企业官网建设流程全解析

1. 企业本地知识库为什么选 5ire 做桌面入口

5ire 是一款免费开源的跨平台桌面 AI 助手，支持 MCP 协议，兼容 OpenAI、Claude、Gemini、DeepSeek、Ollama 等主流模型通道，同时内置本地知识库能力，能把 docx、pdf、txt 解析成向量做 RAG 检索增强生成。它适合谁？适合需要在企业内网或本地环境里，把散落的制度文档、产品手册、技术规范变成可问答知识库的团队，也适合个人开发者想快速验证 RAG 链路。

但真正落地时，很多人卡在两个地方：一是模型通道分散，OpenAI 一个 Key、Claude 一个 Key、DeepSeek 又一个 Key，管理成本高；二是 MCP 工具链和 RAG 检索链路各自为政，配置字段写错一个就报连接失败。我试过用 TaoToken 统一 Key 通道来收敛模型接入，再配合 5ire 的 MCP 配置，整条链路会清爽很多。下面从零开始，把 5ire 的 RAG 检索链路和 MCP 工具链接入讲清楚，配置骨架可以直接复制。

2. TaoToken 前置：统一 Key 与 API 通道准备

TaoToken 在这里的角色是统一模型通道。你不需要在 5ire 里为每个模型厂商单独填 Base URL 和 Key，而是通过 TaoToken 拿到一个统一的 API Key，再把 5ire 的模型通道指向 TaoToken 的 API 地址。这样切换模型时只改模型名，不用改通道配置。

先做三件事：

第一，打开官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= 注册账号并登录控制台。

第二，进入 API Keys 页面创建一个 Key，复制保存。这个 Key 就是后面 5ire 配置里的apiKey字段值。

第三，确认你要用的模型名。TaoToken 的模型对话页面可以看到当前可用的模型列表，比如gpt-4o、claude-3-5-sonnet、deepseek-chat等。记下你要用的模型标识，5ire 配置里要填。

注意：API 地址统一用 https://taotoken.net/api ，不要加 UTM 参数。Key 只创建一次，后续所有模型通道共用。

如果你后续要做长期编码或 Agent 任务，可以了解 Coding Plan；如果只是验证模型连通性，直接用模型对话页面测试即可。接入文档在 doc 页面，API Keys 管理在 api-keys 页面。

3. 5ire 配置文件骨架：MCP server 与模型通道字段

5ire 的配置分两块：一块是模型通道，一块是 MCP server。模型通道负责把请求发到 TaoToken，MCP server 负责工具调用。下面给出可复制的配置骨架。

3.1 模型通道配置（settings.json 关键项）

5ire 的模型配置通常存在应用数据目录下的settings.json或通过界面写入。核心字段如下：

{ "providers": [ { "name": "taotoken", "type": "openai", "apiKey": "sk-你的TaoTokenKey", "baseURL": "https://taotoken.net/api", "models": [ { "id": "gpt-4o", "name": "GPT-4o via TaoToken" }, { "id": "claude-3-5-sonnet", "name": "Claude 3.5 Sonnet via TaoToken" }, { "id": "deepseek-chat", "name": "DeepSeek Chat via TaoToken" } ] } ] }

这里type填openai是因为 TaoToken 的 API 兼容 OpenAI 格式，baseURL指向https://taotoken.net/api，apiKey填你创建的 Key。models数组里可以放多个模型，5ire 界面里切换时只换id。

3.2 MCP server 配置（config.toml 关键项）

MCP 工具链的配置在config.toml里，5ire 启动时会读取。一个典型的 MCP server 配置如下：

[[mcp_servers]] name = "filesystem" command = "npx" args = ["-y", "@modelcontextprotocol/server-filesystem", "/Users/yourname/docs"] [[mcp_servers]] name = "sqlite" command = "uvx" args = ["mcp-server-sqlite", "--db-path", "/Users/yourname/data/knowledge.db"] [[mcp_servers]] name = "fetch" command = "uvx" args = ["mcp-server-fetch"]

每个[[mcp_servers]]块定义一个工具服务。command是启动命令，args是参数。filesystem 让 AI 能读本地文档目录，sqlite 让 AI 能查本地数据库，fetch 让 AI 能抓网页数据。这三个组合起来，基本覆盖企业知识库场景的常见需求。

注意：command里的npx和uvx需要本机已安装 Node.js 和 uv。如果命令找不到，先确认环境变量 PATH 是否包含这些工具路径。

3.3 嵌入模型与知识库配置

5ire 自带 bge-m3 嵌入模型，使用知识库前先在【设置】->【嵌入】里下载好。知识库配置里指定文档目录和向量存储路径：

{ "knowledgeBase": { "embeddingModel": "bge-m3", "vectorStorePath": "./data/vectors", "documentPaths": [ "/Users/yourname/docs/hr", "/Users/yourname/docs/tech" ], "chunkSize": 512, "chunkOverlap": 64 } }

chunkSize和chunkOverlap影响检索粒度。文档短、问答细的场景，chunkSize 可以调到 256；文档长、需要上下文连贯的场景，调到 1024。实测下来 512 是个比较稳的起点。

4. 三步验证：MCP 连接、本地文档问答、RAG 召回日志

配置写完，启动 5ire，按下面三步验证。

4.1 启动 5ire 确认 MCP 连接

启动命令：

npm start

启动后进入 5ire 界面，打开【设置】->【MCP】，看每个 server 的状态灯。绿色表示连接成功，红色表示失败。如果 filesystem 显示红色，检查args里的路径是否存在，以及npx是否能正常执行。可以在终端手动跑一遍：

npx -y @modelcontextprotocol/server-filesystem /Users/yourname/docs

如果手动能跑通，5ire 里也应该能连上。连上后，在对话里输入「列出 docs 目录下的文件」，AI 应该能通过 MCP 工具返回文件列表。

4.2 发起一次本地文档问答

在 5ire 里新建对话，选择 TaoToken 通道下的模型，比如gpt-4o。然后在知识库面板里勾选你要检索的文档目录。输入问题：

我们公司的年假制度是怎么规定的？

如果 RAG 链路正常，AI 会先检索本地文档，再基于检索结果回答。回答里应该包含文档中的具体条款，而不是泛泛而谈。如果回答是「我没有相关信息」，说明检索没命中，需要检查文档是否已解析成向量。

4.3 检查 RAG 召回日志

5ire 的日志目录通常在应用数据目录下，比如~/.5ire/logs。打开rag.log，看每次问答的召回记录：

tail -f ~/.5ire/logs/rag.log

正常召回日志会显示：

[RAG] query="年假制度" topK=5 [Retrieve] doc=hr/leave_policy.pdf chunk=3 score=0.87 [Retrieve] doc=hr/employee_handbook.docx chunk=12 score=0.82

score是相似度分数，越高越相关。如果所有 score 都低于 0.5，说明嵌入模型和文档内容匹配度低，可以尝试换 chunkSize 或重新解析文档。如果日志里没有 Retrieve 记录，说明知识库没启用或文档路径配错。

5. 本篇常见错排查

5.1 MCP server 启动失败：command not found

报错信息：

Error: spawn npx ENOENT

原因：5ire 启动时找不到npx或uvx。解决：在config.toml里把command改成绝对路径，比如/usr/local/bin/npx。用which npx查路径。

5.2 模型通道 401：apiKey 无效

报错信息：

401 Unauthorized: Invalid API key

原因：apiKey填错，或者baseURL多了斜杠。解决：确认 Key 是从 api-keys 页面复制的，baseURL写成https://taotoken.net/api，末尾不要加/。

5.3 RAG 检索无结果：向量库为空

现象：问答时 AI 说「没有相关信息」，日志里没有 Retrieve 记录。原因：文档没解析，或者vectorStorePath指向了空目录。解决：在 5ire 界面里手动触发一次「重建索引」，确认vectorStorePath下有.bin或.index文件生成。

5.4 MCP 工具调用超时

报错信息：

MCP tool call timeout after 30000ms

原因：某个 MCP server 响应慢，比如 fetch 抓网页时网络卡住。解决：在config.toml里给该 server 加超时参数，或者暂时禁用不用的 server。5ire 默认超时 30 秒，可以在设置里调大。

5.5 嵌入模型下载失败

现象：【设置】->【嵌入】里 bge-m3 下载进度卡住。原因：网络问题或磁盘空间不足。解决：检查磁盘剩余空间，确认下载源可访问。如果多次失败，可以手动下载模型文件放到 5ire 的模型目录。

6. 接入与验证的 CTA 分流

排障和接入相关的问题，优先看 API Keys 和接入文档。API Keys 管理在 https://taotoken.net/api-keys ，接入文档在 https://taotoken.net/doc 。验证模型连通性用模型对话页面 https://taotoken.net/chat 。长期编码或 Agent 任务看 Coding Plan https://taotoken.net/coding-plan 。控制台在 https://taotoken.net/console 。Claude Code 相关接入参考 https://taotoken.net/claude-code 。

配置骨架和验证步骤都在上面了，直接复制改路径就能跑。踩过的坑主要是 MCP 命令路径和 RAG 索引重建这两块，遇到报错先看日志，再对照排查清单。