1. 先把五个词摆到一张桌子上Prompt、Agent、Skill、MCP、Claude Code 到底谁管什么Prompt、Agent、Skill、MCP、Claude Code 这五个词经常被混着用但它们其实处在完全不同的层级。Prompt 是你对模型说的一句话Agent 是让模型自己循环干活的机制Skill 是把一套做法封装成可复用的模块MCP 是让模型安全调用外部工具的协议Claude Code 则是把这些东西打包好的一个现成产品。适合谁适合已经会用 ChatGPT 或 Claude 聊天、但一看到“Agent 框架”“MCP Server”“Skill 编排”就头大的人。我试过把这五个概念拆开单独学结果越学越乱因为文档各讲各的没有一个统一的运行环境让你看到它们怎么串起来。后来我换了个思路用同一套 API Key 和 Base URL从最简单的 Prompt 调用开始一层一层往上加每加一层就跑一次请求看它到底变了什么。这样五个概念的边界自然就清楚了。这篇文章就是按这个思路写的。你不需要先装一堆框架只需要一个能发 HTTP 请求的环境curl 或 Python 都行加上一个统一的 Key。我会用 TaoToken 作为统一入口因为它同时提供 OpenAI 兼容接口和 Claude 系列模型Base URL 和 Key 一套就够不用为每个概念单独配环境。下面从环境准备开始每一步都有可复制的命令和配置。2. 用 TaoToken 统一 Key 和 Base URL一次配置五层通用在开始跑五层示例之前先把“入口”统一掉。这一步很关键因为后面 Prompt、Agent、Skill、MCP、Claude Code 如果各自用不同的 Key 和地址排查问题时会疯掉。TaoToken 的 API 地址是https://taotoken.net/api兼容 OpenAI 的/v1/chat/completions格式同时也支持 Claude 系列模型。你只需要在官网注册后拿到一个 Key后面所有层都用它。先设置环境变量。Linux/macOS 下直接 exportWindows PowerShell 用$env:export TAOTOKEN_API_KEYsk-你的Key export TAOTOKEN_BASE_URLhttps://taotoken.net/api/v1如果你用 Python建议写一个最小的公共调用函数后面每层都复用它这样能清楚看到“变化只发生在调用方式上而不是底层连接上”import os, json, urllib.request API_KEY os.environ[TAOTOKEN_API_KEY] BASE_URL os.environ[TAOTOKEN_BASE_URL] def chat(messages, modelclaude-sonnet-4-20250514, toolsNone): payload {model: model, messages: messages} if tools: payload[tools] tools req urllib.request.Request( f{BASE_URL}/chat/completions, datajson.dumps(payload).encode(), headers{ Authorization: fBearer {API_KEY}, Content-Type: application/json, }, ) with urllib.request.urlopen(req) as resp: return json.loads(resp.read())这段代码就是后面五层的“底座”。你可以先跑一次确认连通curl -s https://taotoken.net/api/v1/chat/completions \ -H Authorization: Bearer $TAOTOKEN_API_KEY \ -H Content-Type: application/json \ -d {model:claude-sonnet-4-20250514,messages:[{role:user,content:说一句你好}]}如果返回里有choices字段和内容说明 Key 和 Base URL 都对了。如果返回 401先检查 Key 有没有复制完整如果返回local proxy failed或连接超时检查 Base URL 是不是写成了https://taotoken.net/api少了/v1或者多了斜杠。这一步过了再往下走。注意TaoToken 的 API 地址是https://taotoken.net/api实际请求路径要拼上/v1/chat/completions。官网是https://taotoken.net注册和拿 Key 都在那里。不要把这两个搞混。3. 五层逐级跑通Prompt 调用、Agent 循环、Skill 封装、MCP 工具接入、Claude Code 执行这一节是核心。我会按“从简单到复杂”的顺序每层给一个可运行的最小示例并说明它和上一层的区别。你可以在同一个 Python 文件里依次跑观察每层新增了什么。3.1 Prompt一次请求一次回答Prompt 就是 messages 数组里的内容。你写什么模型就按什么回答回答完这次调用就结束。没有循环没有工具没有记忆。resp chat([ {role: system, content: 你是一个简洁的助手回答不超过50字。}, {role: user, content: 用一句话解释什么是 Prompt。} ]) print(resp[choices][0][message][content])跑通后你会看到一句简短回答。这就是 Prompt 的边界它只管“这一次怎么说”不管“下一步做什么”。很多人把 Prompt 写得很长很复杂其实清晰比长度重要。如果你发现模型答偏了先检查 system 里的约束是不是自相矛盾而不是继续加字数。3.2 Agent让模型自己决定下一步Agent 的本质是“循环 工具调用”。模型不再只回答一次而是可以请求调用某个工具拿到结果后继续思考直到它认为任务完成。下面是一个最小 Agent 循环用tools参数告诉模型有哪些工具可用tools [{ type: function, function: { name: get_weather, description: 查询指定城市的天气, parameters: { type: object, properties: {city: {type: string}}, required: [city] } } }] messages [{role: user, content: 北京今天天气怎么样适合跑步吗}] resp chat(messages, toolstools) msg resp[choices][0][message] while msg.get(tool_calls): for call in msg[tool_calls]: # 这里模拟工具返回真实场景换成你的 API result {city:北京,weather:晴,temp:22} messages.append(msg) messages.append({ role: tool, tool_call_id: call[id], content: result }) resp chat(messages, toolstools) msg resp[choices][0][message] print(msg[content])这段代码跑起来后模型会先请求get_weather你返回模拟数据它再基于数据回答“适合跑步”。这就是 Agent 和 Prompt 的区别Prompt 是你说一步它做一步Agent 是你给目标它自己拆步骤。注意Agent 能调工具就意味着它能产生副作用所以真实场景里权限控制必须提前想清楚。3.3 Skill把一套做法封装成可复用模块Skill 不是 API 里的一个参数而是一种组织方式。它把“某类任务该怎么做”写成一段固定的 system 提示或函数下次直接调用不用每次重新描述。比如你经常要让模型按公司格式写周报就可以封装成一个 Skilldef weekly_report_skill(raw_notes): return chat([ {role: system, content: ( 你是一个周报助手。输出格式固定为 一、本周完成二、下周计划三、风险与求助。 每条不超过两行语气客观。 )}, {role: user, content: raw_notes} ])[choices][0][message][content] print(weekly_report_skill(修了登录bug开了两次会下周要做支付对接))这个函数就是 Skill 的雏形它把提示词、格式约束、语气要求都固化下来调用者只需要传原始素材。Skill 的价值在于“稳定基线”让每次输出不会因为提示词写法不同而忽好忽坏。但 Skill 不是越多越好堆多了会互相冲突边界清晰比数量重要。3.4 MCP用统一协议接入外部工具MCP 是 Anthropic 提出的协议标准目的是让模型连接外部工具时不用每个工具写一套适配。你可以把它理解成“工具接入的 USB-C”。在 TaoToken 的兼容接口下MCP 工具最终也是以tools的形式暴露给模型但工具的发现和调用遵循 MCP 协议。一个最小的 MCP 风格工具定义如下mcp_tools [{ type: function, function: { name: query_database, description: 查询销售数据库返回指定月份的汇总数据, parameters: { type: object, properties: { month: {type: string, description: 格式 YYYY-MM} }, required: [month] } } }]然后把它传给 Agent 循环模型就会在需要数据时请求调用。MCP 的关键点是协议只负责“怎么接”不负责“接进来之后怎么用”。你仍然需要 Agent 来规划、Skill 来规范、权限策略来控制。很多人以为接了 MCP 就自动会用工具其实那只是第一步。3.5 Claude Code把上面四层打包成可执行产品Claude Code 是 Anthropic 的编程 Agent 产品它内置了 Agent 循环、文件读写、命令执行、代码搜索等能力相当于把 Prompt、Agent、Skill、MCP 都集成好了。你不需要自己写循环只需要给它目标。在 TaoToken 环境下你可以通过配置 Base URL 和 Key 让它走统一入口。Claude Code 的配置文件通常在~/.claude/settings.json或项目级.claude/settings.json关键字段如下{ env: { ANTHROPIC_BASE_URL: https://taotoken.net/api, ANTHROPIC_API_KEY: sk-你的Key, ANTHROPIC_MODEL: claude-sonnet-4-20250514 } }如果你用 CC Switch 或 Cline MCP 这类工具管理多个环境三件套必须写全Base URL、Key、Model ID。缺一个都会导致请求打不到正确模型。配置好后在项目目录里运行claude输入“帮我看看这个项目里有没有未处理的 TODO”它就会自己搜索文件、读取内容、汇总结果。这就是“现成办公室”的意思你不用从零搭 Agent直接开工。4. 逐层验证请求是否命中用返回字段和日志确认每一层真的跑通了跑通不等于命中。很多时候你以为 Agent 在调工具其实模型只是编了一段看起来像工具调用的文本。所以每层都要有验证手段。Prompt 层看返回的choices[0].message.content是否有内容finish_reason是不是stop。如果finish_reason是length说明被截断了需要调大max_tokens。Agent 层看返回的message里有没有tool_calls字段。如果有说明模型确实请求了工具如果没有说明它选择直接回答。你可以在循环里打印每次tool_calls的function.name确认调的是你定义的工具而不是模型幻觉出来的名字。Skill 层对比两次调用的输出格式是否一致。如果第一次输出三段式、第二次输出一大段说明 Skill 的 system 约束没生效检查是不是被 user 内容覆盖了。MCP 层在工具执行函数里加日志打印入参和返回。如果模型请求了工具但你的日志没打印说明请求根本没到你的执行层可能是工具定义格式不对或模型没识别。Claude Code 层运行claude --debug或在配置里打开日志看请求实际发到了哪个 Base URL。如果日志里出现401或local proxy failed说明 Key 或地址配错了。如果出现reading choices相关报错通常是返回结构不符合预期检查模型 ID 是否写错。一个实用的验证命令是直接 curl 你的 Base URL看返回的模型名和内容curl -s https://taotoken.net/api/v1/chat/completions \ -H Authorization: Bearer $TAOTOKEN_API_KEY \ -H Content-Type: application/json \ -d {model:claude-sonnet-4-20250514,messages:[{role:user,content:ping}]} \ | python -m json.tool如果返回里有model: claude-sonnet-4-20250514说明请求命中了正确模型。如果返回的模型名和你请求的不一致说明中间有路由问题需要检查 Base URL 是否被其他配置覆盖。5. 常见报错排查清单401、local proxy failed、reading choices、OAuth 分别怎么处理这一节按真实报错来。你跑上面五层时大概率会遇到下面几个。401 UnauthorizedKey 不对或没带上。检查Authorization头是不是Bearer sk-xxx注意 Bearer 后面有一个空格。如果你用 Claude Code检查settings.json里的ANTHROPIC_API_KEY有没有写错。另外Key 如果过期或被撤销也会 401去官网重新生成一个。local proxy failed通常是 Base URL 写错或网络不通。TaoToken 的 API 地址是https://taotoken.net/api请求路径要拼/v1/chat/completions。如果你在 Claude Code 里配的是ANTHROPIC_BASE_URL填https://taotoken.net/api即可不要多加/v1因为 Claude Code 会自己拼路径。这个细节很容易搞反建议先用 curl 验证一次。reading choices 相关报错一般是返回结构不符合预期。常见原因是模型 ID 写错导致返回的是错误信息而不是正常 completion。检查model字段是不是你账号下有权限的模型。另外如果你用了流式输出但代码按非流式解析也会出现类似问题确认stream参数和解析逻辑一致。OAuth 相关报错如果你用 Claude Code 的 OAuth 登录方式而不是 API Key可能会遇到 token 刷新失败。在 TaoToken 统一入口下建议直接用 API Key 方式避免 OAuth 和自定义 Base URL 冲突。如果你同时装了多个 Claude 相关工具检查环境变量有没有互相覆盖尤其是ANTHROPIC_API_KEY和ANTHROPIC_BASE_URL。还有一个隐蔽的坑CC Switch 或 Cline MCP 里配置了多套环境但当前激活的不是你改的那套。三件套Base URL、Key、Model ID必须同时检查缺一个都会导致请求打到默认地址。建议每次改完配置后用claude --debug看一次实际请求地址。6. 下一步怎么用按场景选入口别为了学概念而学概念五个概念跑通一遍之后你会发现它们不是替代关系而是分工关系。Prompt 解决“怎么说”Agent 解决“谁来自动推进”Skill 解决“怎么做得稳定”MCP 解决“怎么接外部工具”Claude Code 解决“在哪执行”。你不需要每个都自己搭按场景选就行。如果你只是想让回答更稳继续打磨 Prompt 就够了不用上 Agent。如果你有重复性流程比如每天拉数据生成报表那就用 Agent 加 Skill 封装起来。如果你要接数据库、GitHub、内部系统先看有没有现成的 MCP Server没有再用tools参数自己定义。如果你主要在写代码、改项目直接用 Claude Code把 Base URL 和 Key 配好就能开工。统一 Key 的好处到这里就体现出来了你不需要为每个概念单独申请账号、单独配环境。一套 TaoToken 的 Key 和 Base URL从 Prompt 到 Claude Code 全部通用。想验证模型效果可以去模型对话页面直接试想长期跑编码任务可以看 Coding Plan接入过程中遇到报错先查 API Keys 和接入文档大部分问题那里都有说明。先把一条链路跑通再往上加复杂度比一上来就搭全套框架要稳得多。