1. 从 Codex auth.json 说起AI 工作流到底在编排什么如果你最近在本地跑 Codex CLI大概率见过~/.codex/auth.json这个文件。它不大通常就几十行 JSON但它是整条链路的入口凭证谁在调用模型、调用哪个模型、走哪个 Base URL全在这里定。很多人第一次配它的时候会卡住因为报错信息往往只有一句401 Unauthorized或者local proxy failed看不出到底是 Key 错了、地址错了还是模型 ID 写错了。我先把结论放前面auth.json 不是孤立的配置文件它是 AI 工作流里认证节点的输入。你把它改对只是让第一个节点能跑通真正决定这条链路稳不稳的是后面 Workflow、Graph、Loop 三层编排形态怎么衔接。先解释这三个词用最直白的话Workflow 是要做什么。比如用户提问 → 检索知识库 → 生成回答 → 质量审核 → 不达标就改 → 输出。它描述的是业务目标是自然语言层面的流程。Graph 是用什么结构承载它。把上面每一步拆成 Node节点把节点之间的跳转关系定义成 Edge边把节点间共享的数据放进 State状态。Graph 是 Workflow 的物理载体。Loop 是图上的回边。审核不通过从审核节点跳回修改节点这就是一条回边。Loop 让流程具备迭代收敛能力而不是一条直线跑到底。为什么这三者要放在一起讲因为 LLM 的输出是不确定的。同一段 prompt今天给你规范 JSON明天可能多一句解释工具调用可能超时检索可能返回空。传统工作流假设相同输入节点输出确定AI 工作流不成立。所以你需要 Graph 来定义结构需要 Loop 来处理不达标重试需要 Workflow 来约束最终要交付什么。这篇会从 Codex 的 auth.json 入手先让你把认证节点跑通再往上讲 Workflow、Graph、Loop 怎么串成一条可调试、可回退的链路。适合谁看正在本地折腾 Codex CLI、Cline、Claude Code 这类工具想搞清楚配置之外那层编排逻辑的开发者。读完你能拿到一份可复制的 auth.json 片段、一次完整的验证请求以及一张常见报错对照表。2. TaoToken 前置Base URL、Key、Model ID 三件套怎么备齐在改 auth.json 之前你得先有三样东西Base URL、API Key、Model ID。这三件套缺一个后面所有编排都是空谈。Base URL 指向接口地址。TaoToken 的 API 入口是https://taotoken.net/api注意这里不加任何查询参数保持干净。官网是https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content需要看文档和模型列表可以从这里进。API Key 在控制台生成。路径是 API Keys 页面生成后只显示一次复制下来存好。如果你用的是 Claude Code 这类需要 Anthropic 兼容格式的工具接入文档里有对应的说明别拿 OpenAI 格式的 Key 去填 Anthropic 的字段。Model ID 是你要调用的具体模型标识。不同工具对模型名的写法要求不一样有的要全称有的接受别名。这一步最容易出错填错模型 ID 通常不会报模型不存在而是返回一个格式奇怪的错误或者干脆超时。三件套备齐后先别急着写 auth.json。我建议你先用一条 curl 验证 Key 和地址是通的curl -s https://taotoken.net/api/v1/chat/completions \ -H Content-Type: application/json \ -H Authorization: Bearer $TAOTOKEN_API_KEY \ -d { model: 你的模型ID, messages: [{role: user, content: ping}], max_tokens: 16 }如果这条返回了正常的 JSON 结构说明认证节点本身没问题问题一定出在 auth.json 的字段映射上。如果这条就失败了先解决 Key 和地址别往下走。这里有个细节TaoToken 的接口路径是/api/v1/...有些工具默认会拼/v1/...导致最终请求变成/api/v1/v1/...。遇到 404 先检查这个。另外如果你打算长期跑编码类 Agent比如让 Codex 反复执行生成代码 → 跑测试 → 失败就改这种循环建议了解一下 Coding Plan它针对高频调用场景做了额度设计比按次调用更划算。入口在官网导航里能找到。三件套确认无误后我们进入 auth.json 的实际配置。3. 可复制配置auth.json 与 settings 片段逐字段拆解Codex CLI 的 auth.json 默认在~/.codex/auth.json。不同版本字段名略有差异下面这份是通用结构你按自己版本对照着改{ OPENAI_API_KEY: sk-你的TaoTokenKey, OPENAI_BASE_URL: https://taotoken.net/api, model: 你的模型ID, provider: openai, timeout: 60000, max_retries: 3 }逐字段说明OPENAI_API_KEY填 TaoToken 控制台生成的 Key。注意别把 Key 提交到 Gitauth.json 应该在.gitignore里。OPENAI_BASE_URL填https://taotoken.net/api。不要在后面加/v1Codex 内部会自己拼路径。加了会变成双 v1。model填你的模型 ID。这个字段是后面 Loop 能不能收敛的关键——如果模型本身不支持工具调用你的 Graph 里工具节点会一直失败Loop 就会空转。provider保持openai因为 TaoToken 的接口是 OpenAI 兼容格式。timeout建议 60000 毫秒起步。AI 工作流里经常有长输出节点超时设太短会导致本来能成功的请求被中断然后触发重试白白消耗额度。max_retries设 3。这是最外层的安全边界和后面 Graph Loop 的重试是两回事别混淆。如果你用的是 Cline 或 Claude Code配置位置不一样。Cline 在 VS Code 设置里需要填 Base URL、API Key、Model ID 三项Claude Code 走的是 Anthropic 兼容配置接入文档里有专门的字段对照。三件套在任何工具里都是 Base URL Key Model ID一个都不能少。再给一份 TOML 格式的 settings 片段适合用配置文件管理的场景[model_providers.taotoken] name TaoToken base_url https://taotoken.net/api env_key TAOTOKEN_API_KEY [profiles.default] model_provider taotoken model 你的模型ID这份配置把 Key 放在环境变量里比明文写进 auth.json 安全。设置环境变量export TAOTOKEN_API_KEYsk-你的KeyWindows 用setx TAOTOKEN_API_KEY sk-你的Key然后重开终端。配置写完后先别跑复杂任务。用一条最小请求验证codex 用一句话说明什么是状态机如果返回正常文本说明认证节点通了。如果报错对照第 5 节的排查表。这里要强调一个概念auth.json 只是 Graph 里的一个 Node 的输入。它负责能连上不负责连上之后流程怎么走。很多人配完 auth.json 发现能对话了就以为工作流搭好了其实那只是第一个节点。真正的编排在后面的 Graph 定义和 Loop 控制里。4. 验证请求与成功结果跑通一次完整链路配置改完我们来跑一次完整链路把 Workflow、Graph、Loop 三层都体现出来。先定义一个最小 Workflow生成一段代码 → 检查是否包含指定函数 → 不包含就重新生成 → 最多重试 3 次。用 Python 写一个简化版方便你看清每层的输入输出import os, json, requests BASE_URL https://taotoken.net/api/v1/chat/completions KEY os.environ[TAOTOKEN_API_KEY] MODEL 你的模型ID def call_llm(prompt): resp requests.post( BASE_URL, headers{Authorization: fBearer {KEY}, Content-Type: application/json}, json{model: MODEL, messages: [{role: user, content: prompt}], max_tokens: 512}, timeout60 ) resp.raise_for_status() return resp.json()[choices][0][message][content] def check(code): return def add in code state {prompt: 写一个 Python 函数 add(a, b)只输出代码, output: , round: 0, passed: False} while not state[passed] and state[round] 3: state[round] 1 state[output] call_llm(state[prompt]) state[passed] check(state[output]) print(f第 {state[round]} 轮通过{state[passed]}) print(state[output])这段代码里三层都在Workflow 是生成 → 检查 → 不通过重试这个业务目标。Graph 体现在state字典上——它就是 Statecall_llm和check是两个 Nodewhile循环里的跳转就是 Edge。Loop 就是那个while回边从check跳回call_llm退出条件是passed为真或round到 3。跑起来你会看到类似输出第 1 轮通过True def add(a, b): return a b如果第一轮没通过会看到第 2 轮、第 3 轮。到第 3 轮还没通过循环退出输出最后一版代码——这就是安全边界兜底。关键点State 里必须有round这个计数器。没有它模型如果一直不输出def add你的循环就永远不退出。这就是 excerpt 里说的循环终止条件缺失。再验证一个带工具调用的场景。假设你要让模型先查天气再决定穿什么state {messages: [], tool_result: None, next_step: call_tool, round: 0} while state[next_step] ! end and state[round] 5: state[round] 1 if state[next_step] call_tool: state[tool_result] 晴25度 state[next_step] generate elif state[next_step] generate: state[messages].append(call_llm(f天气{state[tool_result]}建议穿什么)) state[next_step] end这里next_step就是路由字段tool_result是工具节点写入 State 的数据。并行节点同时写tool_result会产生竞态所以这种字段要么用 Append 策略要么保证只有一个节点写。成功结果长这样天气晴25度建议穿短袖。到这里你跑通的不只是一次请求而是一条带认证、带状态、带回退的完整链路。auth.json 负责第一跳Graph 负责结构Loop 负责收敛。5. 本篇常见错排查401、local proxy failed、reading choices、OAuth配置和验证过程中下面这几类报错出现频率最高。我按真实报错信息对照着说。401 Unauthorized最常见。原因有三个Key 复制时带了空格、Key 已失效、auth.json 里字段名写错。先检查OPENAI_API_KEY的值有没有首尾空格再确认 Key 在控制台是否还有效。如果用的是环境变量方式确认echo $TAOTOKEN_API_KEY能打印出值。还有一种情况你把 Anthropic 格式的 Key 填进了 OpenAI 字段或者反过来。local proxy failed这个报错通常出现在工具尝试走本地代理时。检查你的环境变量里有没有HTTP_PROXY、HTTPS_PROXY这类设置如果有先清掉再试。另外确认 Base URL 没有写成localhost或127.0.0.1。TaoToken 的地址是https://taotoken.net/api直接连。reading choices of undefined这个报错的意思是代码在解析响应时choices字段不存在。根因通常是接口返回了错误结构但代码没检查状态码就直接取choices。两种可能一是请求根本没成功返回的是 error 对象二是模型 ID 写错导致返回了非预期结构。修复方式是在取choices前先判断data resp.json() if choices not in data: print(响应异常:, json.dumps(data, ensure_asciiFalse)) raise SystemExit(1)这样你能看到真实的错误信息而不是被undefined掩盖。OAuth 相关报错如果你用的是 Claude Code 或类似工具可能会遇到 OAuth 流程失败。这类工具默认走 Anthropic 的认证方式你需要按接入文档改成 API Key 模式。检查配置文件里是不是还留着 OAuth 的 token 字段把它替换成 Base URL Key Model ID 三件套。三件套缺一个都会导致 OAuth 回退失败。模型 ID 报错但信息不明确有些工具在模型 ID 错误时返回超时或空响应而不是明确的模型不存在。排查方法用第 2 节的 curl 命令单独测模型 ID确认这个 ID 在 TaoToken 的模型列表里存在。循环不退出这不是报错但比报错更危险。表现是程序一直跑额度一直掉。检查你的 Loop 有没有三个东西继续条件、退出条件、安全边界。安全边界至少要有最大轮次最好再加超时和 token 预算。State 字段被覆盖并行节点写同一个字段时后写的会覆盖先写的。如果你发现某个节点的输出莫名其妙丢了检查是不是两个节点都写了同一个 State 键。解决办法要么改成 Append 策略要么给每个节点分配独立的键。排查顺序建议先 curl 验证三件套 → 再检查 auth.json 字段 → 再看代码里的响应解析 → 最后查 Loop 边界。从下往上查能省很多时间。6. 把编排跑顺之后从认证节点到可收敛的工作流auth.json 改对只是让第一个节点亮了灯。真正让 AI 工作流稳定交付的是后面那套结构。我自己的习惯是任何带 LLM 的流程先画 Graph再写代码。画的时候只问三个问题——有哪些节点、节点之间怎么跳、共享哪些状态。这三个问题答清楚Loop 的边界自然就出来了。State 的设计粒度很关键。太粗所有数据塞一个大对象调试时不知道哪个节点改了哪个字段太细字段拆得七零八落节点之间拼接成本高。我的做法是按业务模块分组输入组、生成组、审核组、控制组。控制组里放round、next_step、passed这类路由字段单独管理。Loop 的安全边界我一般设三层最大轮次硬上限、超时单轮和总时长、token 预算累计消耗到阈值就降级。三层里任何一层触发都走兜底逻辑而不是直接抛异常。错误处理按四类分网络超时用指数退避重试模型输出格式错就写回 State 让它自己改缺参数就暂停等人工输入未知错误直接抛出来调试。这四类混在一起处理会导致该重试的没重试该停的停不下来。最后说成本。Loop 会放大 token 消耗这是必然的。控制方法有两个一是区分哪些节点必须调模型粗筛能用规则就用规则二是达标就提前终止不追求绝对最优。审核分数到 80 就放行别非要等到 95。如果你打算把这套东西用到日常编码里让 Agent 反复执行改代码 → 跑测试 → 失败再改可以看看 Coding Plan 的额度设计比单次调用更适合这种循环场景。需要调模型对比效果的时候模型对话页面能直接试。三件套和接入细节都在接入文档里API Key 在控制台生成。链路跑通一次之后你会发现最难的不是配置而是想清楚什么条件下继续、什么条件下停。这两个条件写明白了Workflow、Graph、Loop 就都顺了。
1. 从 Codex auth.json 说起AI 工作流到底在编排什么如果你最近在本地跑 Codex CLI大概率见过~/.codex/auth.json这个文件。它不大通常就几十行 JSON但它是整条链路的入口凭证谁在调用模型、调用哪个模型、走哪个 Base URL全在这里定。很多人第一次配它的时候会卡住因为报错信息往往只有一句401 Unauthorized或者local proxy failed看不出到底是 Key 错了、地址错了还是模型 ID 写错了。我先把结论放前面auth.json 不是孤立的配置文件它是 AI 工作流里认证节点的输入。你把它改对只是让第一个节点能跑通真正决定这条链路稳不稳的是后面 Workflow、Graph、Loop 三层编排形态怎么衔接。先解释这三个词用最直白的话Workflow 是要做什么。比如用户提问 → 检索知识库 → 生成回答 → 质量审核 → 不达标就改 → 输出。它描述的是业务目标是自然语言层面的流程。Graph 是用什么结构承载它。把上面每一步拆成 Node节点把节点之间的跳转关系定义成 Edge边把节点间共享的数据放进 State状态。Graph 是 Workflow 的物理载体。Loop 是图上的回边。审核不通过从审核节点跳回修改节点这就是一条回边。Loop 让流程具备迭代收敛能力而不是一条直线跑到底。为什么这三者要放在一起讲因为 LLM 的输出是不确定的。同一段 prompt今天给你规范 JSON明天可能多一句解释工具调用可能超时检索可能返回空。传统工作流假设相同输入节点输出确定AI 工作流不成立。所以你需要 Graph 来定义结构需要 Loop 来处理不达标重试需要 Workflow 来约束最终要交付什么。这篇会从 Codex 的 auth.json 入手先让你把认证节点跑通再往上讲 Workflow、Graph、Loop 怎么串成一条可调试、可回退的链路。适合谁看正在本地折腾 Codex CLI、Cline、Claude Code 这类工具想搞清楚配置之外那层编排逻辑的开发者。读完你能拿到一份可复制的 auth.json 片段、一次完整的验证请求以及一张常见报错对照表。2. TaoToken 前置Base URL、Key、Model ID 三件套怎么备齐在改 auth.json 之前你得先有三样东西Base URL、API Key、Model ID。这三件套缺一个后面所有编排都是空谈。Base URL 指向接口地址。TaoToken 的 API 入口是https://taotoken.net/api注意这里不加任何查询参数保持干净。官网是https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content需要看文档和模型列表可以从这里进。API Key 在控制台生成。路径是 API Keys 页面生成后只显示一次复制下来存好。如果你用的是 Claude Code 这类需要 Anthropic 兼容格式的工具接入文档里有对应的说明别拿 OpenAI 格式的 Key 去填 Anthropic 的字段。Model ID 是你要调用的具体模型标识。不同工具对模型名的写法要求不一样有的要全称有的接受别名。这一步最容易出错填错模型 ID 通常不会报模型不存在而是返回一个格式奇怪的错误或者干脆超时。三件套备齐后先别急着写 auth.json。我建议你先用一条 curl 验证 Key 和地址是通的curl -s https://taotoken.net/api/v1/chat/completions \ -H Content-Type: application/json \ -H Authorization: Bearer $TAOTOKEN_API_KEY \ -d { model: 你的模型ID, messages: [{role: user, content: ping}], max_tokens: 16 }如果这条返回了正常的 JSON 结构说明认证节点本身没问题问题一定出在 auth.json 的字段映射上。如果这条就失败了先解决 Key 和地址别往下走。这里有个细节TaoToken 的接口路径是/api/v1/...有些工具默认会拼/v1/...导致最终请求变成/api/v1/v1/...。遇到 404 先检查这个。另外如果你打算长期跑编码类 Agent比如让 Codex 反复执行生成代码 → 跑测试 → 失败就改这种循环建议了解一下 Coding Plan它针对高频调用场景做了额度设计比按次调用更划算。入口在官网导航里能找到。三件套确认无误后我们进入 auth.json 的实际配置。3. 可复制配置auth.json 与 settings 片段逐字段拆解Codex CLI 的 auth.json 默认在~/.codex/auth.json。不同版本字段名略有差异下面这份是通用结构你按自己版本对照着改{ OPENAI_API_KEY: sk-你的TaoTokenKey, OPENAI_BASE_URL: https://taotoken.net/api, model: 你的模型ID, provider: openai, timeout: 60000, max_retries: 3 }逐字段说明OPENAI_API_KEY填 TaoToken 控制台生成的 Key。注意别把 Key 提交到 Gitauth.json 应该在.gitignore里。OPENAI_BASE_URL填https://taotoken.net/api。不要在后面加/v1Codex 内部会自己拼路径。加了会变成双 v1。model填你的模型 ID。这个字段是后面 Loop 能不能收敛的关键——如果模型本身不支持工具调用你的 Graph 里工具节点会一直失败Loop 就会空转。provider保持openai因为 TaoToken 的接口是 OpenAI 兼容格式。timeout建议 60000 毫秒起步。AI 工作流里经常有长输出节点超时设太短会导致本来能成功的请求被中断然后触发重试白白消耗额度。max_retries设 3。这是最外层的安全边界和后面 Graph Loop 的重试是两回事别混淆。如果你用的是 Cline 或 Claude Code配置位置不一样。Cline 在 VS Code 设置里需要填 Base URL、API Key、Model ID 三项Claude Code 走的是 Anthropic 兼容配置接入文档里有专门的字段对照。三件套在任何工具里都是 Base URL Key Model ID一个都不能少。再给一份 TOML 格式的 settings 片段适合用配置文件管理的场景[model_providers.taotoken] name TaoToken base_url https://taotoken.net/api env_key TAOTOKEN_API_KEY [profiles.default] model_provider taotoken model 你的模型ID这份配置把 Key 放在环境变量里比明文写进 auth.json 安全。设置环境变量export TAOTOKEN_API_KEYsk-你的KeyWindows 用setx TAOTOKEN_API_KEY sk-你的Key然后重开终端。配置写完后先别跑复杂任务。用一条最小请求验证codex 用一句话说明什么是状态机如果返回正常文本说明认证节点通了。如果报错对照第 5 节的排查表。这里要强调一个概念auth.json 只是 Graph 里的一个 Node 的输入。它负责能连上不负责连上之后流程怎么走。很多人配完 auth.json 发现能对话了就以为工作流搭好了其实那只是第一个节点。真正的编排在后面的 Graph 定义和 Loop 控制里。4. 验证请求与成功结果跑通一次完整链路配置改完我们来跑一次完整链路把 Workflow、Graph、Loop 三层都体现出来。先定义一个最小 Workflow生成一段代码 → 检查是否包含指定函数 → 不包含就重新生成 → 最多重试 3 次。用 Python 写一个简化版方便你看清每层的输入输出import os, json, requests BASE_URL https://taotoken.net/api/v1/chat/completions KEY os.environ[TAOTOKEN_API_KEY] MODEL 你的模型ID def call_llm(prompt): resp requests.post( BASE_URL, headers{Authorization: fBearer {KEY}, Content-Type: application/json}, json{model: MODEL, messages: [{role: user, content: prompt}], max_tokens: 512}, timeout60 ) resp.raise_for_status() return resp.json()[choices][0][message][content] def check(code): return def add in code state {prompt: 写一个 Python 函数 add(a, b)只输出代码, output: , round: 0, passed: False} while not state[passed] and state[round] 3: state[round] 1 state[output] call_llm(state[prompt]) state[passed] check(state[output]) print(f第 {state[round]} 轮通过{state[passed]}) print(state[output])这段代码里三层都在Workflow 是生成 → 检查 → 不通过重试这个业务目标。Graph 体现在state字典上——它就是 Statecall_llm和check是两个 Nodewhile循环里的跳转就是 Edge。Loop 就是那个while回边从check跳回call_llm退出条件是passed为真或round到 3。跑起来你会看到类似输出第 1 轮通过True def add(a, b): return a b如果第一轮没通过会看到第 2 轮、第 3 轮。到第 3 轮还没通过循环退出输出最后一版代码——这就是安全边界兜底。关键点State 里必须有round这个计数器。没有它模型如果一直不输出def add你的循环就永远不退出。这就是 excerpt 里说的循环终止条件缺失。再验证一个带工具调用的场景。假设你要让模型先查天气再决定穿什么state {messages: [], tool_result: None, next_step: call_tool, round: 0} while state[next_step] ! end and state[round] 5: state[round] 1 if state[next_step] call_tool: state[tool_result] 晴25度 state[next_step] generate elif state[next_step] generate: state[messages].append(call_llm(f天气{state[tool_result]}建议穿什么)) state[next_step] end这里next_step就是路由字段tool_result是工具节点写入 State 的数据。并行节点同时写tool_result会产生竞态所以这种字段要么用 Append 策略要么保证只有一个节点写。成功结果长这样天气晴25度建议穿短袖。到这里你跑通的不只是一次请求而是一条带认证、带状态、带回退的完整链路。auth.json 负责第一跳Graph 负责结构Loop 负责收敛。5. 本篇常见错排查401、local proxy failed、reading choices、OAuth配置和验证过程中下面这几类报错出现频率最高。我按真实报错信息对照着说。401 Unauthorized最常见。原因有三个Key 复制时带了空格、Key 已失效、auth.json 里字段名写错。先检查OPENAI_API_KEY的值有没有首尾空格再确认 Key 在控制台是否还有效。如果用的是环境变量方式确认echo $TAOTOKEN_API_KEY能打印出值。还有一种情况你把 Anthropic 格式的 Key 填进了 OpenAI 字段或者反过来。local proxy failed这个报错通常出现在工具尝试走本地代理时。检查你的环境变量里有没有HTTP_PROXY、HTTPS_PROXY这类设置如果有先清掉再试。另外确认 Base URL 没有写成localhost或127.0.0.1。TaoToken 的地址是https://taotoken.net/api直接连。reading choices of undefined这个报错的意思是代码在解析响应时choices字段不存在。根因通常是接口返回了错误结构但代码没检查状态码就直接取choices。两种可能一是请求根本没成功返回的是 error 对象二是模型 ID 写错导致返回了非预期结构。修复方式是在取choices前先判断data resp.json() if choices not in data: print(响应异常:, json.dumps(data, ensure_asciiFalse)) raise SystemExit(1)这样你能看到真实的错误信息而不是被undefined掩盖。OAuth 相关报错如果你用的是 Claude Code 或类似工具可能会遇到 OAuth 流程失败。这类工具默认走 Anthropic 的认证方式你需要按接入文档改成 API Key 模式。检查配置文件里是不是还留着 OAuth 的 token 字段把它替换成 Base URL Key Model ID 三件套。三件套缺一个都会导致 OAuth 回退失败。模型 ID 报错但信息不明确有些工具在模型 ID 错误时返回超时或空响应而不是明确的模型不存在。排查方法用第 2 节的 curl 命令单独测模型 ID确认这个 ID 在 TaoToken 的模型列表里存在。循环不退出这不是报错但比报错更危险。表现是程序一直跑额度一直掉。检查你的 Loop 有没有三个东西继续条件、退出条件、安全边界。安全边界至少要有最大轮次最好再加超时和 token 预算。State 字段被覆盖并行节点写同一个字段时后写的会覆盖先写的。如果你发现某个节点的输出莫名其妙丢了检查是不是两个节点都写了同一个 State 键。解决办法要么改成 Append 策略要么给每个节点分配独立的键。排查顺序建议先 curl 验证三件套 → 再检查 auth.json 字段 → 再看代码里的响应解析 → 最后查 Loop 边界。从下往上查能省很多时间。6. 把编排跑顺之后从认证节点到可收敛的工作流auth.json 改对只是让第一个节点亮了灯。真正让 AI 工作流稳定交付的是后面那套结构。我自己的习惯是任何带 LLM 的流程先画 Graph再写代码。画的时候只问三个问题——有哪些节点、节点之间怎么跳、共享哪些状态。这三个问题答清楚Loop 的边界自然就出来了。State 的设计粒度很关键。太粗所有数据塞一个大对象调试时不知道哪个节点改了哪个字段太细字段拆得七零八落节点之间拼接成本高。我的做法是按业务模块分组输入组、生成组、审核组、控制组。控制组里放round、next_step、passed这类路由字段单独管理。Loop 的安全边界我一般设三层最大轮次硬上限、超时单轮和总时长、token 预算累计消耗到阈值就降级。三层里任何一层触发都走兜底逻辑而不是直接抛异常。错误处理按四类分网络超时用指数退避重试模型输出格式错就写回 State 让它自己改缺参数就暂停等人工输入未知错误直接抛出来调试。这四类混在一起处理会导致该重试的没重试该停的停不下来。最后说成本。Loop 会放大 token 消耗这是必然的。控制方法有两个一是区分哪些节点必须调模型粗筛能用规则就用规则二是达标就提前终止不追求绝对最优。审核分数到 80 就放行别非要等到 95。如果你打算把这套东西用到日常编码里让 Agent 反复执行改代码 → 跑测试 → 失败再改可以看看 Coding Plan 的额度设计比单次调用更适合这种循环场景。需要调模型对比效果的时候模型对话页面能直接试。三件套和接入细节都在接入文档里API Key 在控制台生成。链路跑通一次之后你会发现最难的不是配置而是想清楚什么条件下继续、什么条件下停。这两个条件写明白了Workflow、Graph、Loop 就都顺了。
