1. Claude Code 之后为什么还要折腾开源工具Claude Code 写代码确实快但如果你已经用它跑过几个真实项目大概率遇到过这种情况单文件生成很顺一旦项目跨了五六个服务、涉及数据库迁移、定时任务、权限校验它就开始“记不住”上下文改 A 文件把 B 文件搞崩。这不是模型能力问题而是缺少一个稳定的系统边界——AI 需要一个能看懂、能约束、能回滚的工程骨架。我试过把 Claude Code 直接怼到一个空目录让它从零搭后台前 200 行很漂亮到第 800 行就开始出现重复的 model 定义和互相矛盾的接口签名。后来换成“先搭开源底座再让 AI 在底座上填业务”的思路返工率明显下降。这篇就围绕这个思路给你 6 个经过验证的开源工具每个都给出可复制的配置骨架并且统一通过 TaoToken 的 Key/API 通道接入省得你在多个平台之间来回切账号。适合谁看已经用 Claude Code 或 Cursor 写过项目、准备把 AI 生成代码落到可维护系统里的开发者以及想给团队搭一套“AI 友好”基础设施的技术负责人。下面每个工具我都会给到 settings.json 或 config.toml 级别的配置片段你复制改改就能跑。2. TaoToken 前置一个 Key 打通六个工具的模型通道这 6 个工具里有 4 个需要调用大模型NocoBase 的 AI 插件、n8n 的 AI 节点、Qdrant 的 embedding、OpenHands 的 agent如果每个都单独配 OpenAI/Anthropic 的 Key管理成本很高。TaoToken 的作用就是提供一个统一的 API 入口你只维护一个 Key所有工具都指向同一个 base_url。先拿到 Key访问 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi_keysutm_campaignrewrite 登录后在控制台创建 API Key复制形如sk-xxxxxxxx的字符串。注意这个 Key 只在创建时完整显示一次先存到密码管理器。TaoToken 的 API 基地址是https://taotoken.net/api兼容 OpenAI 的/v1/chat/completions和/v1/embeddings接口格式。也就是说任何支持自定义 base_url 的工具把地址改成这个、Key 换成 TaoToken 的就能直接跑。下面每个工具的配置里我都会标注具体填哪一项。注意不要把 Key 硬编码进会提交到 Git 的文件。下面配置里我用${TAOTOKEN_API_KEY}占位你在本地用环境变量注入或者放进.env并加进.gitignore。如果你还没决定用哪个模型可以先到模型对话页面 https://taotoken.net/chat?utm_sourcetaotoken_aicg_blog_endutm_contentmodel_chatutm_campaignrewrite 试几条 prompt确认返回质量再写进配置。长期跑编码和 Agent 任务的话Coding Plan 页面 https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding_planutm_campaignrewrite 有更细的额度说明按你的调用量选。3. 六个开源工具的可复制配置骨架3.1 NocoBase给 AI 一个数据模型驱动的业务底座NocoBase 是开源的无代码/低代码平台核心是“数据模型驱动”——你先定义 collection表、字段、关系、权限AI 再基于这些结构生成页面和工作流。这样 Claude Code 不会每次从空白项目重建基础设施。安装用 Docker Compose先拉一份最小配置# docker-compose.yml version: 3 services: nocobase: image: nocobase/nocobase:latest ports: - 13000:80 environment: - APP_KEY${NOCOBASE_APP_KEY} - DB_DIALECTpostgres - DB_HOSTpostgres - DB_DATABASEnocobase - DB_USERnocobase - DB_PASSWORD${NOCOBASE_DB_PASSWORD} - AI_BASE_URLhttps://taotoken.net/api - AI_API_KEY${TAOTOKEN_API_KEY} depends_on: - postgres postgres: image: postgres:15 environment: - POSTGRES_DBnocobase - POSTGRES_USERnocobase - POSTGRES_PASSWORD${NOCOBASE_DB_PASSWORD} volumes: - ./data/pg:/var/lib/postgresql/dataAI_BASE_URL和AI_API_KEY这两项就是接 TaoToken 的入口NocoBase 的 AI 插件会读这两个变量去调模型。启动后访问http://localhost:13000用默认账号adminnocobase.com/admin123登录第一件事是改密码。然后在 Claude Code 里让它帮你生成一个 CRM 的 collection 定义prompt 可以这样写基于 NocoBase 的 collection 机制帮我定义一个 customers 表 字段包括 name(string)、phone(string)、level(enum: A/B/C)、 owner(belongsTo users)、createdAt(date)。输出成 NocoBase 的 collection JSON 配置我直接导入。Claude Code 会给你一段 JSON你贴进 NocoBase 的“数据表管理 - 导入”即可。这一步的关键是AI 只负责生成结构描述真正的表、权限、页面由 NocoBase 落地边界清晰。3.2 n8n把 AI 节点编排成可维护的工作流n8n 是开源自动化平台和 Claude Code 的分工是Claude Code 写单个节点的逻辑代码n8n 负责整体流程的可视化编排和错误重试。当工作流涉及多个系统、异步任务时纯脚本会越来越难维护n8n 的节点图能让你一眼看清数据流向。Docker 部署配置# docker-compose.yml version: 3 services: n8n: image: n8nio/n8n:latest ports: - 5678:5678 environment: - N8N_BASIC_AUTH_ACTIVEtrue - N8N_BASIC_AUTH_USERadmin - N8N_BASIC_AUTH_PASSWORD${N8N_PASSWORD} - DB_TYPEpostgresdb - DB_POSTGRESDB_HOSTpostgres - DB_POSTGRESDB_DATABASEn8n - DB_POSTGRESDB_USERn8n - DB_POSTGRESDB_PASSWORD${N8N_DB_PASSWORD} - N8N_AI_BASE_URLhttps://taotoken.net/api - N8N_AI_API_KEY${TAOTOKEN_API_KEY} volumes: - ./data/n8n:/home/node/.n8n depends_on: - postgres postgres: image: postgres:15 environment: - POSTGRES_DBn8n - POSTGRES_USERn8n - POSTGRES_PASSWORD${N8N_DB_PASSWORD} volumes: - ./data/pg:/var/lib/postgresql/data启动后访问http://localhost:5678在“Credentials”里新建一个 OpenAI 类型的凭证Base URL 填https://taotoken.net/apiAPI Key 填 TaoToken 的 Key。之后在 AI 节点里选这个凭证就行。一个实用场景让 Claude Code 生成一个“收到 webhook - 调模型分类 - 写数据库”的节点逻辑你把它封装成 n8n 的 Code 节点外层用 Webhook 节点和 Postgres 节点串起来。这样流程可视化出错能单独重跑某个节点不用整个脚本重来。3.3 Qdrant给 AI 装一个长期记忆的向量库Qdrant 是开源向量数据库解决的是 Claude Code “记不住整个系统”的问题。你把项目文档、接口说明、历史决策做成 embedding 存进 Qdrant检索时把相关片段喂给模型它就有了长期上下文。Docker 启动docker run -d --name qdrant \ -p 6333:6333 -p 6334:6334 \ -v $(pwd)/data/qdrant:/qdrant/storage \ qdrant/qdrant:latestPython 侧接 TaoToken 的 embedding 接口# embed_and_upsert.py import os from openai import OpenAI from qdrant_client import QdrantClient from qdrant_client.models import PointStruct, VectorParams, Distance client OpenAI( base_urlhttps://taotoken.net/api, api_keyos.environ[TAOTOKEN_API_KEY], ) qdrant QdrantClient(urlhttp://localhost:6333) qdrant.recreate_collection( collection_nameproject_docs, vectors_configVectorParams(size1536, distanceDistance.COSINE), ) docs [ 订单服务使用 PostgreSQL订单状态机定义在 order_fsm.py, 用户鉴权走 JWTtoken 有效期 2 小时刷新接口 /auth/refresh, ] resp client.embeddings.create(modeltext-embedding-3-small, inputdocs) points [ PointStruct(idi, vectord.embedding, payload{text: docs[i]}) for i, d in enumerate(resp.data) ] qdrant.upsert(collection_nameproject_docs, pointspoints) print(upserted, len(points))跑完这段你的项目知识就进了向量库。之后 Claude Code 需要上下文时先查 Qdrant 拿相关片段再拼进 prompt。size1536要和 embedding 模型维度一致换模型时记得同步改。3.4 Outline人和 AI 共享的文档上下文Outline 是开源知识库定位是团队 Wiki。它的价值在于PRD、数据结构、工作流这些如果没写清楚AI 就没法持续参与维护。Outline 把这些集中管理还支持 Markdown 和权限控制。Docker Compose 骨架# docker-compose.yml version: 3 services: outline: image: outlinewiki/outline:latest ports: - 3000:3000 environment: - SECRET_KEY${OUTLINE_SECRET} - UTILS_SECRET${OUTLINE_UTILS_SECRET} - DATABASE_URLpostgres://outline:${OUTLINE_DB_PASSWORD}postgres:5432/outline - REDIS_URLredis://redis:6379 - URLhttp://localhost:3000 - FILE_STORAGElocal - FILE_STORAGE_LOCAL_ROOT_DIR/var/lib/outline/data volumes: - ./data/outline:/var/lib/outline/data depends_on: - postgres - redis postgres: image: postgres:15 environment: - POSTGRES_DBoutline - POSTGRES_USERoutline - POSTGRES_PASSWORD${OUTLINE_DB_PASSWORD} volumes: - ./data/pg:/var/lib/postgresql/data redis: image: redis:7启动后建一个“AI Context”空间把项目的接口约定、数据库 schema、部署流程写进去。然后让 Claude Code 通过 Outline 的 API 读取这些文档作为上下文。Outline 提供 REST API你可以在 prompt 里让它先调/api/documents.list拉取相关文档。3.5 Coolify自托管部署层别让 AI 管服务器Coolify 是开源自托管平台可以理解为 Vercel/Railway 的开源替代。Claude Code 生成 Dockerfile 和 CI 脚本很快但真正管服务器、数据库、证书这些事交给 Coolify 更稳。在 Ubuntu 服务器上安装curl -fsSL https://cdn.coollabs.io/coolify/install.sh | bash装完访问http://服务器IP:8000初始化管理员账号。然后在 Coolify 里新建 Project连接你的 Git 仓库它会自动识别 Dockerfile 或 docker-compose.yml 并部署。Claude Code 在这里的角色是生成部署配置。比如让它写一个多阶段构建的 Dockerfile帮我写一个 Node.js 项目的多阶段 Dockerfile 构建阶段用 node:20-alpine 装依赖并 build 运行阶段只拷贝 dist 和 production 依赖 暴露 3000 端口用非 root 用户运行。拿到 Dockerfile 后提交到仓库Coolify 自动拉取构建。这样 AI 只碰代码和配置服务器运维由 Coolify 兜底。3.6 OpenHands能长时间跑的工程 AgentOpenHands 是开源 AI Agent 项目和 Claude Code 的区别是Claude Code 更像交互式助手OpenHands 更像能持续运行的工程智能体适合自动化 bug 修复、长时间任务、多步骤协作。Docker 启动docker run -d --name openhands \ -p 3000:3000 \ -e SANDBOX_RUNTIME_CONTAINER_IMAGEdocker.all-hands.dev/all-hands-ai/runtime:latest \ -e LLM_BASE_URLhttps://taotoken.net/api \ -e LLM_API_KEY${TAOTOKEN_API_KEY} \ -e LLM_MODELgpt-4o \ -v /var/run/docker.sock:/var/run/docker.sock \ -v $(pwd)/data/openhands:/.openhands \ docker.all-hands.dev/all-hands-ai/openhands:latestLLM_BASE_URL指向 TaoTokenLLM_MODEL填你要用的模型名。启动后访问http://localhost:3000在界面里新建任务比如“读取当前仓库找出所有未处理的 TODO 并生成修复 PR”。OpenHands 会自己规划步骤、执行命令、读文件、改代码。注意OpenHands 会挂载 docker.sock等于给了容器操作宿主 Docker 的能力。生产环境务必限制它的网络和文件权限别直接暴露到公网。4. 验证请求确认 TaoToken 通道真的通了配置写完别急着跑业务先用一条最小请求验证通道。用 curl 测 chat 接口curl -s https://taotoken.net/api/v1/chat/completions \ -H Authorization: Bearer ${TAOTOKEN_API_KEY} \ -H Content-Type: application/json \ -d { model: gpt-4o, messages: [{role: user, content: 回复 OK 两个字母}], max_tokens: 10 }正常返回类似{ id: chatcmpl-xxx, object: chat.completion, choices: [ {index: 0, message: {role: assistant, content: OK}, finish_reason: stop} ], usage: {prompt_tokens: 12, completion_tokens: 2, total_tokens: 14} }看到content里有内容、usage有 token 计数说明 Key 和 base_url 都对。再测 embeddingcurl -s https://taotoken.net/api/v1/embeddings \ -H Authorization: Bearer ${TAOTOKEN_API_KEY} \ -H Content-Type: application/json \ -d {model: text-embedding-3-small, input: test}返回里data[0].embedding是一个长度 1536 的数组就说明向量通道也通了。这两个接口通了上面 6 个工具里凡是走 OpenAI 兼容协议的都能接上。5. 本篇常见错排查报 401 Unauthorized九成是 Key 没读到。检查环境变量是否真的注入到容器里docker exec 容器名 env | grep TAOTOKEN看一眼。如果是 docker-compose注意.env文件要和 compose 文件同目录变量名大小写一致。报 404 model not found模型名写错了。TaoToken 的模型名和官方一致比如gpt-4o、text-embedding-3-small。别自己加前缀。到模型对话页面确认可用模型列表。Qdrant 报 dimension mismatchcollection 建的时候size和 embedding 模型维度对不上。text-embedding-3-small是 1536text-embedding-3-large是 3072。换模型要重建 collection旧数据没法直接复用。n8n 的 AI 节点连不上n8n 的凭证里 Base URL 要填到https://taotoken.net/api不要带/v1n8n 会自己拼路径。如果填了/v1会变成/v1/v1/chat/completions直接 404。OpenHands 启动后任务卡住多半是 sandbox runtime 镜像没拉下来。先手动docker pull docker.all-hands.dev/all-hands-ai/runtime:latest再重启容器。另外确认docker.sock挂载路径正确否则 Agent 没法起子容器执行命令。Coolify 部署失败但日志没信息检查仓库里 Dockerfile 的构建上下文。Coolify 默认用仓库根目录做 context如果你的 Dockerfile 在子目录要在 Coolify 的 Build 设置里改 Base Directory。6. 接下来怎么走六个工具不用一次全上。我的建议是先跑通 TaoToken 的 curl 验证然后挑一个最贴近你当前痛点的业务系统乱就上 NocoBase自动化脚本难维护就上 n8nAI 记不住上下文就上 Qdrant。每个工具单独跑通后再考虑串联。接入过程中遇到 Key 或 base_url 的问题直接到接入文档 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 对照参数说明排查。如果你打算长期跑编码和 Agent 任务Coding Plan https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding_planutm_campaignrewrite 的额度模型比按次调用更划算。控制台 https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewrite 里能看到每个 Key 的调用量和余额方便你判断哪个工具在烧额度。最后一句实在话AI 生成代码的上限取决于你给它的系统边界有多清晰。这六个工具干的就是把边界画出来的活。
1. Claude Code 之后为什么还要折腾开源工具Claude Code 写代码确实快但如果你已经用它跑过几个真实项目大概率遇到过这种情况单文件生成很顺一旦项目跨了五六个服务、涉及数据库迁移、定时任务、权限校验它就开始“记不住”上下文改 A 文件把 B 文件搞崩。这不是模型能力问题而是缺少一个稳定的系统边界——AI 需要一个能看懂、能约束、能回滚的工程骨架。我试过把 Claude Code 直接怼到一个空目录让它从零搭后台前 200 行很漂亮到第 800 行就开始出现重复的 model 定义和互相矛盾的接口签名。后来换成“先搭开源底座再让 AI 在底座上填业务”的思路返工率明显下降。这篇就围绕这个思路给你 6 个经过验证的开源工具每个都给出可复制的配置骨架并且统一通过 TaoToken 的 Key/API 通道接入省得你在多个平台之间来回切账号。适合谁看已经用 Claude Code 或 Cursor 写过项目、准备把 AI 生成代码落到可维护系统里的开发者以及想给团队搭一套“AI 友好”基础设施的技术负责人。下面每个工具我都会给到 settings.json 或 config.toml 级别的配置片段你复制改改就能跑。2. TaoToken 前置一个 Key 打通六个工具的模型通道这 6 个工具里有 4 个需要调用大模型NocoBase 的 AI 插件、n8n 的 AI 节点、Qdrant 的 embedding、OpenHands 的 agent如果每个都单独配 OpenAI/Anthropic 的 Key管理成本很高。TaoToken 的作用就是提供一个统一的 API 入口你只维护一个 Key所有工具都指向同一个 base_url。先拿到 Key访问 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi_keysutm_campaignrewrite 登录后在控制台创建 API Key复制形如sk-xxxxxxxx的字符串。注意这个 Key 只在创建时完整显示一次先存到密码管理器。TaoToken 的 API 基地址是https://taotoken.net/api兼容 OpenAI 的/v1/chat/completions和/v1/embeddings接口格式。也就是说任何支持自定义 base_url 的工具把地址改成这个、Key 换成 TaoToken 的就能直接跑。下面每个工具的配置里我都会标注具体填哪一项。注意不要把 Key 硬编码进会提交到 Git 的文件。下面配置里我用${TAOTOKEN_API_KEY}占位你在本地用环境变量注入或者放进.env并加进.gitignore。如果你还没决定用哪个模型可以先到模型对话页面 https://taotoken.net/chat?utm_sourcetaotoken_aicg_blog_endutm_contentmodel_chatutm_campaignrewrite 试几条 prompt确认返回质量再写进配置。长期跑编码和 Agent 任务的话Coding Plan 页面 https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding_planutm_campaignrewrite 有更细的额度说明按你的调用量选。3. 六个开源工具的可复制配置骨架3.1 NocoBase给 AI 一个数据模型驱动的业务底座NocoBase 是开源的无代码/低代码平台核心是“数据模型驱动”——你先定义 collection表、字段、关系、权限AI 再基于这些结构生成页面和工作流。这样 Claude Code 不会每次从空白项目重建基础设施。安装用 Docker Compose先拉一份最小配置# docker-compose.yml version: 3 services: nocobase: image: nocobase/nocobase:latest ports: - 13000:80 environment: - APP_KEY${NOCOBASE_APP_KEY} - DB_DIALECTpostgres - DB_HOSTpostgres - DB_DATABASEnocobase - DB_USERnocobase - DB_PASSWORD${NOCOBASE_DB_PASSWORD} - AI_BASE_URLhttps://taotoken.net/api - AI_API_KEY${TAOTOKEN_API_KEY} depends_on: - postgres postgres: image: postgres:15 environment: - POSTGRES_DBnocobase - POSTGRES_USERnocobase - POSTGRES_PASSWORD${NOCOBASE_DB_PASSWORD} volumes: - ./data/pg:/var/lib/postgresql/dataAI_BASE_URL和AI_API_KEY这两项就是接 TaoToken 的入口NocoBase 的 AI 插件会读这两个变量去调模型。启动后访问http://localhost:13000用默认账号adminnocobase.com/admin123登录第一件事是改密码。然后在 Claude Code 里让它帮你生成一个 CRM 的 collection 定义prompt 可以这样写基于 NocoBase 的 collection 机制帮我定义一个 customers 表 字段包括 name(string)、phone(string)、level(enum: A/B/C)、 owner(belongsTo users)、createdAt(date)。输出成 NocoBase 的 collection JSON 配置我直接导入。Claude Code 会给你一段 JSON你贴进 NocoBase 的“数据表管理 - 导入”即可。这一步的关键是AI 只负责生成结构描述真正的表、权限、页面由 NocoBase 落地边界清晰。3.2 n8n把 AI 节点编排成可维护的工作流n8n 是开源自动化平台和 Claude Code 的分工是Claude Code 写单个节点的逻辑代码n8n 负责整体流程的可视化编排和错误重试。当工作流涉及多个系统、异步任务时纯脚本会越来越难维护n8n 的节点图能让你一眼看清数据流向。Docker 部署配置# docker-compose.yml version: 3 services: n8n: image: n8nio/n8n:latest ports: - 5678:5678 environment: - N8N_BASIC_AUTH_ACTIVEtrue - N8N_BASIC_AUTH_USERadmin - N8N_BASIC_AUTH_PASSWORD${N8N_PASSWORD} - DB_TYPEpostgresdb - DB_POSTGRESDB_HOSTpostgres - DB_POSTGRESDB_DATABASEn8n - DB_POSTGRESDB_USERn8n - DB_POSTGRESDB_PASSWORD${N8N_DB_PASSWORD} - N8N_AI_BASE_URLhttps://taotoken.net/api - N8N_AI_API_KEY${TAOTOKEN_API_KEY} volumes: - ./data/n8n:/home/node/.n8n depends_on: - postgres postgres: image: postgres:15 environment: - POSTGRES_DBn8n - POSTGRES_USERn8n - POSTGRES_PASSWORD${N8N_DB_PASSWORD} volumes: - ./data/pg:/var/lib/postgresql/data启动后访问http://localhost:5678在“Credentials”里新建一个 OpenAI 类型的凭证Base URL 填https://taotoken.net/apiAPI Key 填 TaoToken 的 Key。之后在 AI 节点里选这个凭证就行。一个实用场景让 Claude Code 生成一个“收到 webhook - 调模型分类 - 写数据库”的节点逻辑你把它封装成 n8n 的 Code 节点外层用 Webhook 节点和 Postgres 节点串起来。这样流程可视化出错能单独重跑某个节点不用整个脚本重来。3.3 Qdrant给 AI 装一个长期记忆的向量库Qdrant 是开源向量数据库解决的是 Claude Code “记不住整个系统”的问题。你把项目文档、接口说明、历史决策做成 embedding 存进 Qdrant检索时把相关片段喂给模型它就有了长期上下文。Docker 启动docker run -d --name qdrant \ -p 6333:6333 -p 6334:6334 \ -v $(pwd)/data/qdrant:/qdrant/storage \ qdrant/qdrant:latestPython 侧接 TaoToken 的 embedding 接口# embed_and_upsert.py import os from openai import OpenAI from qdrant_client import QdrantClient from qdrant_client.models import PointStruct, VectorParams, Distance client OpenAI( base_urlhttps://taotoken.net/api, api_keyos.environ[TAOTOKEN_API_KEY], ) qdrant QdrantClient(urlhttp://localhost:6333) qdrant.recreate_collection( collection_nameproject_docs, vectors_configVectorParams(size1536, distanceDistance.COSINE), ) docs [ 订单服务使用 PostgreSQL订单状态机定义在 order_fsm.py, 用户鉴权走 JWTtoken 有效期 2 小时刷新接口 /auth/refresh, ] resp client.embeddings.create(modeltext-embedding-3-small, inputdocs) points [ PointStruct(idi, vectord.embedding, payload{text: docs[i]}) for i, d in enumerate(resp.data) ] qdrant.upsert(collection_nameproject_docs, pointspoints) print(upserted, len(points))跑完这段你的项目知识就进了向量库。之后 Claude Code 需要上下文时先查 Qdrant 拿相关片段再拼进 prompt。size1536要和 embedding 模型维度一致换模型时记得同步改。3.4 Outline人和 AI 共享的文档上下文Outline 是开源知识库定位是团队 Wiki。它的价值在于PRD、数据结构、工作流这些如果没写清楚AI 就没法持续参与维护。Outline 把这些集中管理还支持 Markdown 和权限控制。Docker Compose 骨架# docker-compose.yml version: 3 services: outline: image: outlinewiki/outline:latest ports: - 3000:3000 environment: - SECRET_KEY${OUTLINE_SECRET} - UTILS_SECRET${OUTLINE_UTILS_SECRET} - DATABASE_URLpostgres://outline:${OUTLINE_DB_PASSWORD}postgres:5432/outline - REDIS_URLredis://redis:6379 - URLhttp://localhost:3000 - FILE_STORAGElocal - FILE_STORAGE_LOCAL_ROOT_DIR/var/lib/outline/data volumes: - ./data/outline:/var/lib/outline/data depends_on: - postgres - redis postgres: image: postgres:15 environment: - POSTGRES_DBoutline - POSTGRES_USERoutline - POSTGRES_PASSWORD${OUTLINE_DB_PASSWORD} volumes: - ./data/pg:/var/lib/postgresql/data redis: image: redis:7启动后建一个“AI Context”空间把项目的接口约定、数据库 schema、部署流程写进去。然后让 Claude Code 通过 Outline 的 API 读取这些文档作为上下文。Outline 提供 REST API你可以在 prompt 里让它先调/api/documents.list拉取相关文档。3.5 Coolify自托管部署层别让 AI 管服务器Coolify 是开源自托管平台可以理解为 Vercel/Railway 的开源替代。Claude Code 生成 Dockerfile 和 CI 脚本很快但真正管服务器、数据库、证书这些事交给 Coolify 更稳。在 Ubuntu 服务器上安装curl -fsSL https://cdn.coollabs.io/coolify/install.sh | bash装完访问http://服务器IP:8000初始化管理员账号。然后在 Coolify 里新建 Project连接你的 Git 仓库它会自动识别 Dockerfile 或 docker-compose.yml 并部署。Claude Code 在这里的角色是生成部署配置。比如让它写一个多阶段构建的 Dockerfile帮我写一个 Node.js 项目的多阶段 Dockerfile 构建阶段用 node:20-alpine 装依赖并 build 运行阶段只拷贝 dist 和 production 依赖 暴露 3000 端口用非 root 用户运行。拿到 Dockerfile 后提交到仓库Coolify 自动拉取构建。这样 AI 只碰代码和配置服务器运维由 Coolify 兜底。3.6 OpenHands能长时间跑的工程 AgentOpenHands 是开源 AI Agent 项目和 Claude Code 的区别是Claude Code 更像交互式助手OpenHands 更像能持续运行的工程智能体适合自动化 bug 修复、长时间任务、多步骤协作。Docker 启动docker run -d --name openhands \ -p 3000:3000 \ -e SANDBOX_RUNTIME_CONTAINER_IMAGEdocker.all-hands.dev/all-hands-ai/runtime:latest \ -e LLM_BASE_URLhttps://taotoken.net/api \ -e LLM_API_KEY${TAOTOKEN_API_KEY} \ -e LLM_MODELgpt-4o \ -v /var/run/docker.sock:/var/run/docker.sock \ -v $(pwd)/data/openhands:/.openhands \ docker.all-hands.dev/all-hands-ai/openhands:latestLLM_BASE_URL指向 TaoTokenLLM_MODEL填你要用的模型名。启动后访问http://localhost:3000在界面里新建任务比如“读取当前仓库找出所有未处理的 TODO 并生成修复 PR”。OpenHands 会自己规划步骤、执行命令、读文件、改代码。注意OpenHands 会挂载 docker.sock等于给了容器操作宿主 Docker 的能力。生产环境务必限制它的网络和文件权限别直接暴露到公网。4. 验证请求确认 TaoToken 通道真的通了配置写完别急着跑业务先用一条最小请求验证通道。用 curl 测 chat 接口curl -s https://taotoken.net/api/v1/chat/completions \ -H Authorization: Bearer ${TAOTOKEN_API_KEY} \ -H Content-Type: application/json \ -d { model: gpt-4o, messages: [{role: user, content: 回复 OK 两个字母}], max_tokens: 10 }正常返回类似{ id: chatcmpl-xxx, object: chat.completion, choices: [ {index: 0, message: {role: assistant, content: OK}, finish_reason: stop} ], usage: {prompt_tokens: 12, completion_tokens: 2, total_tokens: 14} }看到content里有内容、usage有 token 计数说明 Key 和 base_url 都对。再测 embeddingcurl -s https://taotoken.net/api/v1/embeddings \ -H Authorization: Bearer ${TAOTOKEN_API_KEY} \ -H Content-Type: application/json \ -d {model: text-embedding-3-small, input: test}返回里data[0].embedding是一个长度 1536 的数组就说明向量通道也通了。这两个接口通了上面 6 个工具里凡是走 OpenAI 兼容协议的都能接上。5. 本篇常见错排查报 401 Unauthorized九成是 Key 没读到。检查环境变量是否真的注入到容器里docker exec 容器名 env | grep TAOTOKEN看一眼。如果是 docker-compose注意.env文件要和 compose 文件同目录变量名大小写一致。报 404 model not found模型名写错了。TaoToken 的模型名和官方一致比如gpt-4o、text-embedding-3-small。别自己加前缀。到模型对话页面确认可用模型列表。Qdrant 报 dimension mismatchcollection 建的时候size和 embedding 模型维度对不上。text-embedding-3-small是 1536text-embedding-3-large是 3072。换模型要重建 collection旧数据没法直接复用。n8n 的 AI 节点连不上n8n 的凭证里 Base URL 要填到https://taotoken.net/api不要带/v1n8n 会自己拼路径。如果填了/v1会变成/v1/v1/chat/completions直接 404。OpenHands 启动后任务卡住多半是 sandbox runtime 镜像没拉下来。先手动docker pull docker.all-hands.dev/all-hands-ai/runtime:latest再重启容器。另外确认docker.sock挂载路径正确否则 Agent 没法起子容器执行命令。Coolify 部署失败但日志没信息检查仓库里 Dockerfile 的构建上下文。Coolify 默认用仓库根目录做 context如果你的 Dockerfile 在子目录要在 Coolify 的 Build 设置里改 Base Directory。6. 接下来怎么走六个工具不用一次全上。我的建议是先跑通 TaoToken 的 curl 验证然后挑一个最贴近你当前痛点的业务系统乱就上 NocoBase自动化脚本难维护就上 n8nAI 记不住上下文就上 Qdrant。每个工具单独跑通后再考虑串联。接入过程中遇到 Key 或 base_url 的问题直接到接入文档 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 对照参数说明排查。如果你打算长期跑编码和 Agent 任务Coding Plan https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding_planutm_campaignrewrite 的额度模型比按次调用更划算。控制台 https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewrite 里能看到每个 Key 的调用量和余额方便你判断哪个工具在烧额度。最后一句实在话AI 生成代码的上限取决于你给它的系统边界有多清晰。这六个工具干的就是把边界画出来的活。
