1. 从一个每天要跑几百次的脚本说起
把一篇稿子里的机器腔删干净，最费时间的从来不是写，而是逐句检查：有没有"首先/其次/最后"的三段式，有没有"在当今这个快速发展的时代"这种开场，有没有硬凑的排比和破折号，有没有把一句话拆成三行来装节奏。42.2K Star 的那个开源 Skill 之所以火，就是因为它把这套判断标准固化下来了——一份禁用词表、一份句式模板库、一份自检清单，再加一段"改完再读一遍"的提示词。手动用一两次很爽，但要按天处理几十上百篇稿子，就必须把它塞进自动化脚本里。
我最初的版本很粗糙：把 Skill 里的提示词硬编码在 Python 文件里，密钥写在.env里直接用官方地址。跑了两天，问题集中暴露：批量并发一上来就限流，单条超时后整个批次卡住，模型偶尔换了输出格式导致后面的解析全崩，最要命的是换台机器就得重新配一遍。后来我把模型出口统一收拢到 TaoToken：到 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_content=skill_intro 取一个 Key，Base URL 固定成https://taotoken.net/api，脚本里只读环境变量，不落地任何明文凭证。这篇文章就把这套链路从头到尾拆开，包括可复现的命令、调用日志怎么记、以及批量去 AI 味的结果怎么验。
需要先说明一点：下面所有命令和请求都由你在本地终端执行，我不建议把这类批处理脚本挂到任何直连内部系统的 Agent 上去跑，文本改写这种活儿只需要一个稳定的模型出口就够了。
2. 先把 Key 和 Base URL 落到环境变量
不管后面用 Python 脚本、Claude Code 还是 Codex，第一步都一样：让凭证只存在于环境变量里。脚本里出现sk-开头的字符串，迟早会被提交到仓库里。
到 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_content=apikey_env 拿到 Key 之后，本地这么写：
# ~/.taotoken_env.sh —— 只在本机 source，不要提交到仓库 export TAOTOKEN_BASE_URL="https://taotoken.net/api" export TAOTOKEN_API_KEY="YOUR_API_KEY" export TAOTOKEN_MODEL="YOU_MODEL_ID" # 模型 ID 以控制台模型列表为准 # 用法：source ~/.taotoken_env.sh先把连通性跑通，再写业务逻辑。用 curl 打一发最小请求，确认路径拼接、鉴权和模型名三件事都没有问题：
# 最小连通性测试：只发一条消息，确认 200 与返回结构 curl -sS -w '\nHTTP_STATUS:%{http_code}\n' \ "$TAOTOKEN_BASE_URL/v1/chat/completions" \ -H "Authorization: Bearer $TAOTOKEN_API_KEY" \ -H "Content-Type: application/json" \ -d "{ \"model\": \"$TAOTOKEN_MODEL\", \"messages\": [ {\"role\": \"system\", \"content\": \"你是一名中文编辑，只做去机器腔改写。\"}, {\"role\": \"user\", \"content\": \"在当今这个快速发展的时代，我们首先要做的是明确目标，其次要拆解路径，最后要落地执行。\"} ], \"temperature\": 0.3 }"跑通之后你大概率会看到两个现象，这也是后面脚本必须处理的：
第一，HTTP_STATUS是 200，但返回体里的choices[0].message.content可能带着模型自己的解释，比如"以下是改写结果："。去 AI 味的输出要求"只给正文"，就得在提示词里把这条约束写死，并且在脚本里做一次前缀剥离。
第二，temperature别开太高。去 AI 味本质上是"收敛"任务，不是创作任务。0.2 到 0.4 之间比较稳，再高就会出现为了"不像 AI"而故意写错别字、故意断句的过度表演。
3. 把 Skill 的提示词固化成可重跑的批处理脚本
Skill 的价值在于规则，工程化的价值在于规则可以被版本化、被复用、被验证。我把它拆成三个文件：rules/system.txt放角色与硬约束，rules/banned.txt放禁用词表，rules/checklist.txt放自检清单。脚本每次运行都重新读，改规则不需要改代码。
# rules/system.txt（节选，按你自己的 Skill 规则改写） 你是中文文本编辑，任务是把机器腔文本改写成自然的人类表达。 硬约束： 1. 只输出改写后的正文，不要任何前言、解释、总结、markdown 标题。 2. 保留原文事实、数字、专有名词，不得新增或删除信息点。 3. 禁止使用以下句式：首先/其次/最后、总的来说、综上所述、值得注意的是、在当今这个快速发展的时代。 4. 禁止三段式排比凑字数；句子长度要有明显长短交错。 5. 不使用破折号制造停顿感，不用"不是……而是……"的模板句。 6. 如果原文本身就是自然表达，原样返回，不要为了改而改。# batch_deai.py —— 批处理入口，逐条调用 + 重试 + 落日志 import json import os import pathlib import random import time import urllib.error import urllib.request BASE_URL = os.environ["TAOTOKEN_BASE_URL"].rstrip("/") API_KEY = os.environ["TAOTOKEN_API_KEY"] MODEL = os.environ["TAOTOKEN_MODEL"] IN_DIR = pathlib.Path("inbox") OUT_DIR = pathlib.Path("outbox") LOG_PATH = pathlib.Path("logs/deai.jsonl") OUT_DIR.mkdir(exist_ok=True) LOG_PATH.parent.mkdir(parents=True, exist_ok=True) RULES = pathlib.Path("rules/system.txt").read_text(encoding="utf-8") BANNED = [w.strip() for w in pathlib.Path("rules/banned.txt").read_text( encoding="utf-8").splitlines() if w.strip()] def call_model(text: str, timeout: int = 90) -> dict: payload = { "model": MODEL, "temperature": 0.3, "messages": [ {"role": "system", "content": RULES}, {"role": "user", "content": text}, ], } req = urllib.request.Request( f"{BASE_URL}/v1/chat/completions", data=json.dumps(payload, ensure_ascii=False).encode("utf-8"), headers={ "Authorization": f"Bearer {API_KEY}", "Content-Type": "application/json", }, method="POST", ) with urllib.request.urlopen(req, timeout=timeout) as resp: return json.loads(resp.read().decode("utf-8")) def strip_preamble(s: str) -> str: """模型偶尔会带一句前言，这里做最小化剥离""" for prefix in ("以下是改写结果：", "改写后：", "输出："): if s.startswith(prefix): return s[len(prefix):].lstrip() return s.strip() def deai_one(path: pathlib.Path) -> dict: raw = path.read_text(encoding="utf-8").strip() started = time.time() last_err = None for attempt in range(4): try: body = call_model(raw) content = strip_preamble(body["choices"][0]["message"]["content"]) usage = body.get("usage", {}) return { "file": path.name, "status": "ok", "attempt": attempt + 1, "latency_ms": int((time.time() - started) * 1000), "tokens": usage, "hits": [w for w in BANNED if w in content], "out_len": len(content), "content": content, } except (urllib.error.HTTPError, urllib.error.URLError, TimeoutError) as e: last_err = repr(e) # 指数退避 + 抖动，避免整批同时重试把并发顶穿 time.sleep(min(2 ** attempt, 8) + random.random()) return {"file": path.name, "status": "failed", "error": last_err} def main() -> None: files = sorted(p for p in IN_DIR.iterdir() if p.suffix in (".txt", ".md")) with LOG_PATH.open("a", encoding="utf-8") as logf: for path in files: result = deai_one(path) if result["status"] == "ok": (OUT_DIR / path.name).write_text(result["content"], encoding="utf-8") logf.write(json.dumps(result, ensure_ascii=False) + "\n") logf.flush() # 边跑边落盘，中断也不丢日志 print(result["file"], result["status"], result.get("latency_ms", "-")) if __name__ == "__main__": main()几个刻意的设计，跑过批量任务的人应该会有共鸣：
日志用 JSONL 追加写并flush()，中途 Ctrl+C 也不会丢已完成的记录，重跑时可以按文件名去重；重试带抖动的指数退避，比固定间隔重试的存活率高很多；hits字段直接记录改写结果里还残留了几个禁用词，这就是后面验收的依据。
4. Claude Code 侧配置：settings.json 与 ANTHROPIC_*
如果你习惯在 Claude Code 里先手工调规则、确认提示词稳定了再丢给批处理脚本，那就把模型出口也指到同一条链路上。改~/.claude/settings.json：
{ "env": { "ANTHROPIC_BASE_URL": "https://taotoken.net/api", "ANTHROPIC_AUTH_TOKEN": "YOUR_API_KEY", "ANTHROPIC_MODEL": "YOU_MODEL_ID" } }这里的变量名是 Claude Code 认的ANTHROPIC_*三件套，不要把它抄到 Codex 的配置里去——两者读的键完全不同，混用只会得到 401 或者"模型不存在"。配置来源和可用模型可以在 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_content=client_config 对照着看，两边保持一致，脚本和交互式工具才能共用同一个 Key。
配完之后，建议在项目根目录放一个CLAUDE.md，把去 AI 味的规则写进去，这样交互式改写和脚本批处理用的是同一套约束：
# 文本改写约定 - 只输出正文，不输出前言、总结、markdown 标题 - 禁用：首先/其次/最后、综上所述、值得注意的是、在当今这个快速发展的时代 - 禁止三段式排比；句长必须长短交错 - 事实、数字、专有名词一律保留5. Codex 与 CC Switch：config.toml 和三件套切换
Codex 走的是~/.codex/config.toml，键名和 Claude Code 完全不一样：
# ~/.codex/config.toml model = "YOU_MODEL_ID" model_provider = "taotoken" [model_providers.taotoken] name = "TaoToken" base_url = "https://taotoken.net/api/v1" env_key = "TAOTOKEN_API_KEY" wire_api = "chat"注意env_key写的是环境变量的名字，不是 Key 本身。先source ~/.taotoken_env.sh，再启动 Codex，它就会自己去读TAOTOKEN_API_KEY。如果你在这份文件里塞了ANTHROPIC_AUTH_TOKEN，Codex 不会报"配置错误"，它会安静地用一个空的凭证去请求，然后给你一个看不懂的鉴权失败——这类问题排查起来最浪费时间。
同机同时装着 Claude Code 和 Codex 的话，用 CC Switch 管理切换最省事。它的核心就是"三件套"：Base URL、API Key、默认模型。我一般建两个 profile：
profile: taotoken-claude base_url : https://taotoken.net/api api_key : YOUR_API_KEY model : YOU_MODEL_ID profile: taotoken-codex base_url : https://taotoken.net/api/v1 api_key : YOUR_API_KEY model : YOU_MODEL_ID同一个 Key、同一个出口，两个 profile 的差别只在 Base URL 的路径尾部和写入的目标配置文件。这样切工具不会把配置文件互相覆盖，也不会出现"A 工具能用、B 工具 401"的鬼故事。
6. 用日志和指标证明"去 AI 味"真的生效了
改写类任务最容易自欺欺人的地方在于：读起来顺了，就以为成了。批处理跑完几百篇，你需要几个能算出来的数字。
下面这个小脚本读logs/deai.jsonl，输出一份验收报告：
# verify.py —— 从日志里算出去 AI 味效果指标 import json import pathlib import statistics rows = [json.loads(l) for l in pathlib.Path("logs/deai.jsonl").read_text( encoding="utf-8").splitlines() if l.strip()] ok = [r for r in rows if r.get("status") == "ok"] print(f"总数 {len(rows)}，成功 {len(ok)}，失败 {len(rows) - len(ok)}") if ok: lat = [r["latency_ms"] for r in ok] print(f"延迟 P50={statistics.median(lat):.0f}ms " f"P95={sorted(lat)[int(len(lat) * 0.95)]:.0f}ms") dirty = [r for r in ok if r["hits"]] print(f"改写后仍含禁用词的文件：{len(dirty)}") for r in dirty[:10]: print(" ", r["file"], r["hits"]) ratio = [len(r["content"]) / max(r["out_len"], 1) for r in ok] print(f"输出长度中位数：{statistics.median(r['out_len'] for r in ok):.0f} 字符")验收标准我一般定三条：失败率低于 2%；改写后仍命中禁用词的文件数低于 5%；人工抽检 20 篇，事实和数字零丢失。三条里任何一条不达标，回去改rules/system.txt，而不是去调temperature——规则问题用参数是治不好的。
还有一件事值得单独做：把改写前后的文本做一次 diff 抽样，人工只看 diff 片段。全篇通读效率太低，只看改动位置，几分钟就能判断模型是在"改机器腔"还是在"重新创作"。
7. 排障清单：这几类报错基本都遇到过
把 Skill 接进脚本的过程里，报错来来回回就那么几类，按顺序排查能省很多时间。遇到拿不准的鉴权或路径问题，回 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_content=troubleshoot 核对 Key 状态和 Base URL 写法。
401 / 403：九成是环境变量没source，或者把 Key 写进了config.toml的值位置而不是env_key。先在同一个 shell 里echo ${TAOTOKEN_API_KEY:0:6}确认前缀存在，再启动工具。
404：路径拼接错了。Base URL 是https://taotoken.net/api，OpenAI 风格接口的完整路径是/v1/chat/completions；如果你在配置里已经写了/v1，代码里再拼一次就会变成/v1/v1/...。统一原则：Base URL 里不含/v1时由代码拼，含/v1时由客户端拼，二者只留一个。
429：并发开太高，或者单批文件太大。把并发降到 2 到 4，单条文本超过 4000 字就先切段再送。重试一定要带抖动，固定间隔的重试会在同一秒形成新的尖峰。
超时但服务端其实处理完了：改写任务重试是幂等的（同样的输入同样的规则，输出基本一致），所以超时直接重试没有副作用。但要在日志里把attempt记下来，重试率突然上升通常是网络或并发问题，不是模型问题。
返回内容被截断：输出长度上限没设够，或者输入太长导致模型把预算花在了前半段。批处理场景建议按段落切分，每段独立送，最后再拼回去，这样单条失败也不会毁掉整篇。
中文乱码：读写全部显式写encoding="utf-8"，请求体用ensure_ascii=False编码。Windows 上默认编码不是 UTF-8，这一条踩过的人最多。
同一批文本两次结果差异很大：检查temperature和提示词是否完全一致。批处理脚本里凡是从外部读进来的规则文件，最好在日志里记一个内容哈希，出问题时能确认"规则真的没变"。
8. 把链路收拢成一条命令
工程化的终点是：换台机器，三条命令就能复现整套流程。
source ~/.taotoken_env.sh # 1. 注入 Base URL / Key / Model python batch_deai.py # 2. 批处理改写，日志落 logs/deai.jsonl python verify.py # 3. 出验收报告，看失败率与禁用词残留规则改了怎么办？改rules/下的文本文件，重跑第二步。想换模型对比效果？改TAOTOKEN_MODEL，重跑，对比两份日志的延迟和禁用词命中率。整个过程不需要动代码，也不需要重新配置任何客户端。
回到最开始那个问题：42.2K Star 的开源 Skill 提供的是"怎么改"的规则，而批处理脚本要解决的是"稳定地改一万次"。两者的连接点其实很朴素——一个固定的 Base URL 和一个只存在于环境变量里的 Key，加上一份能追溯的调用日志。把这三样东西固定下来，去 AI 味这件事才从手工活变成了可复现的流水线。
接下来可以按这个顺序往下走：
- 想先在网页里手工试几轮规则，看哪一种改写风格最贴合你的稿子，从模型对话入手：https://taotoken.net/models/detail/chat?utm_source=taotoken_aicg_blog_end&utm_content=chat_skill
- 如果你不只是跑批处理，还要在 Claude Code、Codex 里高频改写和调规则，可以看Coding Plan：https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding_plan_skill
- 还没拿到 Key，或者想给脚本单独建一个便于轮换的 Key，直接去创建 Key：https://taotoken.net/console/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=create_key_skill
- Claude Code 的
settings.json与ANTHROPIC_*变量写法，以官方文档为准，照着抄不会踩键名混用的坑：https://taotoken.net/doc/ClaudeCodeAnthropic?utm_source=taotoken_aicg_blog_end&utm_content=claude_code_doc
把 Key 拿到手之后，先跑第 2 节那条 curl，确认 200，再去写你的批处理循环。顺序反了的话，你会在 401 和 404 上浪费一整个下午。
