return f.read() except Exception as e: return fError: {str(e)} def write_file(path, content): try: with open(path, w, encodingutf-8) as f: f.write(content) return fWrote to {path} except Exception as e: return fError: {str(e)} FUNCTIONS { execute_bash: execute_bash, read_file: read_file, write_file: write_file, } def run_agent(user_message, max_iterations5): messages [ {role: system, content: You are a helpful assistant. Be concise.}, {role: user, content: user_message}, ] for _ in range(max_iterations): response client.chat.completions.create( modelos.environ.get(TAOTOKEN_MODEL, gpt-4o-mini), messagesmessages, toolsTOOLS, ) message response.choices[0].message messages.append(message) if not message.tool_calls: return message.content for tool_call in message.tool_calls: name tool_call.function.name args json.loads(tool_call.function.arguments) print(f[Tool] {name}({args})) if name not in FUNCTIONS: result fError: Unknown tool {name} else: result FUNCTIONS[name](**args) messages.append({ role: tool, tool_call_id: tool_call.id, content: result, }) return Max iterations reached if __name__ __main__: import sys task .join(sys.argv[1:]) if len(sys.argv) 1 else Hello print(run_agent(task))这份代码里TOOLS就是路由表用 OpenAI Function Calling 规范告诉模型“你有哪些能力”。模型本身不会执行任何东西它只会返回一段 JSON形如{name: execute_bash, arguments: {\command\: \ls\}}。真正执行的是FUNCTIONS[name](**args)这一行。这就是 Agent 的本质大模型输出 JSON 文本代码匹配后调用函数。如果你用的是 Cline 或 Claude Code 这类工具配置逻辑是一样的三件套必须写全Base URL 填https://taotoken.net/apiAPI Key 填你的 TaoToken KeyModel ID 填gpt-4o-mini或你选定的模型。Cline 的 MCP 配置里如果涉及模型接入也是这三个字段。Codex 的auth.json里同样需要base_url、api_key、model三项对齐缺一个都会在请求阶段报错。4. 运行验证模型返回 JSON 并正确调用工具代码写好后跑一个能明显看到工具调用的任务。比如让它读取当前目录下的文件列表然后写一个统计结果到新文件。执行python nano_agent.py 列出当前目录所有文件然后把文件名写入 file_list.txt你会看到类似这样的输出[Tool] execute_bash({command: ls -la}) [Tool] write_file({path: file_list.txt, content: nano_agent.py\nfile_list.txt\n...}) 任务完成已将当前目录文件列表写入 file_list.txt这个过程里发生了三次模型调用。第一次模型返回了execute_bash的 tool_call代码执行ls -la并把结果作为 tool 消息追加。第二次模型看到命令结果后决定调用write_file代码执行写入。第三次模型确认任务完成返回纯文本。整个循环由max_iterations5兜底防止模型反复调用同一个失败命令导致死循环。再验证一个 JSON 输出场景。让模型直接返回结构化数据python nano_agent.py 读取 nano_agent.py 文件统计其中函数定义的个数用 JSON 格式返回字段名是 function_count模型会先调用read_file拿到内容后返回类似{function_count: 5}的 JSON 文本。这里的关键是模型返回的 tool_call 参数本身就是 JSON代码用json.loads解析而模型最终输出的文本也可以是 JSON你可以在run_agent返回后自己再解析一次。Function Calling 和 JSON 输出在底层是同一件事——模型在生成结构化文本代码负责解释和执行。如果你想在网页端直接对比不同模型的 JSON 输出稳定性可以用模型对话入口https://taotoken.net/chat?utm_sourcetaotoken_aicg_blog_endutm_contentmodel-chatutm_campaignrewrite把同样的 prompt 贴进去观察不同模型返回的 JSON 字段是否一致。这对调试 Agent 很有帮助因为有些模型在 tool_call 参数里会多包一层引号导致json.loads失败。实测下来gpt-4o-mini在 Function Calling 上的表现足够稳定参数格式基本不会跑偏。如果你换成更小的模型可能会遇到模型把工具名拼错、或者参数缺字段的情况这时候try-except和Unknown tool分支就能派上用场模型会根据错误信息在下一轮自我修正。5. 常见报错排查401、local proxy failed 与 choices 解析跑 Agent 的过程中报错基本集中在接入层和解析层。下面这几个是我实际踩过的对照着看能省不少时间。401 Unauthorized最常见。先确认TAOTOKEN_API_KEY环境变量在当前终端里真的生效了用echo $TAOTOKEN_API_KEY检查。如果输出为空说明你写进了配置文件但没重新加载执行source ~/.zshrc或重开终端。如果 Key 有值还报 401检查是不是复制时带了换行或空格重新在控制台生成一个 Key 再试。local proxy failed / connection error这个报错通常不是 TaoToken 的问题而是你本机网络环境或代理设置干扰了请求。检查HTTP_PROXY、HTTPS_PROXY这两个环境变量有没有被设置成奇怪的地址如果有就临时 unset 掉再跑。另外确认 Base URL 是https://taotoken.net/api不要写成http或带多余路径。reading choices of undefined这个报错说明response.choices是 undefined通常是 SDK 版本和返回结构不匹配或者请求根本没成功但被吞掉了。先打印完整的response看看结构确认response.choices[0].message存在。如果用的是旧版 openai SDK升级到最新版pip install -U openai。另外检查模型 ID 是否拼写正确模型不存在时有些网关会返回非标准结构。OAuth 相关报错如果你在 Claude Code 或 Codex 里配置时看到 OAuth 失败说明你走的是账号授权流程而不是 API Key 流程。Agent 接入应该用 API Key 模式把 Base URL 和 Key 填进对应配置文件不要触发 OAuth 跳转。Claude Code 的配置里确认ANTHROPIC_BASE_URL指向https://taotoken.net/apiANTHROPIC_API_KEY填 TaoToken Key。tool_calls 为空但模型没返回文本检查messages.append(message)这一步有没有漏掉。如果模型返回了 tool_call 但你没把 assistant 消息追加进历史下一轮请求会缺少上下文模型可能直接返回空。另外确认tool_call_id在追加 tool 消息时和请求里的 id 一致不一致会导致 400。JSON 解析失败json.loads(tool_call.function.arguments)报错通常是模型返回的参数不是合法 JSON。可以在解析前打印原始字符串看看如果是模型偶尔抽风加一层 try-except 把错误信息返回给模型让它重新生成。这也是为什么每个工具函数都要包 try-except——错误信息本身就是给模型的反馈。6. 下一步把 100 行扩展成你自己的 Agent跑通这 100 行之后你已经掌握了 Agent 的骨架。接下来可以往三个方向扩展。第一是加工具比如加一个http_request工具让 Agent 能调外部 API加一个send_email工具做通知这就是 OpenClaw 类助手的基本形态。第二是加记忆把messages持久化到文件或数据库让 Agent 跨会话记住上下文。第三是加规划在循环外面再套一层任务分解让模型先把大任务拆成子任务列表再逐个执行。工具定义这块建议你从最小权限开始。execute_bash能执行任意命令风险很高生产环境里应该限制成白名单命令或者换成更具体的工具如list_files、search_text。write_file同理限定在某个工作目录内。这些约束不是限制 Agent 能力而是让它在可控范围内自主执行。如果你打算把这个 Agent 接到实际项目里建议先把模型调用统一走 TaoToken 的 Base URL这样换模型时只改一个环境变量不用动代码。需要长期跑编码类任务的话Coding Plan 的入口在https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite适合高频调用场景。API Key 管理和文档分别在https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi-keysutm_campaignrewrite和https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite配置过程中遇到字段对不上的问题先翻文档比盲目试错快得多。最后留一个练习把max_iterations改成 10让 Agent 完成一个多步任务比如“创建一个 test 目录在里面写一个 hello.py运行它并返回输出”。观察每一轮模型返回的 tool_call你会更直观地理解“大模型输出 JSON、代码执行函数”这条链路。跑通这个你就已经跨过了 AI Agent 的第一道门槛。