企业官网建设流程全解析

1. 先把三个热词摆到同一张桌子上：MCP、RAG、Agent 到底谁管什么

刚接触 AI 工具链的开发者，最容易犯的错不是不会写代码，而是把 MCP、RAG、Agent 当成三个可以互相替换的东西。我见过有人问“用了 MCP 是不是就不用 RAG 了”，也见过把 Agent 当成“更聪明的 RAG”的。这三个词确实经常一起出现，但它们解决的是完全不同层面的问题。

先用一句话把边界钉死：MCP 管的是“模型怎么连上外部工具和数据源”，RAG 管的是“模型回答前怎么先查资料”，Agent 管的是“谁来拆任务、做决策、调工具”。你可以把一次完整的 AI 应用想象成一家餐厅：MCP 是后厨的水电煤气管线，RAG 是冰箱里提前备好的食材和菜谱，Agent 是那个看单子、排顺序、决定先炒哪个菜的厨师。管线不通，厨师再强也做不了饭；没有食材，厨师只能凭记忆瞎编；没有厨师，管线和食材就堆在那里没人用。

从调用差异上看，三者对 API 的诉求也不一样。MCP 更偏向“协议层”，它定义的是工具描述、调用格式、返回结构，通常通过 stdio 或 HTTP 暴露一组 tools；RAG 更偏向“数据层”，核心是 embedding、向量检索、上下文拼接，最终还是要落到一次 chat/completions 请求；Agent 更偏向“编排层”，它会在一次任务里发起多轮模型调用，每轮可能带不同的工具结果。对刚入门的开发者来说，最实际的问题不是背概念，而是：我能不能用一套统一的 Key 和 API 通道，把这三类调用都跑通，先看到返回结构长什么样。

这就是这篇要解决的问题。我会用 TaoToken 作为统一的 API 通道，分别给出 MCP 工具调用、RAG 检索增强、Agent 多轮编排三类请求的可复制配置片段，然后用一次实际调用验证返回结构。你不需要先搭向量数据库，也不需要先写一个完整的 Agent 框架，先把“请求发出去、结果收回来”这条链路走通，概念自然就落地了。

需要提前说明的是，TaoToken 在这里扮演的是统一 Key 和 API 入口的角色，它不替代你的编辑器，也不替代向量库或 Agent 框架。官网地址是 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，API 入口是 https://taotoken.net/api 。后面所有配置里的 Base URL 都指向这个 API 地址，Key 则从控制台生成。

如果你之前只用过单轮对话，可能会觉得“不就是换个 URL 吗”。但真正跑起来你会发现，MCP 的 tools 字段、RAG 的上下文拼接、Agent 的多轮 messages 累积，都会影响请求体的结构。先把这些结构搞清楚，比急着上框架重要得多。

2. 用 TaoToken 统一 Key 之前，先把三类调用的请求结构对齐

在动手写配置之前，有必要把三类调用在 HTTP 层面的差异讲清楚。很多人卡住不是因为不会调 API，而是因为把三类请求混在一个思维模型里，结果 tools 字段写到了 RAG 请求里，或者把检索结果当成了工具返回值。

先看 MCP。MCP 本身是协议，不是某个具体 API。它最常见的落地形式是：你有一个 MCP Server，它对外暴露若干 tools，每个 tool 有 name、description、input_schema。模型在对话中决定调用某个 tool 时，返回的不再是纯文本，而是一个 tool_call 结构，里面包含工具名和参数。你的程序拿到这个结构后去执行真正的工具，再把结果作为一条 tool 角色的消息塞回 messages，发起下一轮请求。所以 MCP 类调用在 API 层面的特征是：请求体里带 tools 数组，响应里可能出现 tool_calls。

再看 RAG。RAG 在 API 层面其实没有特殊字段，它特殊在“请求发出之前”。你的程序先拿用户问题去向量库检索，得到若干文本片段，然后把这些片段拼进 system 或 user 消息里，再发起一次普通的 chat/completions 请求。也就是说，RAG 的“检索”发生在模型之外，模型看到的只是一段被增强过的上下文。它的请求体里通常没有 tools，但 messages 会明显变长，而且往往带“请仅根据以下资料回答”这类约束。

最后看 Agent。Agent 是编排层，它可能同时用到 MCP 和 RAG。一次 Agent 任务里，程序会循环执行：发请求 → 模型返回 tool_call 或文本 → 如果是 tool_call 就执行工具 → 把结果塞回 messages → 再发请求。这个循环直到模型返回最终答案为止。所以 Agent 类调用的特征是：多轮 messages 累积，每轮可能带不同的 tool 结果，程序里有一个 while 循环和终止条件。

把这三者对齐到同一套 API 通道后，你会发现它们共用同一个 Base URL 和同一个 Key，区别只在请求体的字段和程序的控制流。下面这张表可以先帮你建立对照：

这张表里最关键的一行是最后一行。三类调用对 Key 没有特殊要求，你不需要为 MCP 申请一个 Key、为 RAG 再申请一个。统一 Key 的价值就在这里：你只需要在控制台生成一个 Key，然后在三类请求里复用同一个 Authorization 头。接下来我会先带你把 Key 和 Base URL 准备好，再分别写三类配置。

在准备阶段，你只需要做两件事：第一，打开 https://taotoken.net/api-keys 生成一个 API Key；第二，记住 Base URL 是 https://taotoken.net/api 。如果你后面要跑 Claude Code 或 Codex 这类编码工具，Base URL 和 Key 的填法会在对应小节里给出完整三件套。现在先不用管那些，先把最基础的 chat/completions 请求跑通。

3. 可复制配置：MCP、RAG、Agent 三类请求的 JSON 与 settings 片段

这一节是全文最需要动手的部分。我会给出三类请求的可复制片段，路径和字段都按实际能跑的结构来写。你不需要一次全跑，可以先跑 MCP，再跑 RAG，最后跑 Agent。

先统一环境变量。无论你用 Python、Node 还是 curl，建议先把 Key 和 Base URL 放到环境变量里，避免硬编码：

export TAOTOKEN_API_KEY="sk-你的Key" export TAOTOKEN_BASE_URL="https://taotoken.net/api"

3.1 MCP 工具调用配置片段

MCP 类请求的关键是 tools 数组。下面是一个最小可跑的 JSON 请求体，工具定义了一个“查天气”的假工具，你可以把它替换成自己 MCP Server 暴露的真实工具：

{ "model": "gpt-4o-mini", "messages": [ { "role": "user", "content": "帮我查一下北京现在的天气" } ], "tools": [ { "type": "function", "function": { "name": "get_weather", "description": "查询指定城市的当前天气", "parameters": { "type": "object", "properties": { "city": { "type": "string", "description": "城市名称，例如北京" } }, "required": ["city"] } } } ], "tool_choice": "auto" }

用 curl 发起请求：

curl -s "$TAOTOKEN_BASE_URL/v1/chat/completions" \ -H "Authorization: Bearer $TAOTOKEN_API_KEY" \ -H "Content-Type: application/json" \ -d @mcp_request.json

如果你用的是 Claude Code 或 Cline 这类工具，MCP 的配置通常写在 settings 或 mcp 配置文件里。以 Cline 的 MCP 配置为例，三件套要写全：

{ "mcpServers": { "my-tool-server": { "command": "node", "args": ["./mcp-server/index.js"], "env": { "TAOTOKEN_BASE_URL": "https://taotoken.net/api", "TAOTOKEN_API_KEY": "sk-你的Key", "TAOTOKEN_MODEL": "gpt-4o-mini" } } } }

注意这里的 Base URL、Key、Model ID 三件套缺一不可。很多人只填了 Key 和 Base URL，忘了 Model ID，结果工具调用时模型名对不上，直接报 model not found。

3.2 RAG 检索增强配置片段

RAG 的配置重点不在 API 字段，而在“检索结果怎么拼进 messages”。下面是一个 Python 片段，假设你已经用任意方式拿到了检索片段：

import os import requests base_url = os.environ["TAOTOKEN_BASE_URL"] api_key = os.environ["TAOTOKEN_API_KEY"] retrieved_chunks = [ "TaoToken 的 API 入口是 https://taotoken.net/api 。", "生成 API Key 的页面是 https://taotoken.net/api-keys 。", "模型对话页面可以用来验证模型是否可用。" ] context = "\n".join(f"- {c}" for c in retrieved_chunks) payload = { "model": "gpt-4o-mini", "messages": [ { "role": "system", "content": "你是一个严谨的助手，只能根据下面提供的资料回答，资料中没有的内容请回答不知道。\n\n资料：\n" + context }, { "role": "user", "content": "TaoToken 的 API 入口是什么？" } ] } resp = requests.post( f"{base_url}/v1/chat/completions", headers={ "Authorization": f"Bearer {api_key}", "Content-Type": "application/json" }, json=payload, timeout=60 ) print(resp.status_code) print(resp.json()["choices"][0]["message"]["content"])

这段代码里没有 tools 字段，因为 RAG 的“检索”已经在请求发出前完成了。模型看到的只是被拼接过的 system 消息。你可以把 retrieved_chunks 换成从向量库查出来的真实片段，结构不变。

3.3 Agent 多轮编排配置片段

Agent 的配置核心是循环。下面是一个最小 Agent 循环，它先让模型决定是否调用工具，如果返回 tool_calls 就执行工具并把结果塞回去，直到模型返回纯文本：

import os import json import requests base_url = os.environ["TAOTOKEN_BASE_URL"] api_key = os.environ["TAOTOKEN_API_KEY"] tools = [ { "type": "function", "function": { "name": "get_weather", "description": "查询指定城市的当前天气", "parameters": { "type": "object", "properties": { "city": {"type": "string"} }, "required": ["city"] } } } ] def fake_weather(city): return json.dumps({"city": city, "weather": "晴", "temp": "26C"}) messages = [ {"role": "user", "content": "北京天气怎么样？如果晴就推荐一个户外活动。"} ] for step in range(5): resp = requests.post( f"{base_url}/v1/chat/completions", headers={ "Authorization": f"Bearer {api_key}", "Content-Type": "application/json" }, json={ "model": "gpt-4o-mini", "messages": messages, "tools": tools, "tool_choice": "auto" }, timeout=60 ) data = resp.json() msg = data["choices"][0]["message"] messages.append(msg) tool_calls = msg.get("tool_calls") if not tool_calls: print("最终回答：", msg.get("content")) break for call in tool_calls: fn_name = call["function"]["name"] args = json.loads(call["function"]["arguments"]) if fn_name == "get_weather": result = fake_weather(args["city"]) else: result = json.dumps({"error": "unknown tool"}) messages.append({ "role": "tool", "tool_call_id": call["id"], "content": result })

这段代码里，messages 会随着循环不断累积，这就是 Agent 和单轮 RAG 最大的区别。你可以把 fake_weather 换成真实 API 调用，循环结构不用改。

如果你用的是 Codex 的 auth.json 配置，三件套同样要写全：

{ "base_url": "https://taotoken.net/api", "api_key": "sk-你的Key", "model": "gpt-4o-mini" }

到这里，三类配置片段就齐了。你可以先把 MCP 的 curl 跑通，再把 RAG 的 Python 跑通，最后跑 Agent 循环。每一步都只改请求体，不改 Base URL 和 Key。

4. 一次实际调用验证：从请求发出到返回结构逐字段拆解

配置写完之后，最怕的是“看起来对，跑起来错”。这一节我用一次实际的 MCP 类调用，把请求和返回结构逐字段拆开，让你知道每个字段从哪来、到哪去。

先准备请求文件 mcp_request.json，内容就是 3.1 里的 JSON。然后执行：

curl -s "$TAOTOKEN_BASE_URL/v1/chat/completions" \ -H "Authorization: Bearer $TAOTOKEN_API_KEY" \ -H "Content-Type: application/json" \ -d @mcp_request.json | python -m json.tool

如果一切正常，你会看到类似这样的返回结构（字段已简化）：

{ "id": "chatcmpl-xxxx", "object": "chat.completion", "created": 1710000000, "model": "gpt-4o-mini", "choices": [ { "index": 0, "message": { "role": "assistant", "content": null, "tool_calls": [ { "id": "call_abc123", "type": "function", "function": { "name": "get_weather", "arguments": "{\"city\":\"北京\"}" } } ] }, "finish_reason": "tool_calls" } ], "usage": { "prompt_tokens": 88, "completion_tokens": 18, "total_tokens": 106 } }

逐字段看。choices[0].message.content 是 null，因为模型没有直接回答，而是决定调用工具。choices[0].message.tool_calls 是一个数组，里面每个元素有 id、type、function.name、function.arguments。arguments 是一个 JSON 字符串，不是对象，所以你在代码里要 json.loads 一次。finish_reason 是 tool_calls，这个字段很重要，它告诉你本轮不是最终答案，你需要执行工具后再发一轮。

拿到 tool_calls 后，你的程序应该执行 get_weather("北京")，然后把结果作为 tool 角色消息塞回 messages：

{ "role": "tool", "tool_call_id": "call_abc123", "content": "{\"city\":\"北京\",\"weather\":\"晴\",\"temp\":\"26C\"}" }

再发第二轮请求，这次 messages 里多了 assistant 的 tool_calls 消息和 tool 的结果消息。第二轮返回的 finish_reason 通常是 stop，content 里就是最终回答。到这里，一次完整的 MCP 工具调用就闭环了。

RAG 的验证更简单。跑 3.2 的 Python 片段，你会看到返回的 content 直接是文本，finish_reason 是 stop，没有 tool_calls。你可以故意把 retrieved_chunks 改成空列表，再问同样的问题，模型大概率会回答“资料中没有提到”，这就是 RAG 约束生效的表现。

Agent 的验证看循环次数。跑 3.3 的代码，你会看到程序先打印工具调用，再打印最终回答。如果模型第一轮就返回纯文本，循环只跑一次；如果它决定调工具，循环会跑两次。你可以把用户问题改成“北京天气怎么样？如果下雨就推荐室内活动”，观察模型是否会在拿到天气后调整推荐。

实测下来，三类调用最容易出问题的不是模型本身，而是请求体结构。MCP 忘了 tools 字段，模型就不会返回 tool_calls；RAG 忘了把检索片段拼进 messages，模型就只能凭记忆回答；Agent 忘了把 tool 结果塞回 messages，第二轮就会重复调用同一个工具。把返回结构逐字段看一遍，这些问题都能定位。

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

这一节按真实报错来。你跑上面代码时，最可能遇到四类错误，我逐个给出原因和修法。

第一类：401 Unauthorized。返回体通常是：

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

原因只有两个：Key 没填对，或者 Authorization 头格式不对。检查你的 Key 是不是从 https://taotoken.net/api-keys 生成的，检查请求头是不是Authorization: Bearer sk-xxx，Bearer 和 Key 之间有一个空格。如果你把 Key 写进了 URL 参数而不是请求头，也会 401。

第二类：local proxy failed。这个报错通常出现在你用了某个本地工具或客户端，而客户端的网络配置指向了一个不可用的本地地址。修法是检查客户端的 Base URL 是否写成了 https://taotoken.net/api ，而不是某个本地端口。如果你在 settings 里同时配了多个 provider，确认当前选中的 provider 的 Base URL 和 Key 是配套的。三件套 Base URL、Key、Model ID 任何一个写错，都可能表现为连接失败。

第三类：reading choices 相关报错，比如Cannot read properties of undefined (reading 'choices')。这是程序在解析返回时，假设返回体一定有 choices 字段，但实际返回的是错误结构。修法是先把原始返回打印出来，不要直接取 choices。常见原因是请求体 JSON 格式错误，服务端返回了错误对象而不是 completion 对象。检查你的 JSON 有没有多余逗号、引号是否配对。如果你用 curl 的 -d 传参，注意 shell 转义。

第四类：OAuth 相关报错。如果你在 Claude Code 或类似工具里看到 OAuth 字样，通常是因为工具默认走了 OAuth 登录流程，而你想用的是 API Key。修法是在工具的配置里显式指定 API Key 模式，并把 Base URL 指向 https://taotoken.net/api 。Claude Code 的配置里，Base URL、Key、Model ID 三件套要写全，缺一个都可能回退到 OAuth 流程。

除了这四类，还有一个高频问题：模型名写错。比如你写了 gpt-4o-mini 但通道里实际可用的模型名不同，返回会是 model not found。修法是先用模型对话页面确认可用模型名，再填到配置里。模型对话入口是 https://taotoken.net/chat 。

排障的顺序建议是：先看 HTTP 状态码，再看返回体的 error.message，最后看请求体结构。401 看 Key，连接失败看 Base URL，解析失败看返回体，OAuth 看配置模式。把这四类对照一遍，大部分问题都能自己解决。如果你需要更完整的接入说明，可以看接入文档：https://taotoken.net/doc 。

6. 三类调用跑通之后，Key 和通道怎么继续用

走到这里，你应该已经能用同一个 Key 分别发起 MCP、RAG、Agent 三类请求了。接下来最实际的问题是：这个 Key 和通道怎么继续用在日常开发里。

如果你只是验证模型是否可用，或者偶尔跑一次 RAG 问答，直接用模型对话页面就够了，不需要写代码。模型对话入口是 https://taotoken.net/chat ，登录后选模型、发消息，返回结构和你用 API 拿到的一致。

如果你要长期写代码、跑 Agent 任务，建议把 Key 放到环境变量或项目的 .env 里，不要硬编码。Base URL 统一用 https://taotoken.net/api ，这样 MCP、RAG、Agent 三类请求共用一套配置。需要生成新 Key 或管理多个 Key 时，去 https://taotoken.net/api-keys 。

如果你打算把 Agent 或编码工具长期挂着跑，可以看一下 Coding Plan：https://taotoken.net/coding-plan 。它适合那种需要多轮调用、持续消耗 token 的场景。控制台入口是 https://taotoken.net/console ，你可以在里面看用量和调用记录。

Claude Code 相关的接入配置，可以参考 https://taotoken.net/claude-code 。如果你用的是 Anthropic 风格的接口，对应入口是 https://taotoken.net/anthropic 。

最后给一个实用建议：先把 MCP 的 curl 请求保存成一个脚本，每次改工具定义时只改 tools 数组；RAG 的检索片段先用静态列表占位，跑通后再接向量库；Agent 的循环先限制最大步数，避免无限调用。这三步做完，你对 MCP、RAG、Agent 的理解就不再是概念，而是能跑起来的代码。