EvoAgentX 自进化飞轮不靠官方 Key，TaoToken 行不行

1. EvoAgentX 自进化飞轮不靠官方 Key，TaoToken 行不行：先从报错入口看

如果你在 EvoAgentX 里跑自进化闭环，最常撞见的不是算法不会写，而是OpenAIError: api_key client option must be set、Connection error，或者评测节点跑完只留下一个孤零零的分数，没流进 Skill 更新和记忆。TaoToken 能不能接？能。先从 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_content=evoagentx_intro 拿 Key，Base URL 用 https://taotoken.net/api。

先把问题说清楚：EvoAgentX 这类框架把“评测→记忆→落地→控制”串成一条自进化链路，但链路里每一步都要调模型。评测器要调模型，记忆策展要调模型，Skill 候选生成要调模型，控制阶段的方向审计也可能要调模型。入口配置一旦不对，飞轮第一圈就推不动。很多人误以为是 Prompt 不够好、评测集不够大，实际上是api_key、base_url、model三处没对齐。

这篇按框架接入视角写，不讲空泛的“自进化理念”。我们要拿 TaoToken 把 EvoAgentX 的四个齿轮接起来，并留下四段可复现调用记录：评测、记忆、落地、控制。你照着配完，至少能跑通一条本地最小闭环，再逐步加门控、灰度、回流。

先记住三条硬规则：

1. 生成模型和评估模型分开，评估temperature=0。
2. 记忆不是全存，是策展、治理、晋升、淘汰。
3. 自动化只覆盖候选生成和门控，关键写入和安全边界必须有人。

2. 从 TaoToken 拿 Key：EvoAgentX、Claude Code、Codex 的配置分叉

第一步不是改 EvoAgentX 的 Agent 代码，而是拿 Key 并确认 Base URL。打开 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_content=evoagentx_setup ，登录后进控制台，找到 API Keys，创建一条新 Key，复制为YOUR_API_KEY。注意，Base URL 不要带 UTM，统一填：

https://taotoken.net/api

EvoAgentX 如果走 OpenAI 兼容协议，本地先设环境变量：

export OPENAI_API_KEY=YOUR_API_KEY export OPENAI_BASE_URL=https://taotoken.net/api

如果 EvoAgentX 用 YAML 或 Python 配置 LLM，把三处填进去：

llm: provider: openai model: gpt-4.1-mini api_key: YOUR_API_KEY base_url: https://taotoken.net/api temperature: 0

这里的model不要凭感觉写。去 TaoToken 控制台或模型列表里选一个当前可用的模型 ID，再填进 EvoAgentX。否则你会在评测节点看到 404 或 model not found，然后误判成“框架不支持自进化”。

Claude Code 的配置分叉要单独注意：它用settings.json和ANTHROPIC_*，不要和 Codex 混用。

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

Codex 则走~/.codex/config.toml，不要套ANTHROPIC_*：

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

然后本地导出 Codex 专用 Key：

export TAOTOKEN_API_KEY=YOUR_API_KEY

如果你用 CC Switch 管理多个入口，先填三件套：Base URL、API Key、模型 ID。Provider 名可以叫TaoToken，但三件套必须和工具实际读取的字段一致。Claude Code 读ANTHROPIC_*，Codex 读config.toml里的 provider，EvoAgentX 读自己的 LLM 配置或OPENAI_*。不要把一个工具的变量硬塞给另一个工具。

验证入口是否打通，跑一条最小调用：

python -c "from openai import OpenAI; c=OpenAI(api_key='YOUR_API_KEY', base_url='https://taotoken.net/api'); r=c.chat.completions.create(model='gpt-4.1-mini', temperature=0, messages=[{'role':'user','content':'ping'}]); print(r.choices[0].message.content[:80])"

如果这里返回正常，再进入四段调用记录。否则先查 Key、Base URL、模型 ID，不要先改 Agent 的评测逻辑。

3. 评测齿调用记录：用 TaoToken 做 temperature=0 的归因评测

评测在自进化飞轮里不是“打个分”，它是信号源。信号源不可信，后面的记忆和落地都会歪。EvoAgentX 的评测节点至少要回答两个问题：这次任务哪里失败？这个失败是系统性模式还是偶发个例？

先写一个最小评测器。它不评价自己的输出，而是用一个独立调用做 Judge，并且temperature=0，输出结构化 JSON。

import os import json from openai import OpenAI client = OpenAI( api_key=os.environ["OPENAI_API_KEY"], base_url=os.environ.get("OPENAI_BASE_URL", "https://taotoken.net/api"), ) def judge(task: str, output: str): prompt = f"""你是严格评测器。只输出 JSON： {{"score": 0到1的小数, "failure_type": "none|format|tool|reasoning|knowledge", "reason": "不超过40字"}} 任务：{task} 输出：{output} """ resp = client.chat.completions.create( model="gpt-4.1-mini", temperature=0, response_format={"type": "json_object"}, messages=[{"role": "user", "content": prompt}], ) return json.loads(resp.choices[0].message.content) print(judge("把 2026/05/01 转成 YYYY-MM-DD", "2026/05/01 无法转换"))

一次典型调用记录如下：

{ "stage": "eval", "base_url": "https://taotoken.net/api", "model": "gpt-4.1-mini", "score": 0.2, "failure_type": "format", "reason": "未先规范化日期输入，直接转换失败", "trace_id": "eval-017", "temperature": 0 }

拿到这个记录后，不要只存分数。下一步是归因：

• 如果多个 case 都出现failure_type=format，说明是系统性问题，应该进入落地齿，生成 Skill 或 Prompt 候选。
• 如果只有一个 case 失败，没有形成模式，进入记忆齿，写成反例，后续遇到类似场景时召回。
• 如果原因是工具 API 返回异常、参数缺失、数据没回来，先查工具实现层，不要继续在 Prompt 层打转。
• 如果原本能做对的 case 现在做错了，立即回滚，标记为回归，进入控制齿的人审节点。

评测集也要分职责。至少把本地 case 分成诊断集、筛选集、验证集。诊断集用来找失败模式，筛选集用来比较候选是否比基线好，验证集只在决定上线前跑。不要让生成修复方案的模型看到验证集答案，否则它会“记住答案”而不是学会修复。

4. 记忆齿调用记录：把失败轨迹压成反例，而不是灌满向量库

评测给了信号，但信号会消散。记忆齿要做的是把信号变成可治理的长期经验。注意，不是把所有对话都塞进向量库。存得多不等于记得好，检索噪声一高，Agent 反而会被错误记忆带偏。

先让 TaoToken 做一次“策展式压缩”：把失败轨迹压成一条反例或事实，带权重、来源、TTL 和去重键。

def curate(trace: str): prompt = f"""把失败轨迹压缩成一条可治理记忆。只输出 JSON： {{"type": "counterexample|fact|rule", "scope": "领域标签", "pattern": "以后遇到同类问题怎么做/不要怎么做", "weight": -0.12, "ttl_days": 30, "dedup_key": "唯一去重键"}} 轨迹：{trace} """ resp = client.chat.completions.create( model="gpt-4.1-mini", temperature=0, response_format={"type": "json_object"}, messages=[{"role": "user", "content": prompt}], ) return json.loads(resp.choices[0].message.content)

一次记忆写入记录可以长这样：

{ "stage": "memory", "base_url": "https://taotoken.net/api", "record_type": "counterexample", "scope": "date_format", "pattern": "先把 2026/05/01 规范成 2026-05-01，再走 strptime，不要直接转换", "weight": -0.12, "ttl_days": 30, "source": "eval-017", "dedup_key": "date_format:normalize_first" }

这条记录和“存一堆聊天历史”的区别在于治理字段：

• source能追溯到哪次评测触发写入。
• ttl_days防止过期经验长期污染。
• weight为非对称淘汰服务，坏经验淘汰可以比好经验强化更快。
• dedup_key防重复，避免同一类错误在记忆里堆十份。
• type=counterexample明确这是一条“不要这么做”的反例，而不是模糊正例。

读取时不要一次性把记忆全注入。默认只给轻量顶层，比如用户画像、Skill 前言、少量事实。任务开始后，再按语义、关键词、精确匹配三路召回。只有 Agent 执行中遇到困惑或需要证据时，才通过来源 ID 回查原始轨迹。上下文预算要硬控制：单条记忆短、总条数少、简单任务少给、复杂任务按需多给。

记忆写入前还要分两类：普通经验和规则级记忆。普通经验可以自动写入，后续通过评测验证再晋升。规则级记忆比如“遇到这类问题永远走方案 A”，影响面是全局的，写入前必须有人确认。一条错误规则进入集群后，后续任务会无条件遵循，错误会扩散得比修复快。

5. 落地齿调用记录：Diff 模式生成 Skill，候选隔离评测

评测发现问题，记忆记住教训，接下来要把“知道”变成“改好”。EvoAgentX 落地齿的关键不是让模型全文重写 Skill，而是用 Diff 模式只改需要改的片段。全文重写容易覆盖历史决策，也会让 review 变得困难。

让 TaoToken 根据诊断和 Playbook 生成候选 Diff：

def propose_diff(diagnosis: str, playbook: str): prompt = f"""根据诊断和 Playbook，只输出 unified diff 片段，不要重写全文。 诊断：{diagnosis} Playbook：{playbook} """ resp = client.chat.completions.create( model="gpt-4.1-mini", temperature=0, messages=[{"role": "user", "content": prompt}], ) return resp.choices[0].message.content

一次落地调用记录如下：

{ "stage": "landing", "base_url": "https://taotoken.net/api", "candidate_id": "skill-date-003", "mode": "diff", "baseline_score": 0.72, "eval_score": 0.91, "gate": "pass", "gray_plan": "10pct_7d", "rollback_version": "skill-date-002" }

这里的流程要拆开：

1. 诊断归因：把失败 case 分组，定位是格式、工具、推理还是知识问题。
2. 信号汇聚：不只看本轮失败，还要看历史 Playbook 和外部可验证做法。
3. 生成候选：让模型输出 Diff，而不是全文。
4. 独立评测：每个候选隔离跑筛选集，避免候选之间互相干扰。
5. 安全门控：语法检查、回归检测、统计显著性、Playbook 一致性、人工确认。
6. 灰度发布：通过门控不等于全量，先小流量跑观测期。
7. 监控回流：灰度期新失败样本进入下一轮种子池。
8. 经验沉淀：本轮有效方向、踩坑教训写入 Playbook。

多文件联动时，改了 Skill A 的输出格式，可能影响 Skill B 的输入解析。这种情况下要做接口签名检查，确认跨文件调用没有断。否则会出现“修好 A、悄悄弄坏 B”的隐蔽回归。

6. 控制齿调用记录：人审门控、灰度和回流不是口号

控制齿解决的问题是：飞轮转起来后，怎么不跑偏。完全自动很危险，完全人工又太慢。更现实的做法是分级自主：稳定场景逐步放权，高风险操作永远保留人工节点。

一次控制阶段记录可以这样：

{ "stage": "control", "base_url": "https://taotoken.net/api", "candidate_id": "skill-date-003", "auto_gate": "pass", "human_review": "approved", "rollback_version": "skill-date-002", "gray": "10pct", "reflux": true, "intent_metric": { "avg_output_len_delta": -8, "tool_call_count_delta": 0 } }

五个节点必须有人的参与：

• 规则级记忆写入前：几秒钟看一条，避免全局错误规则扩散。
• Prompt/Skill 安全边界更新：涉及拒答、权限、付费逻辑的改动不能交给 Agent 自己批。
• 评测发现回归时：回滚到哪个版本、是否冻结后续进化，需要人判断业务影响面。
• 新领域冷启动：第一批评测 case、初始 Skill、安全边界要人给种子。
• 安全边界设定与调整：Agent 能改什么、不能改什么，必须人画线。

审核疲劳是落地失败的高频原因。如果每天弹 50 个审批，人很快会不看内容直接通过。解法是三层：

1. 自动门控先过滤低质候选，只把大概率有效的送到人面前。
2. 批量异步审核，一次呈现多个候选、评测数据、影响面和推荐理由。
3. 渐进放权和自动降级，长期稳定才升级，一旦回归立刻降回人工审批。

还要做方向性审计。不要只看任务成功率，还要看平均输出长度、工具调用次数、拒答率、语气风格有没有持续偏移。评测集里显式加入“意图对齐”维度，把抽象目标变成可检查项。否则每一步门控都通过，整体可能已经偏离原始设计。

7. 最小闭环命令：从 Key 到四段调用记录跑通一遍

先把环境变量设好：

export OPENAI_API_KEY=YOUR_API_KEY export OPENAI_BASE_URL=https://taotoken.net/api

验证入口：

python -c "from openai import OpenAI; c=OpenAI(); r=c.chat.completions.create(model='gpt-4.1-mini', temperature=0, messages=[{'role':'user','content':'ping'}]); print(r.choices[0].message.content[:80])"

然后建一个本地最小脚本evo_loop_min.py，把四段调用串起来：

import os import json import sys from openai import OpenAI client = OpenAI( api_key=os.environ["OPENAI_API_KEY"], base_url=os.environ.get("OPENAI_BASE_URL", "https://taotoken.net/api"), ) stage = sys.argv[1] if len(sys.argv) > 1 else "eval" prompts = { "eval": '你是评测器，只输出 JSON：{"score":0.2,"failure_type":"format","reason":"..."}', "memory": '把失败轨迹压成反例，只输出 JSON：{"type":"counterexample","scope":"date_format","weight":-0.12,"ttl_days":30}', "landing": '只输出 diff 片段：+ 先规范化日期格式，再调用转换函数', "control": '只输出 JSON：{"auto_gate":"pass","human_review":"approved","gray":"10pct","reflux":true}', } resp = client.chat.completions.create( model="gpt-4.1-mini", temperature=0, messages=[{"role": "user", "content": prompts[stage]}], ) print(json.dumps({ "stage": stage, "base_url": "https://taotoken.net/api", "model": "gpt-4.1-mini", "output": resp.choices[0].message.content, }, ensure_ascii=False))

本地依次执行：

python evo_loop_min.py eval python evo_loop_min.py memory python evo_loop_min.py landing python evo_loop_min.py control

你会得到四段调用记录，分别对应评测信号、记忆写入、落地候选、控制门控。这还不是完整生产系统，但它是 EvoAgentX 飞轮的最小骨架。先把这四段跑通，再接评测集三分法、记忆治理、灰度回流和人工审核。

8. 收束：TaoToken 接 EvoAgentX 的三条硬规则与 CTA

最后收束成三条硬规则。

第一，评测信号必须可信。评估和生成分离，temperature=0，输出结构化 JSON，评测集分诊断、筛选、验证三层。评测失真时，自动化越高，错误扩散越快。

第二，记忆是治理系统，不是存储系统。写入要策展，存储要版本、TTL、来源、去重，读取要渐进披露和严格预算。存 100 条低质记忆，不如治理好 10 条高质量反例。

第三，闭环价值在衔接。评测结果要流入记忆和 Skill 更新，更新要能被独立评测验证，验证结果要回流下一轮。四个齿轮单独做得再好，箭头断了，飞轮也不会转。

如果你还没拿到 Key，先从 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_content=evoagentx_end 进入控制台，创建YOUR_API_KEY，Base URL 填https://taotoken.net/api。接下来按顺序走：

1. 模型对话：https://taotoken.net/models/detail/chat?utm_source=taotoken_aicg_blog_end&utm_content=evoagentx_chat
2. Coding Plan：https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=evoagentx_plan
3. 创建 Key：https://taotoken.net/console/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=evoagentx_keys
4. Claude Code 文档：https://taotoken.net/doc/ClaudeCodeAnthropic?utm_source=taotoken_aicg_blog_end&utm_content=evoagentx_claudecode

把 Key、Base URL、模型 ID 对齐后，EvoAgentX 的评测、记忆、落地、控制就能先跑出一条可复现的本地闭环。剩下的，就是让每一轮调用记录都变成下一轮的燃料。