企业官网建设流程全解析

1. 多智能体协作里，Prompt 为什么总在“打架”

如果你正在用 Python 编排多个 Agent，大概率遇到过这种场面：架构师 Agent 讲着讲着开始聊市场转化，产品经理 Agent 突然给你贴了一段数据库索引优化建议，安全专家 Agent 用起了卖萌语气。任务分发靠 if-else 硬编码，角色定义散落在十几个 py 文件里，改一句“请保持严谨”要重新部署整个服务。

这就是 MCP Prompts 想解决的问题。MCP（Model Context Protocol）把提示词从代码逻辑里抽出来，变成 Server 端可查询、可参数化、可版本化的“资源”。Client 不再自己拼字符串，而是通过标准接口向 Server 要一份带参数的提示词模板。对多智能体系统来说，这相当于给每个 Agent 发了一张“角色身份证”，中控 Agent 按任务类型去 Server 取对应人格，再注入上下文，分发下去。

它适合谁？适合已经在写 Python Agent 编排、被提示词管理折磨过的开发者；也适合刚接触 MCP、想知道 Prompts 原语到底怎么落地的人。下面我用一个“多角色专家咨询系统”的完整链路，把 MCP Prompts 的模板定义、角色切换、上下文注入、任务分发和验证步骤拆开讲，代码可以直接复制跑。

2. TaoToken 前置：给多智能体准备统一模型入口

多智能体系统最怕模型来源不统一。架构师 Agent 调一个模型，产品经理 Agent 调另一个，返回格式、上下文窗口、工具调用能力全不一样，编排层要写一堆适配代码。我的做法是先用 TaoToken 把模型入口统一掉，让所有 Agent 走同一个 Base URL 和 Key，编排层只关心角色和任务，不关心背后是哪个模型。

TaoToken 在这里的角色是“模型网关”：它提供 OpenAI 兼容的 API 接口，Python 侧用 openai 库就能直接调，不需要为每个模型写不同 SDK。对 MCP 场景来说，MCP Server 负责下发提示词模板，TaoToken 负责把模板送进模型，两边职责清晰。

你需要准备三样东西：API Key、Base URL、Model ID。Key 在控制台创建，Base URL 固定为https://taotoken.net/api，Model ID 按你实际要用的模型填。这三件套在后面的 settings 片段和 Python 代码里都会出现，先记牢。

创建 Key 的入口在控制台的 API Keys 页面，模型对话可以在模型对话页先试跑一轮，确认 Key 和模型都通。如果你后面要长期跑编码类 Agent，可以看 Coding Plan；只是验证角色切换，用按量调用就够。

注意：Base URL 填https://taotoken.net/api，不要带多余路径。OpenAI 兼容库会自动拼/chat/completions，手动加路径会 404。

3. 可复制配置：MCP Prompts 模板与 Python 编排片段

这一节是核心，给你两份可直接复制的配置：一份是 MCP Server 侧的 Prompts 定义（Python），一份是 Client 侧的模型接入 settings（JSON/TOML）。路径和字段名保持和实际一致，你改掉 Key 就能跑。

先看 MCP Server 侧。它暴露一个expert_consultantPrompt，接受role和task_context两个参数，根据 role 返回不同的 system message。这就是“角色切换”的落地点——角色不是写死在 Agent 里，而是 Server 按参数动态生成。

# mcp_server.py import asyncio from mcp.server import Server from mcp.server.stdio import stdio_server import mcp.types as types server = Server("expert-persona-provider") PERSONA_CONFIGS = { "architect": { "title": "资深系统架构师", "focus": "关注高并发、低延迟、高可用，用分层视角描述方案。", "tone": "专业、严谨，多用技术术语，先给结论再给理由。", }, "pm": { "title": "高级产品经理", "focus": "关注用户痛点、转化率、MVP 原则，优先业务价值。", "tone": "有同理心、目标导向、表达简洁。", }, "security": { "title": "安全专家", "focus": "关注注入风险、权限边界、数据泄露面。", "tone": "谨慎、直接，先列风险再给缓解措施。", }, } @server.list_prompts() async def handle_list_prompts() -> list[types.Prompt]: return [ types.Prompt( name="expert_consultant", description="按指定专家角色生成带上下文的提示词", arguments=[ types.PromptArgument( name="role", description="角色名：architect / pm / security", required=True, ), types.PromptArgument( name="task_context", description="任务背景描述", required=True, ), ], ) ] @server.get_prompt() async def handle_get_prompt(name: str, arguments: dict | None) -> types.GetPromptResult: if name != "expert_consultant": raise ValueError(f"Unknown prompt: {name}") role = (arguments or {}).get("role", "architect").lower() context = (arguments or {}).get("task_context", "") cfg = PERSONA_CONFIGS.get(role, PERSONA_CONFIGS["architect"]) system_message = ( f"你现在扮演【{cfg['title']}】。工作重点：{cfg['focus']} " f"说话语气：{cfg['tone']} 只输出该角色视角下的建议。" ) user_message = f"任务背景：{context}\n\n请以该角色给出专业建议。" return types.GetPromptResult( description=f"{role} 角色提示词", messages=[ types.PromptMessage( role="assistant", content=types.TextContent(type="text", text=system_message), ), types.PromptMessage( role="user", content=types.TextContent(type="text", text=user_message), ), ], ) async def main(): async with stdio_server() as (read, write): await server.run(read, write, server.create_initialization_options()) if __name__ == "__main__": asyncio.run(main())

再看 Client 侧的模型接入配置。如果你用 Cline 或类似支持 MCP 的客户端，settings 里要同时填 MCP Server 启动命令和模型三件套。下面这份 JSON 片段可以直接放进客户端配置：

{ "mcpServers": { "expert-persona": { "command": "python", "args": ["/path/to/mcp_server.py"] } }, "model": { "baseUrl": "https://taotoken.net/api", "apiKey": "sk-你的Key", "modelId": "你的ModelID" } }

如果你用 Codex 的auth.json风格配置，等价写法是：

{ "base_url": "https://taotoken.net/api", "api_key": "sk-你的Key", "model": "你的ModelID" }

三件套缺一不可：Base URL 决定请求打到哪，Key 决定能不能过鉴权，Model ID 决定用哪个模型。MCP Server 只负责给提示词，模型调用由 Client 侧完成，两边通过标准协议对接。

4. 验证请求：角色切换与任务命中率怎么测

配置写完，别急着上多智能体编排，先单点验证角色切换是否生效。我试过最省事的办法是写一个 Python 脚本，直接调 MCP Server 的get_prompt，把返回的 system message 打印出来，肉眼确认角色有没有切对。

# verify_prompt.py import asyncio from mcp import ClientSession, StdioServerParameters from mcp.client.stdio import stdio_client async def main(): params = StdioServerParameters( command="python", args=["/path/to/mcp_server.py"], ) async with stdio_client(params) as (read, write): async with ClientSession(read, write) as session: await session.initialize() for role in ["architect", "pm", "security"]: result = await session.get_prompt( "expert_consultant", {"role": role, "task_context": "设计一个高并发订单系统"}, ) print(f"=== {role} ===") for msg in result.messages: print(msg.content.text[:120]) print() asyncio.run(main())

跑完你会看到三段不同的 system message：architect 强调分层和高可用，pm 强调用户痛点和 MVP，security 强调注入和权限。如果三段输出一样，说明 role 参数没传进去，检查arguments字段名是否和 Server 侧PromptArgument的 name 一致。

角色切换验证通过后，再测任务命中率。做法是准备 10 条任务描述，每条标注“应该由哪个角色回答”，然后让中控 Agent 按关键词或简单分类逻辑选角色，调 MCP Server 取提示词，再走 TaoToken 调模型，最后人工核对角色是否选对。命中率低于 80% 时，优先检查任务描述里的关键词是否覆盖了角色定义里的 focus 字段。

# dispatch_agent.py import asyncio from openai import OpenAI from mcp import ClientSession, StdioServerParameters from mcp.client.stdio import stdio_client client = OpenAI( base_url="https://taotoken.net/api", api_key="sk-你的Key", ) ROLE_KEYWORDS = { "architect": ["架构", "并发", "扩展", "性能"], "pm": ["用户", "转化", "需求", "MVP"], "security": ["安全", "注入", "权限", "泄露"], } def pick_role(task: str) -> str: for role, kws in ROLE_KEYWORDS.items(): if any(k in task for k in kws): return role return "architect" async def run_task(task: str): role = pick_role(task) params = StdioServerParameters(command="python", args=["/path/to/mcp_server.py"]) async with stdio_client(params) as (read, write): async with ClientSession(read, write) as session: await session.initialize() prompt = await session.get_prompt( "expert_consultant", {"role": role, "task_context": task}, ) messages = [ {"role": "system", "content": prompt.messages[0].content.text}, {"role": "user", "content": prompt.messages[1].content.text}, ] resp = client.chat.completions.create( model="你的ModelID", messages=messages, ) print(f"[{role}] {resp.choices[0].message.content[:200]}") asyncio.run(run_task("订单系统如何扛住双十一流量"))

这段代码把 MCP Prompts 和 TaoToken 串起来了：MCP 给角色提示词，TaoToken 给模型能力。跑通后你会看到 architect 角色输出分层架构建议，而不是产品经理的用户故事。任务命中率统计就靠pick_role的返回值和人工标注对比，简单但有效。

5. 本篇常见错排查：401、local proxy failed、reading choices、OAuth

配置和验证过程中，报错集中在几个地方。下面按真实报错逐条给排查路径。

401 Unauthorized：Key 没填对或没带上。检查api_key字段是否以sk-开头，有没有多余空格。如果你把 Key 放在环境变量里，确认os.environ.get("TAOTOKEN_API_KEY")真的读到了值。还有一种情况是 Base URL 写成了https://taotoken.net/api/带尾斜杠，某些库会拼出双斜杠导致鉴权失败，去掉尾斜杠即可。

local proxy failed：这个报错通常出现在客户端尝试走本地代理但代理没起来。检查你的客户端配置里有没有残留的 proxy 字段，MCP Server 启动命令是否被代理拦截。把 proxy 相关配置清掉，让请求直连https://taotoken.net/api。如果你在容器里跑，确认容器网络能出站。

reading choices 报错：典型表现是KeyError: 'choices'或list index out of range。原因一般是模型返回了错误结构，比如 401 时返回的是{"error": ...}而不是标准 completion。先打印完整 response 看结构，再确认 Model ID 是否拼写正确。Model ID 写错时，部分网关会返回非标准错误体，导致解析choices失败。

OAuth 相关报错：如果你用 Claude Code 或类似工具，可能会遇到 OAuth token 过期或 scope 不足。这类工具通常有自己的鉴权流程，和 API Key 是两套。确认你是在用 API Key 模式而不是 OAuth 模式，或者在工具设置里重新走一遍授权。MCP Server 本身不涉及 OAuth，报错一般来自 Client 侧的模型接入层。

排查顺序建议：先确认 Key 和 Base URL 能单独调通（用 curl 或 Python 直调），再确认 MCP Server 能单独返回提示词，最后把两边串起来。哪一步断掉就修哪一步，不要一上来就怀疑多智能体编排逻辑。

6. 从单角色到多智能体：把 Prompts 用成“人格调度层”

单角色验证通过后，多智能体编排就是把这个模式复制 N 份。中控 Agent 不再自己拼提示词，而是维护一张“任务类型 → 角色”的映射表，按任务去 MCP Server 取对应人格，再通过 TaoToken 分发到模型。角色定义集中在 Server 侧，改语气、改 focus 只动一个文件，不用碰编排代码。

上下文注入的优先级也要定清楚：system message 来自 MCP Prompts，优先级最高；任务背景来自中控 Agent，放在 user message；历史对话按需截断，避免把角色定义冲淡。如果发现 Agent 跑着跑着“人格漂移”，优先检查是不是历史对话太长把 system message 挤掉了，而不是急着改提示词。

长期跑编码类 Agent 的话，Coding Plan 比按量调用更稳，额度固定、不怕突发流量把账单打爆。验证模型能力用模型对话页就够，接入文档在 doc 页有完整字段说明。把 MCP Prompts 当成“人格调度层”，TaoToken 当成“模型调度层”，两层解耦，多智能体系统才不会被提示词和模型适配拖垮。