【项目自荐】让 Codex 与 Claude Code 学会编写系统提示词的 Skill：TaoToken 配置骨架与验证

1. 为什么 Agent 写系统提示词总是差点意思如果你正在用 Codex 或 Claude Code 搭 Agent 项目大概率遇到过这个场景让模型帮忙写一份 System Prompt它洋洋洒洒输出一大段读起来挺像回事但真丢进项目里跑行为边界模糊、工具调用规则缺失、输出格式飘忽。问题不在模型能力而在于它不知道你心里那套提示词工程标准。Agent System Prompt Architect 这个 Skill 就是冲着这个痛点来的。它面向 Codex、Claude Code 这类支持 Skill 机制的编程环境让 Agent 在为其他 Agent 项目生成 System Prompt 时能自动加载一套结构化的提示词工程规则角色定义、能力边界、工具使用约束、输出格式、失败兜底、评估清单全都拆成独立参考文件写完初稿还会走一遍内部质量检查。适合谁用三类人最直接一是正在做多 Agent 编排、需要批量产出 System Prompt 的开发者二是用 Codex 写 Agent 项目但每次都要手动补提示词规范的人三是想把提示词工程从“凭感觉”变成“有骨架可复用”的团队。这篇不聊虚的直接给可复制的配置骨架和验证动作让你今天就能把 Skill 跑起来。2. TaoToken 前置统一 Key 与 API 通道Skill 本身是提示词工程资产但它要跑起来得让 Codex 或 Claude Code 能稳定调用模型。这里我用 TaoToken 做统一接入层原因是它把 Key 管理、模型通道、用量查看放在一个控制台里配置一次Codex 和 Claude Code 可以共用同一套凭证不用每个工具单独折腾。你需要先拿到 API Key。打开控制台页面登录后在 API Keys 区域创建一个新 Key复制出来备用。注意 Key 只在创建时完整显示一次建议直接存进密码管理器。控制台入口https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewriteAPI Keys 管理https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi-keysutm_campaignrewrite接入文档https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewriteAPI 基础地址统一用https://taotoken.net/api这个地址不加 UTM 参数直接写进配置文件即可。如果你还没决定用哪个模型可以先去模型对话页面试一下手感确认模型对提示词结构的遵循度再决定写进配置的默认模型。注意Key 不要硬编码进会提交到 Git 的文件里。下面给的骨架用环境变量占位你本地替换成真实值或者用 shell 的 export 注入。3. 可复制配置settings.json 与 config.toml 骨架这一章是核心直接给能用的配置。Codex 和 Claude Code 的配置格式不同我分开写你按自己用的工具取。3.1 Claude Code 的 settings.json 骨架Claude Code 读取~/.claude/settings.json项目级可放.claude/settings.json。下面这份骨架把 API 通道指向 TaoToken并预留了 Skill 目录。{ env: { ANTHROPIC_BASE_URL: https://taotoken.net/api, ANTHROPIC_API_KEY: sk-your-taotoken-key, ANTHROPIC_MODEL: claude-sonnet-4-20250514 }, permissions: { allow: [ Read, Write, Bash(git:*) ] }, skills: { directories: [ ./skills, ~/.claude/skills ] } }几个关键点。ANTHROPIC_BASE_URL指向 TaoToken 的 API 地址这样 Claude Code 的所有请求走统一通道。ANTHROPIC_API_KEY填你刚创建的 Key。skills.directories告诉 Claude Code 去哪里找 Skill 文件把 Agent System Prompt Architect 的目录放进去它就能被自动加载。3.2 Codex 的 config.toml 骨架Codex 用 TOML 格式通常放在~/.codex/config.toml。下面这份把模型通道和 Skill 路径都配好。[model] provider taotoken name claude-sonnet-4-20250514 base_url https://taotoken.net/api api_key_env TAOTOKEN_API_KEY [skills] enabled true paths [./skills, ~/.codex/skills] [agent] system_prompt_file ./skills/agent-system-prompt-architect/SKILL.mdapi_key_env表示从环境变量TAOTOKEN_API_KEY读取 Key比明文写进文件安全。system_prompt_file指向 Skill 的主文件Codex 启动时会把它作为 Agent 的系统提示词基底加载。3.3 CC Switch 配置示例如果你用 CC Switch 做多环境切换可以加一个 profile 指向 TaoToken 通道方便在多个 Key 或模型之间切换。{ profiles: { taotoken-default: { base_url: https://taotoken.net/api, api_key: sk-your-taotoken-key, model: claude-sonnet-4-20250514 }, taotoken-fast: { base_url: https://taotoken.net/api, api_key: sk-your-taotoken-key, model: claude-haiku-4-20250514 } }, active: taotoken-default }这样你在写 System Prompt 初稿时用强模型做批量评估时切到快模型成本和质量都能兼顾。3.4 Skill 目录结构把 Agent System Prompt Architect 克隆到本地后目录大致长这样你确认SKILL.md和参考文件都在agent-system-prompt-architect/ ├── SKILL.md ├── references/ │ ├── prompt-engineering-rules.md │ ├── agent-capability-modules.md │ └── evaluation-checklist.md ├── scripts/ │ └── evaluate_prompt.py └── tests/ └── test_cases.jsonSKILL.md是入口references/放拆开的规则文件scripts/是评估脚本tests/是测试用例。这种拆分的好处是 Agent 按需加载不会一次性把所有规则塞进上下文。4. 验证请求确认 Skill 真的生效配置写完不代表生效得用具体动作验证。我分三步走先验证 API 通道通不通再验证 Skill 被加载最后验证生成的 System Prompt 质量。4.1 验证 API 通道先用 curl 打一发确认 Key 和地址没问题。export TAOTOKEN_API_KEYsk-your-taotoken-key curl -s https://taotoken.net/api/v1/messages \ -H x-api-key: $TAOTOKEN_API_KEY \ -H anthropic-version: 2023-06-01 \ -H content-type: application/json \ -d { model: claude-sonnet-4-20250514, max_tokens: 64, messages: [{role: user, content: 回复 OK 两个字母}] }返回里能看到content字段带OK说明通道正常。如果返回 401检查 Key 是否复制完整返回 404检查 base_url 有没有多写斜杠。4.2 验证 Skill 被加载在 Claude Code 里输入一条指令让它显式引用 Skill使用 agent-system-prompt-architect skill为一个代码审查 Agent 生成 System Prompt要求包含角色定义、工具约束、输出格式和失败兜底。如果 Skill 生效输出会明显带结构先给角色定义段落再列工具使用规则然后给输出格式模板最后有失败处理。如果输出还是一大段散文说明 Skill 没被加载回去检查skills.directories路径对不对。4.3 验证生成质量Skill 自带评估脚本可以直接跑cd agent-system-prompt-architect python scripts/evaluate_prompt.py --input ./output/review-agent-prompt.md脚本会按评估清单打分输出类似[评估结果] 角色定义: PASS 能力边界: PASS 工具约束: WARN - 缺少超时处理说明 输出格式: PASS 失败兜底: PASS 综合得分: 86/100拿到 WARN 就回去补对应段落再跑一次。这个循环跑两三遍System Prompt 的完整度会明显上一个台阶。5. 本篇常见错排查配置和验证过程中几个坑反复出现我列出来你对照。Key 读不到。Codex 的api_key_env写的是环境变量名不是 Key 本身。你得在 shell 里export TAOTOKEN_API_KEY...或者写进.zshrc/.bashrc。Claude Code 的settings.json里如果直接写 Key注意别提交到公开仓库。Skill 路径不生效。相对路径./skills是相对于你启动工具的目录不是相对于配置文件。如果你在项目根目录启动Skill 放在项目根下的skills/就行如果放别处用绝对路径最稳。模型名写错。ANTHROPIC_MODEL和 config.toml 里的name必须和 TaoToken 支持的模型标识一致。写错会返回模型不存在。不确定的话去模型对话页面看当前可用模型列表。评估脚本报编码错。脚本读的是 UTF-8 文件如果你用 Windows 默认编码保存了 System Prompt会乱码。保存时选 UTF-8。CC Switch 切了 profile 但没生效。检查active字段是否指向你改的那个 profile有些版本需要重启工具才读取新配置。Skill 加载了但输出还是散。可能是 Skill 的SKILL.md没被正确解析。打开文件确认开头有合法的元信息块路径和文件名大小写敏感SKILL.md不能写成skill.md。6. 把 Skill 接进你的日常编码流配置跑通之后真正省时间的是把它接进日常流程。我的做法是每次开新 Agent 项目先让 Codex 用这个 Skill 生成 System Prompt 初稿跑评估脚本按 WARN 项补完再进实现阶段。这样提示词工程和工具配置不再割裂Key 通道统一走 TaoTokenSkill 负责质量你只管业务逻辑。如果你长期做 Agent 编码建议把 Coding Plan 也配上模型调用和 Skill 生成可以走同一套额度管理不用来回切账号。入口在这里Coding Planhttps://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite模型对话试模型遵循度https://taotoken.net/chat?utm_sourcetaotoken_aicg_blog_endutm_contentmodel-chatutm_campaignrewriteClaude Code 接入说明https://taotoken.net/claude-code?utm_sourcetaotoken_aicg_blog_endutm_contentclaudecodeutm_campaignrewrite最后给一个实用技巧把评估脚本挂进 pre-commit每次改 System Prompt 自动跑一遍WARN 超过两条就拦提交。我试过这个做法提示词质量回退的情况基本没了。Skill 项目本身在 GitHub 上开源遇到问题提 issue 比闷头调快得多。