1. skill-creator 跑测试时 local proxy failed 到底卡在哪
skill-creator 是 Anthropic 官方推出的技能包开发工具，用来创建、测试、评估和迭代 Claude 等 AI 代理的 Skills。它把技能开发从「一次性提示词」变成可量化、可迭代的工程流程：写 SKILL.md、跑测试用例、自动评分、看基准报告、再迭代。适合谁？适合已经在用 Claude Code 或类似子代理环境、想把重复工作沉淀成技能包的开发者。
但很多人第一次跑npx skills add或者执行python -m scripts.run_loop时，会撞上一个很典型的报错：local proxy failed。表现是终端里子代理任务起不来，或者 grader 脚本请求模型时直接超时，日志里反复出现连接本地代理端口失败的字样。这个报错的本质不是 skill-creator 本身坏了，而是它调用的模型请求链路指向了一个本地代理地址，而这个地址在当前环境里不可达。
skill-creator 的测试流程里，子代理任务、grader 自动评分、描述优化循环这三处都会真实发起模型调用。只要其中任何一处的 endpoint 或鉴权配置还停留在旧的本地代理上，整条链路就会断。所以排查思路不是去修代理，而是把 endpoint 和鉴权统一改到一个稳定可达的 API 通道上。这篇就按这个思路，把 skill-creator 的配置迁移到 TaoToken，给出可复制的配置片段和逐步验证动作。
先说清楚一个前提：skill-creator 本身是技能开发工具，它不负责提供模型通道。它只是「调用方」。你要做的是让它的调用方配置指向正确的 Base URL、Key 和 Model ID。这三件套配齐，local proxy failed 基本就消失了。下面从环境准备开始，一步步来。
2. 把 skill-creator 的调用通道前置到 TaoToken
在动手改配置之前，先把 TaoToken 这边的准备工作做完。TaoToken 是一个统一的模型 API 通道，官网在 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，API 入口是 https://taotoken.net/api 。它的作用是让你用一个 Base URL 和一个 Key，就能调用多个模型，不用在每个工具里分别配不同的供应商地址。
第一步是拿到 Key。进入控制台 https://taotoken.net/console ，在 API Keys 页面创建一个新的 Key。创建时建议按用途命名，比如skill-creator-test，方便后面区分。Key 只在创建时完整显示一次，复制后先存到安全的地方。如果你还没注册，先在官网完成账号流程，再回到控制台。
第二步是确认你要用的 Model ID。skill-creator 的描述优化循环里有一个--model参数，需要填当前会话模型 ID。这个 ID 要和你实际调用的模型一致。你可以在模型对话页面 https://taotoken.net/models 先试一下目标模型能不能正常返回，确认可用后再写进配置。模型对话页面适合做单次验证，确认通道通了再进到 skill-creator 的批量测试。
第三步是理解 skill-creator 里哪些地方需要配。它主要有三处会发起模型调用：子代理任务执行测试用例、grader 自动评分、run_loop描述优化。这三处底层都走同一套环境变量或配置文件。所以只要把统一的环境变量设好，三处都会生效。常见的环境变量是ANTHROPIC_BASE_URL和ANTHROPIC_API_KEY，有些环境还认ANTHROPIC_AUTH_TOKEN。具体认哪个，取决于你用的客户端。
这里要提醒一点：不要把 TaoToken 理解成某种中转。它就是一个标准的 API 通道，你按官方文档填 Base URL 和 Key 即可。接入文档在 https://taotoken.net/doc ，里面有各客户端的配置示例。如果你用的是 Claude Code 这类工具，文档里也有对应的设置方式。前置工作做完，接下来就是真正改配置。
3. 可复制的配置片段：Base URL、Key、Model ID 三件套
这一节是重点，给出可以直接复制的配置片段。skill-creator 常见的运行环境有两类：一类是 Claude Code 这类支持子代理的环境，另一类是直接跑 Python 脚本的环境。两类都要配齐 Base URL、Key、Model ID。
先看环境变量方式，这是最通用的。在终端里执行：
export ANTHROPIC_BASE_URL="https://taotoken.net/api" export ANTHROPIC_API_KEY="sk-你的TaoToken密钥" export ANTHROPIC_MODEL="你的Model ID"如果你用的是 Claude Code，它的配置文件通常在用户目录下的 settings 文件里。可以写成 JSON 片段：
{ "env": { "ANTHROPIC_BASE_URL": "https://taotoken.net/api", "ANTHROPIC_API_KEY": "sk-你的TaoToken密钥", "ANTHROPIC_MODEL": "你的Model ID" } }注意路径要和你本机实际使用的配置文件路径一致，不要照抄一个不存在的路径。改完保存，重启终端或重新加载配置。
如果你用的是 Codex 这类工具，它认的是auth.json。配置片段长这样：
{ "base_url": "https://taotoken.net/api", "api_key": "sk-你的TaoToken密钥", "model": "你的Model ID" }同样，路径按你本机的实际位置来。Cline 或带 MCP 的环境，通常在设置界面里填 Base URL、API Key、Model ID 三个字段，填法一致。CC Switch 这类切换工具，也是在这三个字段里填 TaoToken 的值。
配好之后，回到 skill-creator 的描述优化命令，把--model参数填成同一个 Model ID：
python -m scripts.run_loop \ --eval-set <trigger-eval.json> \ --skill-path <path-to-skill> \ --model <你的Model ID> \ --max-iterations 5这里--model必须和环境变量里的 Model ID 一致，否则可能出现「环境变量走 TaoToken、脚本参数走旧通道」的错配，local proxy failed 又会冒出来。三件套对齐，是这一步的核心。配完先别急着跑完整流程，下一节先做单次验证。
4. 验证请求：从单次调用到 skill-creator 测试跑通
配置改完，不要直接上完整测试循环，先用最小请求验证通道。最简单的方式是去模型对话页面 https://taotoken.net/models 发一条消息，确认能正常返回。这一步能排除 Key 无效、Model ID 写错这类基础问题。
通道确认后，回到 skill-creator 做单次子代理任务验证。先跑一个测试用例，不要并行：
# 带技能运行单个测试用例 子代理任务：使用技能路径 <path> 执行 <测试提示>如果这一步能正常返回输出，说明子代理任务的模型调用已经走通了。接着验证 grader 自动评分：
python -m scripts.aggregate_benchmark <workspace>/iteration-1 --skill-name <name>这个命令会读取测试结果并生成基准报告。如果之前是 local proxy failed，这一步通常会直接报连接错误；现在应该能正常输出通过率、耗时、Token 用量等指标。看到报告生成，说明评分链路的模型调用也通了。
最后验证描述优化循环。先准备一个小的trigger-eval.json，里面放几条真实触发查询，然后跑：
python -m scripts.run_loop \ --eval-set <trigger-eval.json> \ --skill-path <path-to-skill> \ --model <你的Model ID> \ --max-iterations 5跑起来后观察终端输出，应该能看到每一轮的触发准确率变化。如果五轮都能正常跑完并输出优化结果，说明 skill-creator 的三处模型调用全部迁移成功。这时候再启动交互式评审器：
nohup python eval-viewer/generate_review.py <workspace>/iteration-1 --skill-name "my-skill" > /dev/null 2>&1 &评审器的 Outputs 标签页能逐条看测试输出，Benchmark 标签页能看量化指标。到这里，整条链路就恢复了。整个过程的关键就是：先用单次请求确认通道，再逐段验证子代理、grader、run_loop，不要一上来就跑全量。
5. 本篇常见错排查：401、local proxy failed、reading choices、OAuth
迁移过程中最容易撞的几个报错，这里逐个对照。
local proxy failed是最常见的。它说明请求还在往本地代理地址发。排查顺序：先看环境变量ANTHROPIC_BASE_URL是不是还指向127.0.0.1或某个本地端口；再看 Claude Code 的 settings 文件里有没有残留旧地址；最后看run_loop的--model参数有没有和当前通道错配。三处都改成 TaoToken 的 Base URL 后，这个报错会消失。
401 Unauthorized通常是 Key 的问题。可能是 Key 复制时带了空格，或者用了已删除的 Key，或者环境变量名写错（比如把ANTHROPIC_API_KEY写成了别的）。去控制台 https://taotoken.net/api-keys 重新确认 Key 状态，重新复制一次。注意 Key 只在创建时完整显示，如果丢了就重新建一个。
reading choices这类报错，一般出现在解析响应结构时。它往往意味着返回的不是预期的模型响应格式，可能是 Base URL 路径不对。TaoToken 的 API 入口是 https://taotoken.net/api ，确认你填的 Base URL 没有多加或少加路径段。接入文档 https://taotoken.net/doc 里有标准写法，对照一下。
OAuth相关报错，多出现在用 OAuth 方式登录的客户端里。如果你之前用 OAuth 登录，现在要改成 Key 方式，需要在客户端里切换鉴权模式，把 OAuth 关掉，改用 API Key。有些客户端会缓存旧的鉴权信息，改完配置后要清一下缓存或重新登录。
还有一个隐蔽的坑：多个工具同时读同一份配置，但各自认的环境变量名不同。比如 Claude Code 认ANTHROPIC_API_KEY，而某个脚本认ANTHROPIC_AUTH_TOKEN。这种情况下，两个都设上，或者统一到文档里推荐的那个。排查时可以用env | grep ANTHROPIC看一下当前终端里到底有哪些变量、值是什么。
6. 长期跑 skill-creator 的通道选择与接入入口
如果你只是偶尔跑一次 skill-creator 做技能验证，按上面的配置改完就够了。但如果你要长期做技能开发，反复跑测试循环、描述优化、基准对比，那通道的稳定性和额度管理就变得重要。这时候可以考虑 Coding Plan，它更适合长期编码和 Agent 类的高频调用场景，入口在 https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= 。
接入相关的文档和 Key 管理，分别在这两个入口：接入文档 https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，API Keys https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= 。建议把 Key 按用途分开建，比如测试用一个、长期跑用一个，方便排查和额度控制。
最后说一个实操经验：skill-creator 的测试集不要一上来就铺很大。先从 2 到 3 个高频场景的用例开始，确认通道稳定、评分正常，再逐步加到 10 个以上。每次改完配置，先跑单次请求验证，再跑完整循环。这样即使通道出问题，也能快速定位是哪一段断的，而不是在一堆报错里猜。