1. 五分钟跑通第一个 DeepSeek 回合到底在做什么你可能已经在各种文章里看过 DeepSeek Agent Harness 的架构图六层、八模块、工具调用链路越看越觉得门槛高。但真正让你从看客变成玩家的其实只有一件事让模型对你开口说第一句话并且这句话是通过你自己写的代码、走你自己的通道回来的。这一节要做的就是这件事。用 uv 起一个 Python 3.12 项目装一个 openai 兼容客户端把 endpoint 和 Key 指向 TaoToken 统一通道然后跑一次带工具调用的对话回合。整个过程五分钟不需要你懂框架不需要你搭项目结构就一个 .py 文件。为什么强调第一个回合因为 Agent 的本质是多回合 工具调用 状态管理但如果你连单回合都没亲手跑通过后面所有关于 Harness 的讨论对你来说都是悬空的。我见过太多人卡在我知道原理但没跑过的状态一遇到 401 或者 model not found 就懵了。所以这一节的目标很明确让你亲眼看到返回结构里 choices、usage、tool_calls 长什么样。TaoToken 在这里扮演的角色是统一通道。你可以把它理解成一个兼容 OpenAI 协议的入口你的代码里 base_url 指向它api_key 用它发的 Key模型名填 DeepSeek 系列剩下的调用方式和直连官方完全一致。这样做的好处是以后你想换模型、想加工具、想接 Agent 框架业务代码一行不用动只改配置。适合谁读零基础但愿意动手的人。你不需要会 Python 高级特性能复制粘贴、能看懂 print 输出就行。如果你已经跑过 OpenAI 的 hello world那这一节对你来说是换通道 加工具调用的升级版同样值得跟一遍因为工具调用的返回结构是后面所有 Agent 内容的地基。我试过把这套流程给完全没接触过大模型 API 的朋友走一遍从装 uv 到看到工具调用返回最快的一次是四分钟出头。所以别怕跟着下面的步骤走就行。2. TaoToken 前置准备Key、通道与 uv 环境在写代码之前你需要先把三样东西准备好uv、TaoToken 的 API Key、以及一个明确的项目目录。这一节把这三件事一次说清避免你跑到一半发现缺东西。先说 uv。它是目前 Python 生态里管理虚拟环境和依赖最快的工具之一装完之后你不需要再手动 python -m venv、不需要 pip install 一堆东西。macOS 和 Linux 下用官方脚本安装curl -LsSf https://astral.sh/uv/install.sh | shWindows PowerShell 下用powershell -ExecutionPolicy ByPass -c irm https://astral.sh/uv/install.sh | iex装完之后新开一个终端输入uv --version能看到版本号就说明成功了。如果提示找不到命令多半是 PATH 没刷新重开终端即可。接下来是 TaoToken 的 Key。打开 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 注册登录后进入控制台在 API Keys 页面创建一个新的 Key。创建时建议给它起个能认出来的名字比如deepseek-first-turn方便以后排查是哪个项目在用。Key 只会完整显示一次复制下来先存到安全的地方别直接写进代码提交到 Git。关于通道地址记住两个官网入口https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentAPI 基地址https://taotoken.net/api注意 API 基地址后面不加任何 UTM 参数代码里填的就是这个干净的地址。很多新手会把带参数的官网地址填进 base_url结果请求路径拼错报 404这是第一个高频坑。模型名方面DeepSeek 系列在 TaoToken 通道上通常用deepseek-chat或deepseek-reasoner这类标识具体以你控制台里模型列表显示的为准。这一节我们用deepseek-chat作为示例因为它对工具调用的支持比较稳定。最后建项目目录。随便找个你放代码的地方执行uv init first_turn cd first_turn uv python pin 3.12 uv add openai这三条命令分别做了初始化项目、锁定 Python 3.12、安装 openai 客户端。装完之后你会看到目录里多了 pyproject.toml 和 .python-version这就是 uv 帮你管好的环境描述文件。后面所有依赖都往 pyproject.toml 里加不用手动维护 requirements.txt。到这里前置就齐了。你可以先不急着写代码把 Key 和 base_url 在脑子里过一遍Key 来自 TaoToken 控制台base_url 是 https://taotoken.net/api模型名是 deepseek-chat。这三个东西填对后面基本不会出大问题。3. 可复制配置pyproject、环境变量与最小 Harness 脚本这一节给你三份可以直接抄的东西pyproject.toml 的依赖片段、环境变量设置方式、以及一个带工具调用的最小 Harness 脚本。抄完就能跑。先看 pyproject.toml。uv init 之后它已经有一个基础结构你只需要确认 dependencies 里有 openai。执行过uv add openai之后它大概长这样[project] name first-turn version 0.1.0 requires-python 3.12 dependencies [ openai1.40.0, ]如果你后面想加日志或者 dotenv可以继续uv add python-dotenv它会自动写进这个文件。不要手动去改版本号让 uv 帮你解析依赖树避免版本冲突。环境变量这块推荐用 .env 文件管理但这一节为了让你少装依赖先用系统环境变量。macOS/Linuxexport TAOTOKEN_API_KEYsk-你的keyWindows PowerShell$env:TAOTOKEN_API_KEYsk-你的key注意变量名我用的是 TAOTOKEN_API_KEY不是 OPENAI_API_KEY这样以后你同时接多个通道时不会互相覆盖。Key 里不要带空格复制的时候前后别多选字符这是 401 的常见原因。下面是核心的最小 Harness 脚本保存为first_turn.py 五分钟跑通第一个 DeepSeek 回合带工具调用。 前置设置环境变量 TAOTOKEN_API_KEY。 运行uv run python first_turn.py import os import sys import json import datetime from openai import OpenAI BASE_URL https://taotoken.net/api MODEL deepseek-chat # 定义一个最简单的工具查询当前时间 TOOLS [ { type: function, function: { name: get_current_time, description: 获取当前的日期和时间, parameters: { type: object, properties: {}, required: [], }, }, } ] def get_current_time() - str: return datetime.datetime.now().strftime(%Y-%m-%d %H:%M:%S) def main() - None: key os.getenv(TAOTOKEN_API_KEY) if not key: sys.exit(请先设置环境变量 TAOTOKEN_API_KEY) client OpenAI(base_urlBASE_URL, api_keykey) messages [ {role: system, content: 你是一个会调用工具的助手。}, {role: user, content: 现在几点了请调用工具获取。}, ] # 第一回合模型决定是否调用工具 resp client.chat.completions.create( modelMODEL, messagesmessages, toolsTOOLS, tool_choiceauto, ) msg resp.choices[0].message print(第一回合 finish_reason:, resp.choices[0].finish_reason) print(第一回合 tool_calls:, msg.tool_calls) # 如果模型要求调用工具我们执行并把结果回传 if msg.tool_calls: messages.append(msg) for call in msg.tool_calls: if call.function.name get_current_time: result get_current_time() messages.append({ role: tool, tool_call_id: call.id, content: result, }) # 第二回合模型基于工具结果生成最终回答 resp2 client.chat.completions.create( modelMODEL, messagesmessages, toolsTOOLS, ) print(最终回答, resp2.choices[0].message.content) print(usage:, resp2.usage) if __name__ __main__: main()这份脚本的关键点有三个。第一base_url 指向 https://taotoken.net/api不是官网首页。第二tools 参数用标准的 OpenAI 工具定义格式DeepSeek 兼容这套结构。第三工具调用是两回合的第一回合模型返回 tool_calls你执行工具后把结果以 roletool 追加进 messages再发第二回合拿最终回答。这个两回合结构就是 Agent 循环的最小雏形后面所有复杂 Harness 都是在这个骨架上加东西。如果你只想先跑一个不带工具的纯对话把 tools 和 tool_choice 去掉直接打印resp.choices[0].message.content就行。但既然这一节叫第一个 DeepSeek 回合我建议你直接跑带工具的版本因为看到 tool_calls 返回的那一刻你对 Agent 的理解会实打实地上一个台阶。4. 验证请求跑起来看返回结构与工具调用链路配置写完现在跑起来。在项目目录下执行uv run python first_turn.py第一次运行 uv 会解析依赖并创建虚拟环境可能要等十几秒。之后就是秒起。你会看到类似下面的输出第一回合 finish_reason: tool_calls 第一回合 tool_calls: [ChatCompletionMessageToolCall(idcall_abc123, functionFunction(arguments{}, nameget_current_time), typefunction)] 最终回答 现在是 2026-01-15 14:32:07。 usage: CompletionUsage(completion_tokens18, prompt_tokens142, total_tokens160)看到finish_reason: tool_calls就说明模型正确识别了工具并决定调用。看到tool_calls列表里有get_current_time和它的 id说明工具定义被正确解析。最终回答里带上了时间说明第二回合把工具结果吃进去并生成了自然语言回复。usage 里能看到 token 消耗这是留痕的起点。把这条链路拆开看实际发生了这些事你的代码组装 messages 和 toolsPOST 到 https://taotoken.net/api/chat/completions。TaoToken 通道把请求转发给 DeepSeek 模型。模型推理后返回一个 JSONchoices[0].message 里没有 content但有 tool_calls。你的代码解析 tool_calls本地执行 get_current_time把结果作为 roletool 的消息追加。再次 POST模型这次拿到工具结果生成最终文本。整个过程两次请求一次工具执行这就是一个完整的 Agent 回合。这里有个细节值得注意第一回合的 message 对象直接 append 进 messages 是合法的因为 openai 客户端返回的 message 本身就是可序列化的结构。如果你手动构造 dict要确保 tool_calls 字段格式一致否则第二回合会报 400。再验证一下纯对话路径。把脚本里的 tools 参数临时去掉user 消息改成用一句话解释什么是 Agent重新跑uv run python first_turn.py你会看到finish_reason: stopmessage.content 里是一段完整回答usage 里 prompt_tokens 和 completion_tokens 都有值。这说明通道对普通对话和工具调用两种模式都正常支持。如果你想更直观地看原始返回可以在 create 之后加一行print(json.dumps(resp.model_dump(), ensure_asciiFalse, indent2))这样能看到完整的响应 JSON包括 id、object、created、model 等字段。排查问题时这行很有用能一眼看出是通道返回的还是模型返回的。跑通之后建议你把这次调用的 base_url、model、usage 记一笔。不用复杂print 一行就行print(f[留痕] {BASE_URL} | {MODEL} | in{resp.usage.prompt_tokens} out{resp.usage.completion_tokens})这个习惯越早养成越好。等你后面跑 Agent 任务一次几十次调用没有留痕你根本不知道钱花在哪。5. 本篇常见错排查401、404、tool_calls 解析失败第一次跑大概率不会一次全绿。我把这一节最常见的几类报错和对应解法列出来你对着改就行。401 Unauthorized / invalid api key这是最高频的。原因通常是三个Key 没设置、Key 带空格、环境变量没生效。先确认echo $TAOTOKEN_API_KEYWindows 用echo $env:TAOTOKEN_API_KEY能打印出你的 Key。如果打印为空说明环境变量没设上重开终端再设。如果打印出来前后有空格重新复制。还有一种情况是你把 Key 写进了代码但用了错误的变量名检查os.getenv里的名字和设置时是否一致。404 Not Found / model not found两个原因base_url 写错或者模型名写错。base_url 必须是https://taotoken.net/api不要带末尾斜杠不要带 UTM 参数。模型名以你控制台模型列表为准这一节用deepseek-chat。如果你填了deepseek-flash但通道里没有这个标识就会报 model not found。遇到这个错先去控制台确认可用模型名再回来改 MODEL 常量。local proxy failed / connection error这类报错说明请求根本没发出去通常是本地网络环境问题。检查你的网络是否能正常访问 https://taotoken.net/api可以用 curl 试一下curl -I https://taotoken.net/api如果 curl 也失败说明是网络层的问题不是代码问题。如果 curl 成功但 Python 失败检查是否有全局代理设置干扰了 openai 客户端。openai 客户端默认会读 HTTP_PROXY 环境变量如果你本地有代理配置可能需要临时 unset 掉再跑。reading choices / KeyError choices这个报错说明返回的 JSON 里没有 choices 字段通常是通道返回了一个错误对象但你的代码直接去取 choices 了。解法是在 create 之后先判断if not resp.choices: print(异常返回, resp.model_dump()) sys.exit(1)这样能把真实的错误信息打出来而不是被 KeyError 掩盖。tool_calls 解析失败 / 第二回合 400如果你手动构造 tool 消息常见错误是 tool_call_id 对不上或者 role 写成了 assistant。正确格式是messages.append({ role: tool, tool_call_id: call.id, content: result, })tool_call_id 必须和第一回合返回的 call.id 完全一致。另外第一回合的 assistant message 要原样 append 进去不能只 append content否则模型看不到自己发起的工具调用。OAuth / 认证方式混淆如果你看到 OAuth 相关的报错说明你可能误用了某些需要 OAuth 的客户端配置。这一节用的是标准 API Key 认证不需要 OAuth。检查你的 OpenAI 客户端初始化是否只传了 base_url 和 api_key没有多余的 auth 参数。把这几类错对着排查基本能覆盖 95% 的首次运行问题。剩下的如果还搞不定把完整报错和你的 base_url、模型名不要贴 Key发出来一般一眼就能定位。6. 从这一回合出发下一步该往哪走跑通这一个回合之后你手里其实已经有了 Agent 的最小骨架消息组装、模型调用、工具定义、工具执行、结果回传、二次调用。后面所有的 Harness 内容都是在这个骨架上做加法。如果你想继续深入我建议按这个顺序走。先把工具数量加到三个以上观察模型在多工具场景下怎么选择。然后引入多轮对话让 messages 在多次用户输入之间保持。再往后是状态管理、错误重试、日志落盘这些就是 Harness 要解决的问题。通道这块你现在用的是 TaoToken 的统一入口。以后想换模型只改 MODEL 常量想加新工具只改 TOOLS 列表想接 Agent 框架base_url 和 Key 不用动。这种业务代码和通道解耦的结构是你后面做任何 Agent 项目都该保持的习惯。如果你还没创建 Key现在就可以去 https://taotoken.net/api-keys 建一个然后回到这一节的脚本重新跑一遍。跑通之后把 usage 那行留痕保留下来这是你 Agent 之路的第一笔账。下一节我们会从调 API往造系统迈讲清楚 OpenAI 兼容协议为什么能成为事实标准以及它对你后面选型意味着什么。但在此之前先确保你亲手跑通过这一个回合。没跑通的原理都是别人的跑通的才是你自己的。