★ FEATURED ARTICLE 1. 为什么要在 opencode 里同时挂 GLM-4.7 和 SKILL如果你最近在找一个能替代 Claude Code 的本地编码助手opencode 大概率已经出现在你的候选清单里。它本身是一个终端里的 AI 编码工具能读项目文件、执行命令、按你的指令改代码定位和 Claude Code 很像。而 GLM-4.7 是智谱推出的一个面向代码和 Agent 场景的模型在中文指令理解、长上下文代码修改上表现稳定很多人拿它当日常编码的主力模型。SKILL 则是 opencode 里用来固化「行为规范」的机制你可以把它理解成一份写给模型的长期说明书比如提交信息怎么写、目录结构怎么组织、哪些文件不许动。把这三样东西拼在一起目标很明确让 opencode 用 GLM-4.7 作为推理大脑同时加载你自己定义的 SKILL形成一条「多模型协作 规范约束」的本地开发链路。听起来步骤不多但真正动手时会卡在几个地方模型提供商的 Base URL 和 Key 怎么填、opencode 的配置文件放在哪、SKILL 是全局挂还是项目挂、挂上之后怎么确认它真的生效了。我这次的做法是用 TaoToken 作为统一的 API 通道把 GLM-4.7 接进 opencode再挂载 SKILL最后用一次真实对话验证整条链路。TaoToken 在这里的角色是统一 Key 和统一入口你不用为每个模型单独注册、单独记 Key一个 Key 就能走通多个模型的调用配置上也只需要改 Base URL 和 Model ID。官网在 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 入口是 https://taotoken.net/api 。这篇文章适合谁已经在用 opencode 或准备上手 opencode 的开发者想用 GLM-4.7 但不想折腾多个平台账号的人以及想把 SKILL 真正用起来、而不是只停留在「知道有这功能」的人。下面从环境准备开始一步步给到可复制的配置片段和验证动作。2. TaoToken 前置准备拿到统一 Key 和 API 入口在动 opencode 的配置文件之前先把 TaoToken 这边的准备工作做完。这一步不复杂但顺序别搞反否则后面配置里填什么都不知道。首先是账号和 Key。打开 https://taotoken.net/api 进入控制台后找到 API Keys 管理页面新建一个 Key。这个 Key 就是你后面填进 opencode 配置里的凭证格式通常是一串以特定前缀开头的字符串。新建之后立刻复制保存因为部分平台只展示一次。如果你已经有 Key直接复用即可TaoToken 的设计就是一个 Key 走多个模型不需要为 GLM-4.7 单独再建一个。其次是确认你要用的模型 ID。GLM-4.7 在 TaoToken 侧的模型标识需要和你配置里写的保持一致常见写法是类似glm-4.7这样的 ID。你可以在模型列表或文档页确认当前可用的准确名称因为模型 ID 写错是后面 404 或「model not found」报错的最常见原因。这一步花三十秒确认能省掉后面半小时排障。第三是记下 Base URL。TaoToken 的 API 入口是 https://taotoken.net/api 在 opencode 的配置里Base URL 一般要写到兼容 OpenAI 协议的那一层。不同工具的拼接方式略有差异opencode 用的是ai-sdk/openai-compatible这个 npm 包所以 Base URL 填到https://taotoken.net/api即可opencode 会自己补上后续路径。如果你填成带/v1或其他后缀的地址反而可能拼出重复路径导致 404。这里有个容易忽略的点TaoToken 是统一通道不是让你去直连某个模型的官方地址。所以配置里不要出现任何其他平台的域名Base URL 统一用 TaoToken 的入口模型通过 Model ID 区分。这样做的好处是以后你想把 GLM-4.7 换成别的模型只改 Model ID 一行就行Key 和 Base URL 都不用动。提示Key 属于敏感信息不要提交到 Git 仓库。opencode 的配置文件如果放在项目目录里记得把对应文件加进.gitignore或者用环境变量引用。准备工作到这里就结束了一个 Key、一个 Base URL、一个模型 ID。接下来进入 opencode 的安装和配置环节。3. 可复制配置opencode 接入 GLM-4.7 并挂载 SKILL这一节是全文的核心给到可以直接复制粘贴的配置片段。先确认 opencode 已经安装。Linux 或 macOS 下可以用官方脚本curl -fsSL https://opencode.ai/install | bash如果你的开发环境基于 Node也可以走 npm 全局安装npm install -g opencode-ai安装完成后用opencode --version确认能正常输出版本号。接下来是配置文件。opencode 的全局配置目录在~/.config/opencode/主配置文件是opencode.jsonc。如果你之前没建过直接新建这个文件。下面是把 GLM-4.7 通过 TaoToken 接入的完整配置{ $schema: https://opencode.ai/config.json, provider: { TaoToken: { npm: ai-sdk/openai-compatible, name: TaoToken, options: { baseURL: https://taotoken.net/api, apiKey: 你的TaoToken Key }, models: { glm-4.7: { name: GLM-4.7 } } } } }这段配置里三个关键字段要对上baseURL用 TaoToken 的 API 入口apiKey填你刚才复制的 Keymodels下的glm-4.7是模型 IDname是显示名可以自定义。provider 的键名TaoToken也是自定义的但建议保持一致方便后面在 opencode 里选择。如果你不想把 Key 明文写在配置里可以用环境变量。opencode 支持在apiKey字段里引用环境变量比如先export TAOTOKEN_API_KEY你的Key然后配置里写apiKey: {env:TAOTOKEN_API_KEY}。这样配置文件可以安全地进版本库。接下来是 SKILL 的挂载。SKILL 分两种粒度全局和项目级。全局 SKILL 放在~/.config/opencode/skills/目录下适合公司级或个人级的通用规范比如 Git 提交格式、代码风格。项目级 SKILL 放在项目根目录的.opencode/skills/下适合这个项目特有的约束比如「不要修改migrations/目录」「API 响应统一用某个包装函数」。一个 SKILL 就是一个 Markdown 文件文件名就是技能名。比如全局建一个git-convention.md# Git 提交规范 - 提交信息使用中文格式为「类型: 简述」 - 类型只能是 feat / fix / docs / refactor / test / chore - 单次提交只做一件事不要混合多个不相关改动 - 提交前必须运行 lint失败则不允许提交项目级再建一个.opencode/skills/project-rules.md# 本项目约束 - 所有新增接口必须写单元测试 - 不要直接修改 config/prod.yaml - 数据库查询统一走 db/query.ts 封装 - 日志使用 logger.info禁止 console.log放好之后opencode 会自动扫描这两个目录并加载。你可以在 opencode 里直接问它「当前加载了哪些 skill」它会列出识别到的技能文件。这一步是确认挂载是否成功的最快方式。注意SKILL 文件是纯文本规范不是可执行代码。它的作用是作为上下文注入给模型所以写得越具体、越可判定模型遵守得越好。模糊的「代码要优雅」这种描述基本没用。配置和 SKILL 都就位后整条链路的静态部分就搭好了。下一节做一次真实请求验证 GLM-4.7 是否真的通过 TaoToken 在响应以及 SKILL 是否被带进了上下文。4. 验证请求一次对话跑通多模型协作链路配置写完不代表生效必须用一次真实对话来验证。启动 opencode在项目目录下直接运行opencode进入交互界面后先确认模型选择。opencode 里通常用/model或/models命令切换模型你应该能在列表里看到TaoToken这个 provider 下面的GLM-4.7。选中它。如果列表里没有说明配置文件没被正确读取回到上一节检查opencode.jsonc的路径和 JSON 语法。选中模型后先做一个最小验证直接问一句你现在使用的是哪个模型请只回答模型名称。如果返回里出现 GLM-4.7 相关标识说明 TaoToken 通道和模型 ID 都对上了。这一步排除了 Key 错误、Base URL 错误、模型 ID 错误这三类最常见问题。接着验证 SKILL 是否生效。用上一节建的git-convention.md做测试输入帮我为「新增用户登录接口」生成一条 git commit message。如果 SKILL 被正确加载返回的提交信息应该符合你定义的格式比如feat: 新增用户登录接口而不是模型自由发挥的英文长句。如果它返回的是Add user login API这种说明 SKILL 没进上下文检查文件是否放在~/.config/opencode/skills/下、扩展名是否是.md。再做一个组合验证把模型能力和 SKILL 约束放在同一个任务里读取当前项目的 package.json告诉我用了哪些依赖 然后按项目的提交规范给「升级依赖版本」这个改动写一条 commit message。这个请求同时考验三件事opencode 能否读文件、GLM-4.7 能否理解并总结、SKILL 能否约束输出格式。如果三样都对说明「opencode GLM-4.7 SKILL」这条链路已经跑通。实测下来GLM-4.7 在读取结构化文件并按要求格式化输出这类任务上比较稳中文指令的跟随度也不错。验证通过后你可以把常用操作固化成习惯每次开新项目先在.opencode/skills/下放项目规范跨项目的通用规则放全局目录。这样模型在不同项目里会自动带上对应的约束不用每次重复交代。5. 本篇常见报错排查401、model not found 与 SKILL 不生效配置过程中最容易撞上的几类报错这里集中对照排查。先看认证类。如果你看到401 Unauthorized或invalid api key基本是 Key 的问题。检查三处Key 是否复制完整有没有漏掉尾部字符、配置里apiKey字段有没有多余空格、环境变量引用写法是否正确。TaoToken 的 Key 在控制台可以重新生成如果确认复制无误仍报 401直接重建一个 Key 再试。第二类是404或model not found。这通常是模型 ID 写错或者 Base URL 拼错。opencode 用ai-sdk/openai-compatible时Base URL 填https://taotoken.net/api不要自己加/v1或/chat/completions否则会拼出重复路径。模型 ID 要和 TaoToken 侧确认的完全一致大小写敏感。如果你在配置里把模型键写成GLM-4.7而实际 ID 是glm-4.7也会找不到。第三类是local proxy failed或连接超时。这类多半是网络出口问题不是配置问题。先确认https://taotoken.net/api在你的环境里能正常访问可以用curl测一下连通性。如果公司网络有出口限制需要走合规的网络配置具体按你所在环境的规范处理。第四类是 SKILL 不生效模型完全无视你写的规范。排查顺序文件是否放在正确目录全局~/.config/opencode/skills/项目级.opencode/skills/扩展名是否为.md文件内容是否是有效的 Markdownopencode 是否重启过新增 SKILL 后建议重启一次让它重新扫描。还有一个隐蔽问题SKILL 内容太长或太模糊模型会选择性忽略。把规范拆成短小、可判定的条目遵守率会明显提升。第五类是reading choices相关报错通常出现在模型返回结构不符合预期时。这往往和模型 ID 指向了一个不兼容的端点有关。确认你用的是兼容 OpenAI 协议的通道TaoToken 的入口就是为此设计的。如果换了模型 ID 后出现换回glm-4.7验证是否恢复以此定位是模型问题还是配置问题。提示排障时养成「最小化验证」的习惯。先用一句「你是什么模型」确认通道再加 SKILL再加文件读取逐层叠加。这样出问题时能立刻定位到是哪一层。如果上面几类都排除了还是不通可以去 TaoToken 的接入文档对照最新的 Base URL 和模型列表文档入口在 https://taotoken.net/api API Keys 管理也在同一控制台。文档里通常会标注当前可用的模型 ID 和协议细节比凭记忆填更可靠。6. 把这条链路用起来长期编码与 Agent 场景的接入建议链路跑通之后真正决定体验的是你怎么用它。如果你只是偶尔问几句那随便配配就行但如果你打算把 opencode GLM-4.7 当成日常编码主力有几个习惯值得养成。第一把 SKILL 当成项目资产来维护。每个新项目初始化时先花十分钟写一份.opencode/skills/project-rules.md把「这个项目不许做什么、必须做什么」写清楚。这份文件会跟着项目走团队里其他人用 opencode 时也能直接受益。全局 SKILL 则用来沉淀你个人的通用偏好比如提交格式、注释语言、错误处理风格。时间久了这套规范会显著降低你和模型之间的沟通成本。第二模型选择上留好切换余地。TaoToken 的统一 Key 设计意味着你换模型只需要改配置里的 Model ID 一行。今天用 GLM-4.7 做主力遇到特定任务想换别的模型改一行重启即可Key 和 Base URL 都不用动。这种「一个通道多模型」的结构比每个模型单独配一套凭证要省心得多。第三长期编码或 Agent 类任务建议走 Coding Plan 这类按量或包月的方案比单次调用更划算也更适合高频使用。你可以在 https://taotoken.net/api 的控制台里查看当前的套餐和用量。如果你的使用场景是持续性的代码生成、重构、测试编写这类方案能覆盖住日常消耗。第四验证模型能力时用模型对话入口快速试。不确定某个模型适不适合你的任务先在对话界面里丢几个真实 prompt 试水比直接写进配置再调试要快。模型对话入口同样从控制台进入。最后回到这条链路本身opencode 负责在本地读文件、执行、改代码GLM-4.7 负责推理和生成SKILL 负责约束行为TaoToken 负责把模型调用统一到一个 Key 和入口上。四者各司其职配置一次后面就是日常使用。真正跑通之后你会发现最花时间的不是配置而是把 SKILL 写清楚——那部分才是让模型「像你团队的人」的关键。
阅读完成 · 觉得有帮助？
