Claude Code Agent 实战：TaoToken 跑通一个 Python 仓库的单元测试修复

🚀 告别海外账号与网络限制！稳定直连全球优质大模型，限时半价接入中。 👉 点击领取海量免费额度

1. 任务目标与最终产物

本文要完成的是一个仓库级 Agent 实战：让 Claude Code 在本地 Python 仓库中定位一个失败的 pytest 用例，读取报错、修改源码、重跑测试，直到用例通过。整个过程由 Claude Code 作为执行主体，模型侧使用 DeepSeek V4.1 Flash，通过 TaoToken 完成 Key 获取与模型切换。TaoToken 的官网入口是 https://taotoken.net/?utm_source=taotoken_aicg_blog_generate&utm_medium=csdn&utm_campaign=generate&utm_content=python_pytest_agent ，API 基址为 https://taotoken.net/api 。

最终需要交付四类产物：一段可直接粘贴给 Claude Code 的仓库级任务 prompt；一份修复后的 diff；一条 pytest 重跑命令；以及通过后的终端输出。本文不包含任何排行分数，也不对模型能力做跑分式评价，只记录一次可复现的修复流程。

2. 环境准备与操作步骤

2.1 准备一个带失败用例的 Python 仓库

为了让流程可复现，先构造一个最小仓库。目录结构如下：

pytest-agent-demo/ ├── pyproject.toml ├── src/ │ └── calc/ │ ├── __init__.py │ └── stats.py └── tests/ └── test_stats.py

src/calc/stats.py中故意留一个边界错误：

# src/calc/stats.py from typing import Iterable def mean(values: Iterable[float]) -> float: data = list(values) total = 0.0 for item in data: total += item return total / len(data) def median(values: Iterable[float]) -> float: data = sorted(values) n = len(data) mid = n // 2 if n % 2 == 1: return data[mid] return (data[mid - 1] + data[mid]) / 2

tests/test_stats.py覆盖空序列与偶数长度：

# tests/test_stats.py import pytest from calc.stats import mean, median def test_mean_basic(): assert mean([1, 2, 3]) == 2 def test_median_even(): assert median([1, 2, 3, 4]) == 2.5 def test_mean_empty_raises(): with pytest.raises(ValueError): mean([])

此时test_mean_empty_raises会失败，因为mean([])触发ZeroDivisionError，而不是ValueError。这就是本次 Agent 要修复的目标。

2.2 安装 Claude Code 与 TaoToken CLI

Claude Code 的安装方式按其官方文档执行。若使用 TaoToken 提供的 CLI 辅助切换，可执行：

npm i -g @taotoken/taotoken

随后用 CLI 启动 Claude Code 并指定模型：

taotoken cc -k YOUR_API_KEY -u https://taotoken.net/api -m deepseek-v4.1-flash

其中-k为在 TaoToken 控制台创建的 API Key，-u为 API 基址，-m为模型 ID。模型 ID 与可用模型列表以官网当前展示为准，本文不固化版本号之外的推断。

2.3 仓库级任务 prompt

在仓库根目录启动 Claude Code 后，粘贴以下 prompt。它的设计目标是让 Agent 先读报错、再定位、再修改、最后重跑，而不是一次性猜测：

你是一个在本地 Python 仓库中工作的修复 Agent。仓库根目录为当前工作目录。 任务： 1. 运行 `python -m pytest -q`，读取完整失败输出。 2. 定位失败用例对应的源码文件与函数。 3. 只做最小必要修改，使该用例通过，且不破坏其他用例。 4. 修改后重新运行 `python -m pytest -q`，确认全部通过。 5. 输出： - 失败原因的一句话说明； - `git diff` 形式的修改内容； - 最终 pytest 输出。 约束： - 不要新增依赖； - 不要删除或跳过测试； - 不要修改测试断言来迁就实现； - 若一次修改后仍失败，继续读取新报错并迭代，直到通过。

这段 prompt 的关键在于把“读报错—改文件—重跑”写成显式步骤，并禁止通过改测试来伪造通过。

3. TaoToken 接入与 Claude Code 配置

Claude Code 通过环境变量读取供应商配置。使用 TaoToken 时，需要把 Base URL 指向https://taotoken.net/api，并填入在控制台创建的 Key。配置方式有两种。

第一种是写入 Claude Code 的settings.json。在用户级或项目级配置中加入：

{ "env": { "ANTHROPIC_BASE_URL": "https://taotoken.net/api", "ANTHROPIC_API_KEY": "YOUR_API_KEY", "ANTHROPIC_MODEL": "deepseek-v4.1-flash" } }

第二种是直接在 shell 中导出：

export ANTHROPIC_BASE_URL="https://taotoken.net/api" export ANTHROPIC_API_KEY="YOUR_API_KEY" export ANTHROPIC_MODEL="deepseek-v4.1-flash"

如果同时使用 Codex，可在config.toml中配置对应的 provider 与 model；若使用 CC Switch 管理多套配置，则按“供应商—Key—模型”三件套分别填入 Base URL、API Key 与模型 ID，切换时确认当前激活项指向 TaoToken。Key 的创建入口在控制台的 API Keys 页面，具体路径以官网当前导航为准： https://taotoken.net/?utm_source=taotoken_aicg_blog_generate&utm_medium=csdn&utm_campaign=generate&utm_content=python_pytest_agent 。

配置完成后，可用一次最小请求验证连通性，例如让 Claude Code 执行pwd或读取一个文件，确认没有鉴权错误再进入修复任务。

4. 可验证结果与失败分支

4.1 修复后的 diff

Agent 读取报错后，定位到mean未处理空序列。最小修改如下：

diff --git a/src/calc/stats.py b/src/calc/stats.py index 3c1c0b2..9f2a1d4 100644 --- a/src/calc/stats.py +++ b/src/calc/stats.py @@ -4,6 +4,8 @@ from typing import Iterable def mean(values: Iterable[float]) -> float: data = list(values) + if not data: + raise ValueError("mean() arg is an empty sequence") total = 0.0 for item in data: total += item

该修改只增加一个空序列判断，不改变非空输入的行为，也不触碰测试文件。

4.2 重跑命令与通过输出

重跑命令：

python -m pytest -q

通过输出示例：

... [100%] 3 passed in 0.04s

三个用例全部通过，说明修复满足测试约束。

4.3 失败分支

若 Agent 第一次修改后仍失败，常见分支有三类。第一类是修改位置错误，例如改了median而非mean，此时应让 Agent 重新读取 traceback 的最后一帧，确认异常抛出的函数名。第二类是引入了新异常，例如把ValueError写成TypeError，此时 pytest 的raises断言会失败，需按新报错继续迭代。第三类是环境问题，例如 pytest 未安装或虚拟环境未激活，此时报错发生在收集阶段而非用例阶段，应先修复环境再重跑。无论哪类分支，都应保持“读新报错—再改—再跑”的循环，而不是一次性重写整个文件。

5. 限制、成本与模型选择

本文记录的是单仓库、单用例的修复流程，不构成对模型能力的横向评测。DeepSeek V4.1 Flash 在本任务中承担的是代码阅读与最小修改，适合这类边界条件修复；若任务涉及跨文件重构或大规模类型迁移，应换用更强的模型或拆分任务。模型 ID、可用列表与计费方式以官网当前页面为准，本文不引用任何第三方标价，也不把聚合平台的标价等同于 TaoToken 的售价。

成本方面，一次修复的消耗取决于仓库上下文大小、迭代轮数与模型单价。控制成本的做法包括：把 prompt 限定在目标文件与测试文件；要求 Agent 先输出失败原因再改代码；避免把整个仓库无关文件塞入上下文。若需要长期在多个仓库中反复执行此类 Agent 任务，可考虑使用 Coding Plan 类方案；若只是接入与排障，则优先查阅接入文档与 API Keys 页面。相关入口均可从官网进入： https://taotoken.net/?utm_source=taotoken_aicg_blog_generate&utm_medium=csdn&utm_campaign=generate&utm_content=python_pytest_agent 。

最后需要说明，本文不含排行分数，也不对任何模型在公开榜单上的名次做断言。所有可验证结果均来自本地仓库的 pytest 输出与 diff，读者可按第 2 节的仓库结构自行复现。

🚀 告别海外账号与网络限制！稳定直连全球优质大模型，限时半价接入中。 👉 点击领取海量免费额度