企业官网建设流程全解析

1. 从被客户半夜追问天气说起：全球气象助手到底解决什么问题

先说清楚这个“全球气象助手”是什么、能做什么、适合谁。它是一个跑在 SF-FastGPT 上的智能体应用，用户输入城市名或经纬度，它会在一次对话里返回当地实况、未来几天预报和极端天气预警，并且用自然语言总结成“今天该不该带伞、适不适合出门”这种能直接用的结论。适合两类人：一类是被客户反复追问天气、想把自己从人工查数据里解放出来的气象/航运/农业/户外行业从业者；另一类是想学 MCP 工具接入和工作流编排、但一直没找到完整可跟做案例的开发者。

我所在团队做气象数据服务，日常最怕的不是数据难拿，而是客户的问题太口语化。“明天北京下不下雨”“上海这周末能洗车吗”“三亚现在台风到哪了”，这些问题背后要串起实况接口、预报接口、预警接口三套数据源。以前靠人工，同事 A 盯一个源、同事 B 翻另一个源，客户凌晨两点问航班能不能飞，三个人轮流爬起来查，第二天集体顶着黑眼圈开会。问题不在于查不到，而在于“把自然语言翻译成接口参数、再把接口 JSON 翻译回人话”这一段全靠人肉。

所以这个智能体的目标很明确：输入城市或经纬度，30 秒内给出实况、预报、预警，并附一句行动建议。技术链路上有三块硬骨头：第一，让模型能“伸手”调用真实气象接口，这靠 MCP（Model Context Protocol）工具接入；第二，把意图识别、参数提取、路由、格式化串成一条稳定工作流，这靠 SF-FastGPT 的可视化编排；第三，把模型调用的 endpoint 统一到一个 Key 上管理，避免每个节点各配一套密钥、换模型时到处改配置，这一步我用 TaoToken 来做统一入口。

下面按“前置准备 → 可复制配置 → 验证请求 → 排错 → 收尾”的顺序拆。你如果只想抄作业，重点看第 3 节的 MCP 配置片段和工作流节点参数，那是整条链路能不能跑通的关键。

2. 前置准备：SF-FastGPT 里建应用、TaoToken 上拿统一 Key

这一节解决“东西从哪来”。SF-FastGPT 是 FastGPT 的一个部署实例，界面是节点式工作流画布，左侧组件库、中间画布、右侧节点配置，拖 LLM、条件分支、HTTP 请求这些组件连线就能跑。进入平台后点右上角“新建应用”，应用类型选“工作流”而不是“智能问答”——智能问答是纯 Prompt 单轮闲聊，工作流才能接外部工具，这是能不能调气象接口的分水岭。应用名写“全球气象助手”，模板用默认即可。

接着是模型调用的统一 Key。我试过在每个 LLM 节点里单独填模型地址和密钥，节点一多就乱：换模型要逐个改，密钥泄露风险也分散。后来改成所有模型请求都走 TaoToken 的统一入口，一个 Key 管所有模型，节点里只填 Base URL、Key、Model ID 三件套。TaoToken 的 API 地址是 https://taotoken.net/api ，官网在 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，注册后在控制台生成 Key。

具体操作路径：登录后进控制台，找到 API Keys 页面新建一个 Key，复制保存；模型 ID 按你实际要用的填，比如做意图识别和参数提取这种结构化任务，选一个指令跟随稳的模型即可。这里要强调一点，Base URL 填 https://taotoken.net/api ，不要带多余路径，很多 401 和 404 就是路径拼错导致的。Key 生成后先别急着往工作流里塞，第 4 节会先用一条 curl 验证它通不通，通了再进编排，能省掉大量“到底是 Key 错还是节点配错”的排查时间。

MCP 工具这边，我把团队内部的全球气象查询接口按 MCP 协议包装成了一个独立 MCP Server，对外暴露“查实况”“查预报”“查预警”三个工具方法。你如果没有现成接口，可以先用任意公开气象 API 包一层，重点是 MCP Server 的入参出参要固定：入参收 city 或 lat/lon 加 type，出参返回结构化 JSON。工具本身稳定，工作流才有稳定的地基。

3. 可复制配置：MCP 片段、工作流节点参数与统一 Key 三件套

这一节是全文最该抄的部分。先给 MCP 接入配置。SF-FastGPT 里接入 MCP 工具，本质是告诉平台“这个工具在哪、怎么调、参数长什么样”。下面是一段可复制的 MCP 配置片段，路径和字段按你实际部署调整：

{ "mcpServers": { "weather-global": { "command": "node", "args": ["/opt/mcp-weather/server.js"], "env": { "WEATHER_API_BASE": "https://your-weather-api.example.com", "WEATHER_API_KEY": "your_weather_api_key" } } } }

这段配置的意思是：启动一个名为 weather-global 的 MCP Server，用 node 跑 server.js，气象接口的地址和密钥通过环境变量注入。把它填进 SF-FastGPT 的 MCP 工具配置区后，工作流里就能看到这个工具暴露的方法。

然后是模型调用的三件套。所有 LLM 节点统一填：

{ "base_url": "https://taotoken.net/api", "api_key": "sk-你的TaoToken密钥", "model_id": "你的模型ID" }

Base URL、Key、Model ID 三件套缺一不可，且三个 LLM 节点（意图识别、参数提取、最终回答）都用同一套，这样换模型只改一处。如果你用 Codex 的 auth.json 或 Cline 的 MCP 配置，思路一样：Base URL 指向 https://taotoken.net/api ，Key 填 TaoToken 生成的，Model ID 填你要的模型。

工作流节点参数按这个顺序连：

意图识别 LLM 节点，Prompt 让它只做分类，输出“实况/预报/预警/闲聊”四选一，不要让它顺便提参数。参数提取 LLM 节点，Prompt 里塞五类以上真实样例，覆盖城市名（北京、Shanghai、东京）、经纬度（39.9,116.4、北纬30度东经120度）、时间（今天、明天下午三点、这周末），让它输出结构化 JSON。路由判断器用条件分支组件，判断“有没有城市名”，有走城市接口，没有退化到经纬度接口。MCP 气象工具节点接上面配好的 weather-global。数据格式化节点用模板把 JSON 渲染成人话。最终回答 LLM 节点用友好口吻总结。

这里有个关键经验：第一版我把意图识别和参数提取塞进一个 LLM，实测准确率只有 60% 多，“明天上海天气怎么样”换个说法模型就抽风；拆成两个节点后准确率拉到 92%。让 LLM 一次只做一件事，比让它打全场稳得多。数据格式化节点最容易被忽略但用户感知最强，MCP 返回{"temp":28.5,"humidity":65,"wind_speed":12,"description":"多云转小雨"}，直接丢给最终 LLM 它会念“temp 是 28.5”，用户当场想卸载；加一层模板渲染成“当前北京气温 28.5℃，相对湿度 65%，风速 12 km/h，天气多云转小雨”，体验立刻不一样。

4. 验证请求：一条 curl 打通 Key，再跑真实气象查询

配置填完别急着发布，先验证。第一步验证 TaoToken 的 Key 通不通，用一条 curl：

curl https://taotoken.net/api/v1/chat/completions \ -H "Authorization: Bearer sk-你的TaoToken密钥" \ -H "Content-Type: application/json" \ -d '{ "model": "你的模型ID", "messages": [{"role": "user", "content": "只回复两个字：通了"}] }'

返回里如果 choices 数组有内容、message.content 是“通了”，说明 Base URL、Key、Model ID 三件套没问题。这一步能过，后面工作流里模型节点报错基本就不是 Key 的问题了。

第二步验证 MCP 工具。在 SF-FastGPT 工作流画布上单独跑 MCP 气象工具节点，入参填{"city":"苏州","type":"current"}，看返回是不是结构化 JSON。如果返回空或报错，先确认 MCP Server 进程起来了、环境变量里的接口地址和密钥对。

第三步跑端到端。在测试框输入“苏州今天的实况天气”，观察节点执行顺序：意图识别输出“实况”，参数提取输出{"city":"苏州","type":"current"}，路由走城市分支，MCP 工具返回 JSON，格式化节点渲染成人话，最终回答输出类似“苏州当前气温 28.5℃，相对湿度 65%，风速 12 km/h，天气多云转小雨，建议随身带伞”。整条链路跑通，再换“39.9,116.4 未来三天预报”验证经纬度分支，换“三亚现在有台风预警吗”验证预警分支。

测试通过后回应用详情页补全头像和简介，简介写“支持查询全球的实况和预报气象信息”，一句话价值主张，用户三秒决定用不用。然后点“保存并发布”，平台生成分享链接，点开就能用。发布后再用真实链接跑一遍，确认线上和测试环境行为一致。

5. 常见报错排查：401、local proxy failed、reading choices、OAuth

排错这节按真实报错对照，遇到哪个查哪个。

401 Unauthorized，九成是 Key 问题。先确认 curl 验证那步过没过，没过就是 Key 复制时带了空格或换行，重新生成一个。如果 curl 过了但工作流里 401，检查节点里的 Base URL 是不是写成了 https://taotoken.net/api/ 带尾斜杠，或者误填了别的路径。三件套里 Base URL、Key、Model ID 任何一个错都会 401 或 404。

local proxy failed，通常是 MCP Server 没起来或端口不通。检查 server.js 进程是否在跑，环境变量 WEATHER_API_BASE 和 WEATHER_API_KEY 是否注入成功。如果 MCP Server 依赖外部气象接口，确认那层接口本身能通，别把上游的错算到 MCP 头上。

reading choices 报错，一般是模型返回体结构和预期不符。常见原因是 Model ID 填错，请求打到了不支持 chat/completions 格式的模型上；或者 Base URL 指向了非兼容端点。回到 curl 那步，用同一个 Model ID 再跑一次，看返回体里有没有 choices 字段。没有就是模型 ID 或端点的问题。

OAuth 相关报错，多出现在用 Codex 的 auth.json 或某些需要授权流程的客户端时。如果你只是走 API Key 方式调 TaoToken，不需要 OAuth，把客户端里多余的 OAuth 配置去掉，统一用 Bearer Token。Cline 的 MCP 配置里如果混了 OAuth 字段，也会干扰，清掉只留 Base URL、Key、Model ID。

还有一个隐蔽的坑：工作流里多个 LLM 节点用了不同 Key，换模型时只改了一个，导致部分节点 401。统一走 TaoToken 一个 Key 就是为了避免这个，所有节点共用一套三件套，改一处全生效。

6. 把模型 endpoint 统一到 TaoToken 之后，这套链路还能怎么扩

联调跑通只是起点。把模型调用 endpoint 统一到 TaoToken 之后，最大的好处是换模型、加节点、做多模型对比都不用动工作流结构，只改三件套里的 Model ID。接下来我打算沿三条线扩：数据源上，目前接的是单一全球气象 API，下一步纳入多家数据源做交叉验证，单一源说错就完蛋；输入形态上，让用户直接发一张天空照片，模型反推当前天气；场景上，在通用气象助手之上做农业、户外、航空几个垂直版本，把行业 Know-How 灌进去。

如果你也想抄这套作业，路径很清晰：SF-FastGPT 建工作流应用，MCP 接气象工具，工作流按“意图识别 → 参数提取 → 路由 → MCP 调用 → 格式化 → 最终回答”编排，模型调用统一走 TaoToken 的 Base URL https://taotoken.net/api 加一个 Key。需要生成 Key 和看接入文档的，去 API Keys 页面和接入文档；想先验证模型效果的，用模型对话页面直接试；打算长期做编码和 Agent 的，看 Coding Plan。搭完一个，你对 AI 工程化的理解会上一个台阶——它本质上还是“输入 → 处理 → 输出”，只不过中间那层从写死的业务逻辑，变成了可自然语言驱动的 LLM 调用。