21种AI智能体设计模式学习教程：用TaoToken统一Key跑通Agent配置

1. 从 LLM 到智能体：21 种设计模式到底在解决什么问题

如果你刚开始接触 AI 智能体（Agent），大概率会被一堆名词砸晕：提示链、路由、反思、RAG、MCP、A2A、护栏……每个都像独立知识点，学完还是不知道怎么拼成一个能跑的系统。我自己的体会是，这 21 种设计模式本质上是一套“模块化工具箱”，它们回答的是同一个问题的不同侧面：怎么让一个大语言模型从“会聊天”变成“能自主完成任务”。

先看演进路径。最早是纯 LLM，只能靠预训练知识回答，问它今天的天气就抓瞎；接着是 RAG，把外部知识检索进来塞进提示，解决了时效和私有数据问题，但流程是固定的，不会主动决策；再往后是单体 Agent，能调用工具、能推理，可一旦任务跨领域就吃力；最后是智能体 AI，多个 Agent 协作，靠协议互通。这四步不是替代关系，而是能力叠加。

智能体本身有四个核心特性：自主性（不用人一直盯着）、主动性（会主动采取行动）、响应性（能感知环境变化）、目标导向（始终围绕目标推进）。它的执行循环可以概括为：获取目标 → 扫描环境 → 制定计划 → 执行行动 → 学习优化，然后回到第一步。能力等级上，L0 是纯推理引擎，L1 能调工具和 RAG，L2 会主动规划和自我优化，L3 是多 Agent 协同。

那 21 种模式怎么归类？我习惯按能力维度分七组：执行编排（提示链、路由、并行化、规划）、环境交互（工具使用、MCP、RAG）、质量保障（反思、推理技术、学习适应）、状态管理（记忆、目标监控、优先级）、多体协作（多智能体、A2A）、可靠性（异常处理、人在回路、护栏、评估）、高阶能力（资源感知、探索发现）。每组解决一类问题，组合起来才能构建复杂系统。

这篇教程的目标很明确：用 TaoToken 统一 Key 和 API 通道作为底座，把 Agent 工具的 endpoint 和 Base URL 改到同一个入口，然后逐个跑通这些模式的配置与调用验证。不管你是用 Claude Code、Cline、Codex 还是自己写 Python 脚本，只要把 Base URL 指向 TaoToken，就能用同一套 Key 管理所有模型的调用。下面我会先讲前置准备，再给可复制的配置片段，最后用实际请求验证，并整理常见报错。

2. TaoToken 前置准备：统一 Key 与 Base URL 的接入逻辑

在跑任何 Agent 模式之前，得先把“通道”打通。很多新手卡在这一步：每个工具都要单独配 Key、单独填 endpoint，模型换了还要改代码。TaoToken 的思路是提供一个统一的 API 入口，你只需要一个 Key，就能在多个工具和多个模型之间切换。

先明确三个核心概念。Base URL是请求的根地址，所有模型调用都走这个入口；API Key是你的身份凭证，放在请求头里；Model ID是具体要调用的模型标识。这三件套在任何一个 Agent 工具里都要填对，缺一不可。

TaoToken 的 API 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。官网入口是https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=，从这里可以进入控制台创建 Key。

具体操作路径：先打开官网，进入控制台（console），在 API Keys 页面创建一个新的 Key。创建时建议给 Key 起个有意义的名字，比如“agent-test”，方便后续区分用途。创建完成后复制 Key，注意它只显示一次，丢了就得重新建。

拿到 Key 之后，不同工具的配置方式略有差异，但核心都是三件事：把 Base URL 改成 TaoToken 的地址，把 Key 填进去，把 Model ID 写成你要用的模型。下面给几个常见工具的配置位置。

对于 Claude Code 这类工具，配置通常在 settings 文件里。你需要找到settings.json，在里面配置env字段，把ANTHROPIC_BASE_URL指向 TaoToken 的 API 地址，ANTHROPIC_API_KEY填你的 Key。这样 Claude Code 的所有请求都会走 TaoToken 通道。

对于 Cline 这类 VS Code 插件，配置在插件的设置面板里。选择 API Provider 时，如果有“OpenAI Compatible”选项就选它，然后 Base URL 填https://taotoken.net/api，API Key 填你的 Key，Model ID 填具体模型名。

对于 Codex 这类工具，配置在auth.json文件里。你需要把里面的 endpoint 和 key 替换成 TaoToken 的地址和你的 Key。

这里有个关键点：不同工具对 Base URL 的路径要求可能不同。有的工具会自动在 Base URL 后面拼接/v1/chat/completions，有的需要你手动写全。TaoToken 的 API 地址是https://taotoken.net/api，如果工具要求填完整的 chat 接口地址，就写成https://taotoken.net/api/v1/chat/completions。实测下来，大多数 OpenAI 兼容的工具填https://taotoken.net/api就能自动识别。

还有一个容易踩的坑：Key 的权限。创建 Key 时如果选了限制模型范围，那调用不在范围内的模型会报 401 或 403。测试阶段建议先给全模型权限，跑通后再收紧。

配置完成后，建议先用一个最简单的请求验证通道是否打通。可以用 curl 发一个 chat 请求，看返回是否正常。如果返回 200 且有内容，说明 Base URL 和 Key 都没问题。如果报 401，检查 Key 是否复制完整；如果报连接错误，检查 Base URL 是否写错。

3. 可复制配置：把 Agent 工具的 endpoint 改到 TaoToken

这一节给可直接复制的配置片段。我会覆盖三种典型场景：Claude Code 的 settings 配置、Cline 的 MCP 配置、Codex 的 auth.json 配置。每个片段都包含 Base URL、Key、Model ID 三件套，你只需要把 Key 替换成自己的。

3.1 Claude Code settings.json 配置

Claude Code 的配置文件通常位于用户目录下的.claude/settings.json。如果你用的是项目级配置，就在项目根目录的.claude/settings.json。内容如下：

{ "env": { "ANTHROPIC_BASE_URL": "https://taotoken.net/api", "ANTHROPIC_API_KEY": "sk-你的TaoToken密钥", "ANTHROPIC_MODEL": "claude-sonnet-4-20250514" } }

这里ANTHROPIC_BASE_URL指向 TaoToken 的 API 地址，ANTHROPIC_API_KEY填你在控制台创建的 Key，ANTHROPIC_MODEL填你要用的模型 ID。注意模型 ID 要写准确，不同模型的标识不一样。如果你不确定用哪个，可以先填一个通用的，跑通后再换。

配置保存后，重启 Claude Code，它就会走 TaoToken 通道。你可以用一个简单任务测试，比如让它读一个文件并总结，看是否正常返回。

3.2 Cline MCP 配置

Cline 的 MCP 配置在 VS Code 的设置里，找到 Cline 插件的配置项，选择 API Provider 为“OpenAI Compatible”，然后填写：

{ "apiProvider": "openai", "openAiBaseUrl": "https://taotoken.net/api", "openAiApiKey": "sk-你的TaoToken密钥", "openAiModelId": "gpt-4o" }

如果你用的是 Cline 的 MCP 功能，还需要在 MCP 服务器配置里指定模型。MCP 的本质是让 Agent 能调用外部工具，配置好 Base URL 后，Cline 的所有模型请求都会走 TaoToken。

这里有个细节：Cline 的 MCP 配置里，openAiBaseUrl填https://taotoken.net/api即可，不需要加/v1。Cline 会自动拼接路径。如果你填了/v1，可能会变成/v1/v1/chat/completions，导致 404。

3.3 Codex auth.json 配置

Codex 的配置文件是auth.json，通常位于~/.codex/auth.json。内容如下：

{ "openai": { "apiKey": "sk-你的TaoToken密钥", "baseURL": "https://taotoken.net/api" } }

如果你的 Codex 版本要求填完整的 endpoint，就把baseURL改成https://taotoken.net/api/v1。保存后重启 Codex，它会读取这个配置。

3.4 通用 Python 脚本配置

如果你自己写 Agent 脚本，用 OpenAI SDK 的话，配置如下：

from openai import OpenAI client = OpenAI( base_url="https://taotoken.net/api", api_key="sk-你的TaoToken密钥" ) response = client.chat.completions.create( model="gpt-4o", messages=[ {"role": "user", "content": "用一句话解释什么是提示链"} ] ) print(response.choices[0].message.content)

这段代码可以直接跑。把 Key 替换成你的，模型换成你要用的，就能验证通道。如果返回正常，说明 Base URL 和 Key 都配对了。

3.5 配置检查清单

在继续之前，对照检查这几项：

配置完成后，下一步就是发请求验证。如果这一步没过，后面的模式都跑不起来。

4. 验证请求与成功结果：逐个跑通核心模式

配置好通道后，我们用一个实际请求验证，然后逐个跑通几个核心模式。我会用 Python 脚本演示，因为这样最直观，你能看到每一步的输入输出。

4.1 基础验证：确认通道可用

先跑一个最简单的请求，确认 TaoToken 通道正常：

from openai import OpenAI client = OpenAI( base_url="https://taotoken.net/api", api_key="sk-你的TaoToken密钥" ) response = client.chat.completions.create( model="gpt-4o", messages=[{"role": "user", "content": "回复 OK"}] ) print(response.choices[0].message.content)

如果输出OK，说明通道没问题。如果报错，看第 5 节的排查。

4.2 模式 1：提示链（Prompt Chaining）

提示链的核心是把复杂任务拆成多步，前一步输出作为下一步输入。下面是一个文档摘要 → 翻译 → 风格调整的链：

def prompt_chain(text): # 第一步：摘要 step1 = client.chat.completions.create( model="gpt-4o", messages=[{"role": "user", "content": f"用一句话总结：{text}"}] ).choices[0].message.content # 第二步：翻译 step2 = client.chat.completions.create( model="gpt-4o", messages=[{"role": "user", "content": f"翻译成英文：{step1}"}] ).choices[0].message.content # 第三步：风格调整 step3 = client.chat.completions.create( model="gpt-4o", messages=[{"role": "user", "content": f"改写成正式语气：{step2}"}] ).choices[0].message.content return step3 result = prompt_chain("智能体是一种能自主感知环境并采取行动的系统。") print(result)

每一步的输出都作为下一步的输入，这就是链式依赖。实测下来，这种拆解比一次性让模型做三件事要稳定得多。

4.3 模式 2：路由（Routing）

路由是根据输入类型把请求导向不同处理逻辑。下面用 LLM 判断做路由：

def route_query(query): # 让模型判断类型 router = client.chat.completions.create( model="gpt-4o", messages=[{ "role": "user", "content": f"判断以下问题属于哪类，只回复类别名：数据库、订单、闲聊。问题：{query}" }] ).choices[0].message.content.strip() if "数据库" in router: return handle_database(query) elif "订单" in router: return handle_order(query) else: return handle_chat(query) def handle_database(q): return f"[数据库Agent] 处理：{q}" def handle_order(q): return f"[订单Agent] 处理：{q}" def handle_chat(q): return f"[闲聊Agent] 处理：{q}" print(route_query("帮我查一下上个月的销售数据")) print(route_query("我的订单什么时候到"))

路由让 Agent 从固定路径变成动态决策，这是处理真实任务多样性的基础。

4.4 模式 5：工具使用（Tool Use）

工具使用是 Agent 的标配能力。下面用 Function Calling 让模型调用一个计算器：

import json def calculator(expression): return str(eval(expression)) tools = [{ "type": "function", "function": { "name": "calculator", "description": "计算数学表达式", "parameters": { "type": "object", "properties": { "expression": {"type": "string", "description": "数学表达式"} }, "required": ["expression"] } } }] response = client.chat.completions.create( model="gpt-4o", messages=[{"role": "user", "content": "计算 123 * 456"}], tools=tools ) tool_call = response.choices[0].message.tool_calls[0] args = json.loads(tool_call.function.arguments) result = calculator(args["expression"]) print(f"计算结果：{result}")

模型会返回一个工具调用请求，你执行后把结果传回去，模型再生成最终回答。这就是工具使用的完整循环。

4.5 模式 4：反思（Reflection）

反思是让模型评估自己的输出并改进。下面是一个 Generator + Critic 的简单实现：

def reflection(task): # 生成初稿 draft = client.chat.completions.create( model="gpt-4o", messages=[{"role": "user", "content": f"完成以下任务：{task}"}] ).choices[0].message.content # 批判 critique = client.chat.completions.create( model="gpt-4o", messages=[{ "role": "user", "content": f"批判以下回答，指出问题：{draft}" }] ).choices[0].message.content # 改进 improved = client.chat.completions.create( model="gpt-4o", messages=[{ "role": "user", "content": f"根据批判改进回答。原回答：{draft}\n批判：{critique}" }] ).choices[0].message.content return improved print(reflection("写一段介绍智能体的文字"))

这个模式在代码生成、文案润色场景特别有用，能显著提升输出质量。

4.6 模式 14：RAG（知识检索）

RAG 是检索 + 生成。下面用简单的关键词匹配模拟检索：

knowledge_base = [ "智能体具有自主性、主动性、响应性和目标导向四个特性。", "提示链将复杂任务拆解为多个子任务，前一步输出作为下一步输入。", "MCP 是 Anthropic 推出的开放协议，用于连接 LLM 与外部资源。" ] def rag_query(question): # 简单检索：找包含关键词的文档 relevant = [doc for doc in knowledge_base if any( word in doc for word in question.replace("？", "").split() )] context = "\n".join(relevant) if relevant else "无相关信息" response = client.chat.completions.create( model="gpt-4o", messages=[{ "role": "user", "content": f"根据以下资料回答问题。资料：{context}\n问题：{question}" }] ).choices[0].message.content return response print(rag_query("智能体有哪些特性？"))

实际生产中你会用向量数据库做语义检索，但原理是一样的：先检索相关片段，再拼接进提示让模型生成。

4.7 验证成功的标志

跑完上面几个模式，你应该能看到：

• 基础请求返回正常内容
• 提示链每一步都有输出且逐步传递
• 路由能正确分类并导向不同处理
• 工具调用能返回计算结果
• 反思能产出改进版回答
• RAG 能基于检索内容回答

如果某一步报错，对照下一节排查。

5. 常见报错排查：401、local proxy failed、reading choices、OAuth

这一节整理实际跑 Agent 时最常遇到的四类报错，每个都给出原因和解决动作。

5.1 401 Unauthorized

报错原文：Error code: 401 - {'error': {'message': 'Invalid API key', 'type': 'invalid_request_error'}}

原因：Key 不对。可能是复制时漏了字符、带了空格、或者 Key 被删除/禁用。

解决：回到 TaoToken 控制台，重新复制 Key。注意复制时不要多选空格。如果 Key 确实被删了，新建一个。另外检查配置文件里 Key 字段名是否正确，比如 Claude Code 用的是ANTHROPIC_API_KEY，Cline 用的是openAiApiKey，写错字段名也会导致读不到 Key。

5.2 local proxy failed

报错原文：local proxy failed: connection refused或proxy error: cannot connect to upstream

原因：Base URL 写错，或者工具在本地起了代理但代理配置不对。有些工具会默认走本地代理端口，如果代理没启动就会报这个。

解决：检查 Base URL 是否为https://taotoken.net/api。如果工具支持关闭代理，在设置里关掉“Use Local Proxy”选项。如果必须用代理，确认代理端口和工具配置一致。实测下来，大多数情况是 Base URL 多写了/v1或漏了https。

5.3 reading choices 报错

报错原文：KeyError: 'choices'或AttributeError: 'NoneType' object has no attribute 'choices'

原因：API 返回的结构和预期不符。可能是模型 ID 写错导致返回错误信息，或者请求格式不对。

解决：先打印完整 response 看返回了什么。如果是错误信息，检查 Model ID 是否正确。TaoToken 支持的模型 ID 可以在控制台查看。另外确认请求里messages格式正确，必须是[{"role": "user", "content": "..."}]这种结构。

5.4 OAuth 相关报错

报错原文：OAuth token expired或authentication failed: invalid token

原因：某些工具（如 Claude Code）默认走 OAuth 登录，如果你配置了 API Key 但工具还在尝试 OAuth，就会冲突。

解决：在工具设置里明确选择“API Key”模式，而不是“OAuth”模式。Claude Code 的 settings.json 里配置了ANTHROPIC_API_KEY后，它会优先用 Key。如果还报 OAuth 错误，检查是否有其他配置文件覆盖了设置。

5.5 排查速查表

排查时记住一个原则：先确认通道，再确认模型，最后确认请求格式。大部分问题出在前两步。

6. 继续深入：从单模式到组合系统

跑通单个模式后，真正的威力在于组合。比如一个自主研究助手，会同时用到规划、工具使用、RAG、多智能体、记忆、反思、人在回路七种模式。你可以先从两三个模式的组合开始，比如“路由 + 工具使用”就是多技能 Agent 的标准骨架，“规划 + 反思”能提升复杂任务交付质量。

如果你想继续练手，建议按这个路径：先用 TaoToken 统一 Key 把基础请求跑通，然后逐个实现本文里的模式示例，最后尝试把三四个模式拼成一个完整流程。每跑通一个，就离能自主完成复杂任务的 Agent 更近一步。

需要创建新的 Key 或查看模型列表，可以进控制台操作；想直接体验模型对话，可以用模型对话页面测试；如果打算长期做编码类 Agent，Coding Plan 会更划算。接入文档里有各工具的详细配置说明，遇到配置问题可以先查文档。

{ "env": { "ANTHROPIC_BASE_URL": "https://taotoken.net/api", "ANTHROPIC_API_KEY": "sk-你的TaoToken密钥", "ANTHROPIC_MODEL": "claude-sonnet-4-20250514" } }

把这段配置放进你的工具，替换 Key，就能开始跑第一个 Agent 模式了。