企业官网建设流程全解析

1. 法律助手智能体为什么总在“胡说八道”：从场景痛点说起

法律咨询这个场景，对 AI 来说是个硬骨头。我试过直接拿通用大模型问“试用期最长多久”，它答得头头是道，但一问“竞业限制补偿金没约定怎么算”，就开始含糊其辞，甚至编出个不存在的法条编号。这不是模型不行，而是通用模型缺少领域知识锚点，也没有工具去执行具体动作。

ModelEngine 智能体平台解决的就是这个问题。它把知识库、提示词、MCP 工具、多智能体协作串成一条流水线，让法律助手从“只会聊天”变成“能查法条、能审合同、能生成文书”的执行体。这篇文章我会带你从零复现一套可用的法律助手原型，覆盖 MCP 服务注册、多智能体协作编排、提示词设计，以及法律问答链路的验证动作和预期输出。

适合谁看？如果你正在找ModelEngine 智能体接入 MCP 多智能体协作的落地案例，或者想用统一 Key 管理多个模型的调用，这篇能直接抄配置。我会把踩过的坑和验证方法都写清楚，你跟着做就能跑通。

先明确目标：我们要构建一个法律助手，能回答劳动法/合同法基础问题、审查合同风险点、生成标准文书。核心链路是——用户提问 → 意图识别 → 路由到对应 Agent → 调用知识库或 MCP 工具 → 汇总输出。下面从 TaoToken 的前置配置开始。

2. TaoToken 统一 Key 接入 ModelEngine 的前置配置

ModelEngine 本身支持多种模型接入，但如果你想让法律助手同时调用通义千问、DeepSeek 或者 Claude 做不同任务，一个个配 Key 会很乱。TaoToken 的作用就是用一个统一 Key 管理多个模型的调用，省去反复切换的麻烦。

2.1 获取 API Key 与 Base URL

先到 TaoToken 控制台创建 API Key。地址是https://taotoken.net/api-keys，登录后点“创建密钥”，复制生成的 Key，格式类似sk-xxxxxxxx。这个 Key 后面要填到 ModelEngine 的模型配置里。

Base URL 用https://taotoken.net/api，注意不要加 UTM 参数，这是 API 调用的标准入口。模型 ID 根据你要用的模型填，比如qwen-max、deepseek-chat、claude-sonnet-4-20250514等。TaoToken 的模型列表在文档里有，地址是https://taotoken.net/doc。

2.2 在 ModelEngine 中配置模型供应商

进入 ModelEngine 控制台，找到“模型管理”或“模型供应商”设置。选择“自定义 OpenAI 兼容接口”，然后填三件套：

保存后，ModelEngine 会发一个测试请求验证连通性。如果返回 200 且能看到模型列表，说明配置成功。这一步很关键，因为后面所有 Agent 的 LLM 节点都依赖这个模型配置。

2.3 验证 Key 是否生效

在 ModelEngine 的调试面板里新建一个空白智能体，系统提示词随便写“你是一个助手”，然后发一条“你好”。如果模型正常回复，说明 TaoToken 的 Key 已经打通。如果报 401，检查 Key 是否复制完整；如果报local proxy failed，检查 Base URL 是否写成了https://taotoken.net/api而不是其他路径。

这一步完成后，我们就有了一个可用的模型底座。接下来开始正式构建法律助手。

3. 可复制的智能体配置：知识库、提示词与 MCP 服务注册

这一节是核心操作区，我会给出可直接复制的配置片段。你按顺序做，就能把法律助手的骨架搭起来。

3.1 创建智能体与系统提示词

在 ModelEngine 控制台点“创建智能体”，名称填“智能法律助手”，基础模型选刚才配置的qwen-max，对话模式选“多轮对话 + 任务执行”。

系统提示词直接复制下面这段：

你是一名专业的法律顾问助手，专长于： 1. 合同法、劳动法、公司法基础咨询 2. 合同条款风险点识别 3. 法律文书模板生成 4. 仅提供通用法律信息，不构成正式法律意见 5. 遇到复杂案件时，引导用户咨询执业律师 回答任何法律问题时，必须遵循以下步骤： - 首先检索知识库中相关法条原文 - 引用具体条款编号（如《民法典》第X条） - 用通俗语言解释法条含义 - 给出具体建议或行动指引 - 最后提示：本回答仅供参考，具体案件请咨询执业律师

这段提示词的关键是强制引用法条编号，否则模型容易泛泛而谈。我实测下来，加上“必须引用具体条款”后，回答的准确率明显提升。

3.2 知识库构建与自动摘要

ModelEngine 的知识库支持 PDF、Word、Markdown 批量上传。我上传了《民法典》合同编全文、50 份常见合同模板、劳动法司法解释汇总。操作路径：知识库 → 新建知识库 → 批量上传 → 自动向量化。

上传完成后，点“生成摘要”，系统会输出知识库概览，包括总文档数、核心章节分布、高频实体、建议场景。这个摘要功能很实用，能帮你快速判断知识库覆盖了哪些领域，避免检索时才发现缺文档。

检索增强测试：在调试面板问“试用期最长可以约定多久”，预期返回《劳动合同法》第十九条“不得超过六个月”并附原文段落。如果召回不准，检查文档分块大小，一般 500-800 字比较合适。

3.3 MCP 服务注册：合同生成器

MCP 是 ModelEngine 的原生能力，让智能体能调用外部工具。这里以“合同模板生成器”为例，配置步骤如下：

进入智能体设置 → MCP 服务 → 添加服务。选择“合同模板生成器”，填入服务地址和 API Key（如果该 MCP 服务需要鉴权）。然后在提示词中声明工具可用性：

当用户需要生成合同文本时，调用 generate_contract 工具。 参数： - contract_type（合同类型，如技术开发合同） - party_a（甲方名称） - party_b（乙方名称） - special_terms（特殊条款）

MCP 服务的注册信息可以用 JSON 片段管理，方便迁移：

{ "mcp_servers": { "contract-generator": { "command": "npx", "args": ["-y", "@modelengine/mcp-contract-generator"], "env": { "API_KEY": "your_mcp_key_here" } } } }

注意：MCP 服务不要直连生产数据库，测试环境用沙箱数据。配置完成后，在调试面板发“帮我生成一份技术开发合同，甲方是XX科技，乙方是YY软件，开发周期3个月”，预期智能体会调用工具并返回 Word 下载链接。

3.4 多智能体协作编排

单一 Agent 处理复杂任务会力不从心。我拆了三个专业 Agent：法律顾问 Agent（咨询）、合同审查 Agent（风险识别）、文书生成 Agent（输出文书）。

在 ModelEngine 的“工作流”模块可视化编排：

workflow: nodes: - id: intent_recognition type: llm prompt: "判断用户意图：咨询/审查/生成" - id: branch type: condition conditions: - if: "intent == '审查'" then: contract_review - if: "intent == '生成'" then: document_generate - if: "intent == '咨询'" then: legal_consult

合同审查 Agent 先输出风险点，文书生成 Agent 据此修改条款，最后汇总返回。实测“审查保密协议并修改不合理条款”，审查 Agent 输出 6 个风险点，文书 Agent 自动生成修订版并标注修改处，总耗时从人工 2 小时缩短到 3 分钟。

4. 验证请求与成功结果：法律问答链路实测

配置完成后，必须验证整条链路是否跑通。我设计了三个测试用例，覆盖咨询、审查、生成三个场景。

4.1 法律咨询验证

输入：“竞业限制补偿金怎么算？”

预期输出：智能体先检索知识库，命中《劳动合同法》第二十三条和司法解释（四）第六条，然后回答“未约定的，按劳动者离职前12个月平均工资的30%按月支付”，并附上法条原文和建议。

实际测试中，第一次输出只解释了违约金上限，没给修改建议。我在提示词里加了“如果发现违约金过高，应引导用户说明合同性质，并告知可主张调低的程序”，重新测试后输出完整度从 65% 提升到 89%。

4.2 合同审查验证

输入：“帮我审查这份保密协议，并修改不合理的条款。”

预期输出：合同审查 Agent 输出风险点列表（如“保密期限无限长”“管辖权约定不明”），文书生成 Agent 生成修订版协议，标注修改处。

验证时注意看 MCP 工具是否被正确调用。如果工具没触发，检查提示词里是否声明了工具名称和参数格式。ModelEngine 的调试面板会显示每次工具调用的入参和返回，方便排查。

4.3 文书生成验证

输入：“生成一份简单的技术开发合同，甲方是XX科技，乙方是YY软件，开发周期3个月。”

预期输出：智能体识别意图为“生成”，调用generate_contract工具，传递参数，返回 Word 文档下载链接。

如果返回的是纯文本而不是下载链接，说明 MCP 服务没注册成功。检查 MCP 服务的command和args是否正确，以及环境变量API_KEY是否填对。

4.4 成本监控

ModelEngine 提供 Token 消耗看板。实测单次合同审查平均消耗约 8000 Token，单次法律咨询约 2500 Token。可以设置月度预算，超限自动暂停服务。这个功能对企业级应用很重要，避免意外账单。

5. 本篇常见错排查：401、local proxy failed、OAuth 报错对照

配置过程中最容易卡在几个报错上。我整理了一份对照表，你遇到时直接查。

5.1 401 Unauthorized

报错信息：{"error": {"message": "Invalid API key", "type": "invalid_request_error"}}

原因：TaoToken 的 API Key 填错或过期。检查sk-开头的 Key 是否复制完整，有没有多余空格。如果 Key 没问题，检查 ModelEngine 的模型供应商配置里 Base URL 是否写成了https://taotoken.net/api，不要加/v1或其他路径。

5.2 local proxy failed

报错信息：local proxy failed: connection refused

原因：Base URL 配置错误，或者网络环境无法访问 TaoToken 的 API 入口。检查 Base URL 是否为https://taotoken.net/api，不要带 UTM 参数。如果网络正常，尝试在终端用 curl 测试：

curl -X POST https://taotoken.net/api/v1/chat/completions \ -H "Authorization: Bearer sk-xxxxxxxx" \ -H "Content-Type: application/json" \ -d '{"model": "qwen-max", "messages": [{"role": "user", "content": "你好"}]}'

如果 curl 能通但 ModelEngine 报错，检查 ModelEngine 的模型配置是否保存成功。

5.3 reading choices 报错

报错信息：error reading choices: unexpected end of JSON input

原因：模型返回的响应格式不兼容。检查 ModelEngine 的模型供应商是否选的是“OpenAI 兼容接口”，Model ID 是否填对。如果用的是 Claude 模型，Model ID 要填claude-sonnet-4-20250514这种完整名称，不要简写。

5.4 OAuth 报错

报错信息：OAuth token exchange failed

原因：如果 MCP 服务需要 OAuth 鉴权，检查回调地址和 Client ID 是否配置正确。ModelEngine 的 MCP 服务注册里，OAuth 相关字段要填完整。如果不需要 OAuth，检查是否误开了鉴权选项。

5.5 工具调用不触发

现象：用户请求生成合同，但智能体只回复文本，没调用 MCP 工具。

原因：提示词里没有明确声明工具名称和参数格式。在系统提示词里加上“当用户需要生成合同文本时，调用 generate_contract 工具，参数包括 contract_type、party_a、party_b、special_terms”。另外检查 MCP 服务是否在智能体设置里启用。

6. 从原型到落地：接入方式与后续优化

跑通原型后，下一步是让它真正能用起来。ModelEngine 支持一键发布为 API、Web 聊天窗、微信小程序。API 接口适合嵌入企业现有系统，Web 聊天窗可以嵌到官网或钉钉/飞书。

如果你需要长期跑编码类或 Agent 类任务，可以考虑 TaoToken 的 Coding Plan，地址是https://taotoken.net/coding-plan，适合高频调用的场景。如果只是验证模型效果，用模型对话功能就够了，地址是https://taotoken.net/chat。接入文档在https://taotoken.net/doc，里面有完整的 MCP 配置示例和 API 说明。

后续优化方向：接入更多 MCP 服务（如电子签章、支付），构建“法律+财务”双智能体协作流程，探索智能表单与工作流的深度整合。法律助手这个场景的核心是知识库的准确性和工具调用的可靠性，这两点做好了，用户体验就不会差。

最后提醒一句：MCP 服务不要直连生产数据库，测试环境用沙箱数据。法律场景对准确性要求高，建议在提示词里强制引用法条编号，并定期更新知识库文档。