1. WSL 里跑 ForgeCode 的真实场景与资源取舍
ForgeCode 是一个终端里的 AI 编码代理，跑在命令行里，能读文件、改代码、执行命令。它和 opencode 属于同一类工具，但资源占用明显更小，在 terminal bench 这类终端任务评测里得分也不低。如果你的机器内存不宽裕，或者你习惯在 WSL 里做开发，ForgeCode 是个值得试的选择。
我这次的目标很明确：在 WSL（Ubuntu 22.04）里把 ForgeCode 装起来，并且把它的两类模型端点——AnthropicCompatible 和 OpenAICompatible——统一指向 TaoToken 的 API 通道。这样做的原因是，ForgeCode 本身通过 LiteLLM 做模型路由，而 LiteLLM 支持自定义 base_url，只要把端点地址和 Key 换掉，就能让所有请求走同一个入口，不用在多个供应商之间来回切配置。
适合谁看：已经在 WSL 里做开发、想找一个轻量终端编码代理的人；手里有 TaoToken 的 Key、想把 Claude 系和 OpenAI 系模型统一管理的人；以及第一次配 LiteLLM、被 base_url 和 model 名绕晕的人。
整个流程分四步：依赖检查、安装 ForgeCode、配置 LiteLLM 的两类端点、用 curl 验证请求真的走通了。每一步我都会给出可复制的命令和配置片段，你照着改路径和 Key 就能用。
先说清楚一个概念，避免后面混淆。ForgeCode 自己不直接发请求，它把模型调用交给 LiteLLM。LiteLLM 是一个代理层，对外暴露一个 OpenAI 兼容的接口，对内可以路由到不同供应商。所以我们要改的其实是 LiteLLM 的配置，让它把 AnthropicCompatible 和 OpenAICompatible 两类请求都转发到 TaoToken。理解这一点，后面的配置就顺了。
WSL 环境有个坑要先提醒：字体。ForgeCode 的终端界面依赖 Nerd Font 图标，如果字体没装对，界面会显示一堆方块。Windows 下要装字体，WSL 里的终端也要选同一个字体，两边保持一致。这个后面安装章节会细说。
2. TaoToken 前置准备与 LiteLLM 安装要点
在动 ForgeCode 之前，先把 TaoToken 这边的准备工作做完。你需要一个可用的 API Key，以及确认要用的模型 ID。TaoToken 的官网入口是 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，API 基址是 https://taotoken.net/api 。注意 API 地址不带 UTM 参数，配置里填的就是这个干净地址。
拿 Key 的路径：进控制台，找到 API Keys 页面，新建一个 Key 并复制保存。这个 Key 后面会同时用在 AnthropicCompatible 和 OpenAICompatible 两类配置里，所以只需要一个。控制台地址是 https://taotoken.net/console?utm_source=taotoken_aicg_blog_end&utm_content=console&utm_campaign=rewrite ，API Keys 页面是 https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api-keys&utm_campaign=rewrite 。
模型 ID 这块要注意：TaoToken 的模型命名和官方可能不完全一样，配置前先在模型对话页面确认一下你要用的模型标识。模型对话入口是 https://taotoken.net/chat?utm_source=taotoken_aicg_blog_end&utm_content=model-chat&utm_campaign=rewrite 。你可以在这里发一条测试消息，确认模型可用，同时记下模型 ID 的准确写法。
接下来装 LiteLLM。LiteLLM 有两种用法：一种是作为 Python 库直接调用，一种是作为代理服务（proxy）跑起来。ForgeCode 需要的是代理模式，因为要暴露一个 HTTP 端点给 ForgeCode 调用。安装命令：
pip install 'litellm[proxy]'如果你用 pipx 管理命令行工具，也可以：
pipx install 'litellm[proxy]'装完后验证一下版本：
litellm --version能打印出版本号就说明装好了。这里有个常见问题：WSL 里默认的 Python 可能是 3.10 以下，LiteLLM 新版本要求 3.9+，建议用 3.11。如果版本太低，先升级 Python 或者用 conda 建一个虚拟环境。
LiteLLM 的配置文件默认放在当前工作目录，文件名通常叫config.yaml。我们后面会在这个文件里写两类端点的配置。配置文件的位置你可以自己定，启动时用--config指定路径就行。
还有一点：LiteLLM proxy 默认监听 4000 端口。如果你 WSL 里 4000 被占了，启动时会报端口冲突，换一个端口即可，比如 4001。这个端口号后面 ForgeCode 的配置里要对应上。
3. 可复制的 LiteLLM 配置：两类端点统一指向 TaoToken
这一节是核心。我们要在config.yaml里同时配好 AnthropicCompatible 和 OpenAICompatible 两类端点，让它们都走 TaoToken。
先解释一下这两类的区别。AnthropicCompatible 指的是请求格式遵循 Anthropic Messages API 的规范，OpenAICompatible 指的是遵循 OpenAI Chat Completions 的规范。LiteLLM 会根据模型名前缀或者 provider 字段来决定用哪种格式转发。我们要做的是：不管哪类，base_url 都指向 TaoToken，api_key 都用同一个。
下面是一份可直接复制的config.yaml：
model_list: - model_name: claude-sonnet litellm_params: model: anthropic/claude-sonnet-4-20250514 api_base: https://taotoken.net/api api_key: os.environ/TAOTOKEN_API_KEY - model_name: gpt-4o litellm_params: model: openai/gpt-4o api_base: https://taotoken.net/api api_key: os.environ/TAOTOKEN_API_KEY litellm_settings: drop_params: true general_settings: master_key: sk-your-local-master-key逐段说明。model_list里每一项是一个模型映射。model_name是 ForgeCode 那边调用的名字，你可以自定义，比如claude-sonnet。litellm_params.model是 LiteLLM 内部识别的模型标识，前缀anthropic/或openai/决定用哪种请求格式。api_base统一填https://taotoken.net/api。api_key这里用了环境变量引用，避免把 Key 写死在文件里。
litellm_settings.drop_params: true这个很关键。不同供应商对参数的支持不一样，比如某些模型不接受temperature或top_p，开了 drop_params 后 LiteLLM 会自动丢弃不支持的参数，避免请求报错。这个在跨供应商场景下几乎是必开的。
general_settings.master_key是 LiteLLM proxy 自己的访问密钥，ForgeCode 调用本地 proxy 时要用它。这个和 TaoToken 的 Key 是两回事，别搞混。你可以随便设一个，比如sk-local-123。
设置环境变量：
export TAOTOKEN_API_KEY="你的TaoToken Key"如果你想让这个变量持久化，写进~/.bashrc或~/.zshrc：
echo 'export TAOTOKEN_API_KEY="你的TaoToken Key"' >> ~/.bashrc source ~/.bashrc启动 LiteLLM proxy：
litellm --config ./config.yaml --port 4000看到类似Uvicorn running on http://0.0.0.0:4000的输出就说明起来了。注意这里监听的是 4000 端口，和配置文件里 ForgeCode 要填的地址对应。
如果你用的是 TOML 格式的配置（有些工具链偏好 TOML），等价写法是这样：
[[model_list]] model_name = "claude-sonnet" [model_list.litellm_params] model = "anthropic/claude-sonnet-4-20250514" api_base = "https://taotoken.net/api" api_key = "os.environ/TAOTOKEN_API_KEY" [[model_list]] model_name = "gpt-4o" [model_list.litellm_params] model = "openai/gpt-4o" api_base = "https://taotoken.net/api" api_key = "os.environ/TAOTOKEN_API_KEY" [litellm_settings] drop_params = true两种格式选一种就行，LiteLLM 都支持。我个人习惯 YAML，因为文档示例多，复制改起来快。
配置写完后，ForgeCode 那边要填的 Base URL 是http://localhost:4000/v1，Key 填general_settings.master_key那个值，Model ID 填model_name，比如claude-sonnet。这三件套（Base URL + Key + Model ID）在 ForgeCode 的配置界面或配置文件里都要对应上，缺一个都跑不通。
4. 验证请求：curl 打通与 ForgeCode 首次运行
配置写完不能直接信，先用 curl 验证 LiteLLM proxy 能不能正常转发到 TaoToken。这一步能帮你把配置问题和 ForgeCode 问题分开。
先测 OpenAICompatible 端点：
curl http://localhost:4000/v1/chat/completions \ -H "Content-Type: application/json" \ -H "Authorization: Bearer sk-local-123" \ -d '{ "model": "gpt-4o", "messages": [{"role": "user", "content": "说一句你好"}] }'注意这里的Authorization用的是 LiteLLM 的 master_key，不是 TaoToken 的 Key。如果返回里有choices字段和正常的文本内容，说明 OpenAICompatible 这条路通了。
再测 AnthropicCompatible 端点。LiteLLM 对 Anthropic 格式的请求也做了兼容，可以用/v1/messages：
curl http://localhost:4000/v1/messages \ -H "Content-Type: application/json" \ -H "x-api-key: sk-local-123" \ -H "anthropic-version: 2023-06-01" \ -d '{ "model": "claude-sonnet", "max_tokens": 100, "messages": [{"role": "user", "content": "说一句你好"}] }'如果返回里有content数组和文本块，说明 AnthropicCompatible 也通了。两条都通，就证明 LiteLLM 的配置没问题，请求确实经统一 Key 和 API 通道正常返回了。
接下来装 ForgeCode。按官方文档的步骤来，先搞定字体。Windows 下安装 Nerd Font（比如 JetBrainsMono Nerd Font），然后在 WSL 的终端里选择同一个字体。如果字体没装对，ForgeCode 界面会显示方块，不影响功能但看着难受。
安装 ForgeCode 本体。如果 git 连接顺畅，直接按文档命令装。如果 git 连不上，可以手工下载安装包，然后找个 AI 代码工具帮你改 sh 脚本里的路径。这里有个坑：依赖的bat和fd要从 git 下载最新版，不要用 apt 安装，apt 里的版本太旧，ForgeCode 可能不认。
装完后启动 ForgeCode，在配置里填：
- Base URL:
http://localhost:4000/v1 - API Key:
sk-local-123（你的 master_key） - Model:
claude-sonnet或gpt-4o
保存后发一条测试消息，比如「列出当前目录的文件」。如果 ForgeCode 能正常返回结果，说明整条链路打通了：ForgeCode → LiteLLM proxy → TaoToken → 模型 → 返回。
实测下来，第一次跑通后，后面切换模型只需要改 ForgeCode 里的 Model 字段，LiteLLM 那边不用动。这就是统一端点的好处。
5. 常见报错排查：401、local proxy failed 与 choices 缺失
配置过程中最容易撞的几个错，我按真实报错信息列出来，对照着查。
401 Unauthorized。这个最常见，分两种。一种是 curl 测 LiteLLM 时报 401，说明Authorization头里的 master_key 和配置文件里的general_settings.master_key不一致，检查两边是否一样。另一种是 LiteLLM 转发到 TaoToken 时报 401，说明TAOTOKEN_API_KEY环境变量没生效或者 Key 本身无效。用echo $TAOTOKEN_API_KEY确认变量有值，再去 TaoToken 控制台确认 Key 状态正常。
local proxy failed / connection refused。ForgeCode 报这个，通常是 LiteLLM proxy 没起来，或者端口不对。先确认litellm --config ./config.yaml --port 4000还在运行，然后curl http://localhost:4000/health看有没有响应。如果 WSL 里 4000 被占，换端口后 ForgeCode 的 Base URL 也要同步改。
返回里没有 choices 字段。这个说明请求发出去了，但响应格式不对。常见原因是model名写错了，LiteLLM 找不到对应映射。检查 ForgeCode 里填的 Model ID 是否和config.yaml里的model_name完全一致，大小写敏感。另一个原因是drop_params没开，某些参数被供应商拒绝，开了之后能过滤掉不支持的参数。
OAuth 相关报错。如果你在 ForgeCode 里看到 OAuth 或 token 刷新的提示，说明它可能尝试走官方登录流程。这时候要确认 ForgeCode 的配置里用的是自定义 Base URL 模式，而不是官方账号登录模式。把认证方式切成 API Key，填 LiteLLM 的 master_key。
模型名不识别。TaoToken 的模型 ID 和官方可能不同，比如官方叫claude-sonnet-4-20250514，TaoToken 那边可能用别的写法。去模型对话页面确认准确 ID，然后同步改config.yaml里的litellm_params.model。
排查顺序建议：先 curl 测 LiteLLM 本地端点，通了再测 ForgeCode。这样能把问题定位在 LiteLLM 配置层还是 ForgeCode 层。每次改完配置记得重启 LiteLLM proxy，配置不会热加载。
6. 长期编码与 Agent 场景的接入建议
ForgeCode 跑通后，如果你打算长期用它做编码或者跑 Agent 任务，有几个点值得注意。
第一，LiteLLM 的配置可以扩展成多模型池。比如你同时配claude-sonnet、gpt-4o、deepseek几个model_name，ForgeCode 里按任务切换。复杂重构用 Claude 系，快速补全用轻量模型，成本和质量能平衡。配置里加一项就是多一个模型，不用改代码。
第二，drop_params: true建议一直开着。跨供应商场景下，参数兼容问题很烦，开着它能省很多排查时间。代价是某些参数会被静默丢弃，如果你依赖特定参数，测试时留意一下。
第三，Key 管理。TaoToken 的 Key 放在环境变量里，LiteLLM 的 master_key 可以每个项目设不同的值，方便区分调用来源。不要把 Key 写进 git 仓库，用.env或者环境变量。
第四，如果你要跑长时间 Agent 任务，建议用 Coding Plan 这类按量方案，成本更可控。入口是 https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding-plan&utm_campaign=rewrite 。接入文档在 https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite ，里面有各类端点的详细参数说明，配置遇到不确定的地方可以对照查。
第五，WSL 里的网络稳定性。如果遇到请求超时，先确认 WSL 的 DNS 和网络模式正常。WSL2 默认走 NAT，一般没问题，但如果公司网络有特殊限制，可能需要调整。这个和工具本身无关，属于环境问题。
最后说个实用技巧：把 LiteLLM 的启动命令写成一个脚本，比如start-litellm.sh，里面包含环境变量导出和启动命令。每次开机跑一下脚本，省得手动敲。脚本内容：
#!/bin/bash export TAOTOKEN_API_KEY="你的Key" litellm --config ~/forgecode/config.yaml --port 4000给脚本加执行权限chmod +x start-litellm.sh，以后./start-litellm.sh就能起来。ForgeCode 那边配置一次，之后直接用。
整套流程走下来，核心就是把 LiteLLM 当成一个统一网关，ForgeCode 只认本地端点，背后走哪家模型由 LiteLLM 决定。这样换模型、换供应商都不用动 ForgeCode，维护成本低很多。
