企业官网建设流程全解析

1. 从零跑通第一个 MCP Server：为什么值得动手做一遍

MCP（Model Context Protocol）是 Anthropic 提出的开放协议，用来把「工具能力」标准化地暴露给大模型。你可以把它理解成给 AI 装了一个 USB 接口：以前每接一个工具都要写一套胶水代码，现在只要按 MCP 规范实现一个 Server，任何支持 MCP 的客户端都能直接调用。它适合谁？适合已经会用 Python 写点脚本、想让大模型真正「动手干活」而不是只聊天的开发者。

这一篇聚焦 SDK 入门与第一个 MCP Server 落地。我会先讲清 stdio 和 SSE 两种传输方式的区别，再拆开 JSON-RPC 的消息骨架，然后给出可复制的config.toml/settings.json配置骨架，最后用 TaoToken 统一 Key 接入 AI 工具，完成一次本地调用验证。目标很明确：从零跑通第一个 MCP Server，而不是停留在概念层面。

很多人卡在第一步不是因为不会写代码，而是被「传输方式」「消息格式」「客户端怎么连」这三件事绕晕。我试过把这三块拆开单独验证，跑通之后再拼起来，成功率会高很多。下面按这个思路走。

2. 前置准备：TaoToken 统一 Key 与 SDK 安装

2.1 为什么用 TaoToken 统一 Key

MCP 客户端在调用大模型时需要一个兼容 OpenAI 接口的base_url和api_key。如果你同时用多个模型，每个都去申请 Key、记不同的地址，管理成本很高。TaoToken 提供统一 Key 和统一 API 通道，一个 Key 就能接入多种模型，配置里只改model字段即可切换。

官网入口：https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= API 地址：https://taotoken.net/api

注意：API 地址不加 UTM 参数，直接写https://taotoken.net/api即可。Key 在控制台的 API Keys 页面创建，建议先建一个专用 Key 给 MCP 项目用，方便后续排查和轮换。

2.2 安装 MCP SDK

官方 SDK 安装命令如下，建议在虚拟环境里做，避免版本互相干扰：

python -m venv mcp_projects source mcp_projects/bin/activate # Windows 用 mcp_projects\Scripts\activate pip install "mcp[cli]" pip install openai

mcp[cli]带上了命令行调试工具，后面可以用mcp dev直接起一个调试面板。openai库不是只能用 GPT，它是一套标准的客户端调用方式，把base_url指向 TaoToken 就能调通。

2.3 stdio 与 SSE 的区别

stdio 是本地标准输入输出，基于进程间通信。客户端把服务端脚本放到子进程里执行，适合本地开发、单机工具。SSE 是 Server-Sent Events，底层走 HTTP，服务端独立运行，客户端通过 URL 连接，适合服务端部署、多客户端共享。

两者都用 JSON-RPC 交互，区别只在传输层。JSON-RPC 的消息骨架长这样：

{ "jsonrpc": "2.0", "id": 1, "method": "tools/call", "params": { "name": "plus_tool", "arguments": { "a": 3, "b": 2 } } }

method是方法名，params是参数，id用来匹配请求和响应。MCP 在此基础上定义了initialize、tools/list、tools/call等标准方法。理解这个骨架，后面看任何 MCP 日志都不会懵。

3. 可复制配置：config.toml 与 settings.json 骨架

3.1 服务端脚本 server.py

先写一个最小的加法工具，重点是函数注释要写清楚，大模型靠它判断什么时候调用：

from mcp.server.fastmcp import FastMCP app = FastMCP("start mcp") @app.tool() def plus_tool(a: float, b: float) -> float: """ 计算两个浮点数相加的结果 :param a: 第一个浮点数 :param b: 第二个浮点数 :return: 浮点数 """ return a + b if __name__ == '__main__': app.run(transport="stdio")

@app.tool()装饰器把函数注册成 MCP 工具，transport="stdio"指定用标准输入输出通信。注释里的参数说明会变成工具的description，直接影响大模型的选择准确率，别偷懒。

3.2 config.toml 骨架

如果你用支持 TOML 配置的客户端，可以这样写：

[mcp_servers.plus] command = "python" args = ["/absolute/path/to/server.py"] transport = "stdio" [llm] base_url = "https://taotoken.net/api" api_key = "sk-your-taotoken-key" model = "deepseek-chat"

command和args告诉客户端怎么启动服务端，base_url指向 TaoToken 的 API 通道。路径一定用绝对路径，相对路径在子进程里经常找不到文件。

3.3 settings.json 骨架

用 JSON 配置的客户端对应写法：

{ "mcpServers": { "plus": { "command": "python", "args": ["/absolute/path/to/server.py"], "env": { "TAOTOKEN_API_KEY": "sk-your-taotoken-key" } } }, "llm": { "baseUrl": "https://taotoken.net/api", "apiKey": "sk-your-taotoken-key", "model": "deepseek-chat" } }

把 Key 放到env里比硬编码在代码里安全，也方便不同环境切换。配置骨架先照抄，跑通之后再按需改。

4. 客户端调用与本地验证

4.1 客户端完整代码

下面这段代码用 stdio 启动服务端，通过 TaoToken 统一 Key 调用大模型，完成一次工具调用闭环：

import asyncio import json from contextlib import AsyncExitStack from openai import OpenAI from mcp import ClientSession from mcp.client.stdio import StdioServerParameters, stdio_client class MCPClient: def __init__(self, server_path: str): self.server_path = server_path self.llm = OpenAI( api_key="sk-your-taotoken-key", base_url="https://taotoken.net/api", ) self.exit_stack = AsyncExitStack() async def run(self, query: str): server_parameters = StdioServerParameters( command="python", args=[self.server_path], ) read_stream, write_stream = await self.exit_stack.enter_async_context( stdio_client(server=server_parameters) ) session = await self.exit_stack.enter_async_context( ClientSession(read_stream=read_stream, write_stream=write_stream) ) await session.initialize() response = await session.list_tools() tools = [] for tool in response.tools: tools.append({ "type": "function", "function": { "name": tool.name, "description": tool.description, "input_schema": tool.inputSchema, }, }) messages = [{"role": "user", "content": query}] llm_response = self.llm.chat.completions.create( messages=messages, model="deepseek-chat", tools=tools, ) choice = llm_response.choices[0] if choice.finish_reason == "tool_calls": messages.append(choice.message.model_dump()) for tool_call in choice.message.tool_calls: function_name = tool_call.function.name function_arguments = json.loads(tool_call.function.arguments) result = await session.call_tool( name=function_name, arguments=function_arguments ) content = result.content[0].text messages.append({ "role": "tool", "content": content, "tool_call_id": tool_call.id, }) final = self.llm.chat.completions.create( model="deepseek-chat", messages=messages ) print("AI：", final.choices[0].message.content) else: print("模型没有选择工具") async def aclose(self): await self.exit_stack.aclose() async def main(): client = MCPClient(server_path="./server.py") try: await client.run("请帮我计算 3 加 2 等于多少？") finally: await client.aclose() if __name__ == "__main__": asyncio.run(main())

流程分八步：建连接参数、开读写流、建 session、初始化、列工具、封装 Function Calling 格式、让模型选工具、把结果回传模型生成最终回复。大模型不会自己执行工具，它只负责「选」，执行靠session.call_tool。

4.2 成功结果长什么样

运行后你会看到两段输出。第一段是工具执行结果5.0，第二段是模型基于结果生成的最终回复，类似「3 加 2 等于 5」。如果只看到第一段没有第二段，说明messages里role: tool那条没拼对，检查tool_call_id是否和tool_call.id一致。

4.3 换成 SSE 只需改两处

服务端把app.run(transport="stdio")改成app.run(transport="sse")，客户端把stdio_client(server=server_parameters)换成sse_client("http://127.0.0.1:8000/sse")。先启动服务端，再跑客户端。SSE 的好处是服务端独立运行，改代码不用重启客户端，调试体验更好。

5. 本篇常见错误排查

5.1 报错：找不到 server.py

子进程的工作目录和你的终端不一样，args里必须用绝对路径。Windows 上路径带空格要加引号，或者用正斜杠。

5.2 报错：401 Unauthorized

Key 没填对，或者base_url写成了带/v1的旧格式。TaoToken 的 API 地址就是https://taotoken.net/api，不要自己加后缀。Key 前后有空格也会 401，复制时注意。

5.3 模型不调用工具

两个原因：一是函数注释太模糊，模型不知道什么时候用；二是tools列表没传进去。检查list_tools()返回的description是否完整，参数类型是否明确。

5.4 报错：finish_reason 不是 tool_calls

说明模型选择了直接回答而不是调工具。可以换一个更明确的提问，比如「用 plus_tool 计算 3 加 2」，或者在 system 提示里说明必须用工具。

5.5 资源泄漏警告

用AsyncExitStack管理stdio_client和ClientSession，在finally里调aclose()。直接async with嵌套在异常时容易漏掉清理，堆栈方式更稳。

6. 下一步：把 MCP 接进你的日常工具链

跑通第一个 Server 之后，你可以把plus_tool换成任何真实能力：查数据库、调内部 API、读本地文件。客户端这边，如果要做长期编码或 Agent 场景，建议用 Coding Plan 管理多模型调用额度，避免每次手动换 Key。

• 需要创建和管理 Key：https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=
• 想先在线验证模型对话效果：https://taotoken.net/chat?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=
• 长期编码 / Agent 场景：https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=
• 接入文档与参数说明：https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=

一个实用技巧：调试 MCP 时先把list_tools()的返回打印出来，确认工具注册成功，再往下走模型调用。很多「模型不调工具」的问题，其实是工具根本没注册上。把这一步当成固定检查点，能省掉大量排查时间。