企业官网建设流程全解析

1. 为什么你的 AI 编程助手总在“胡说八道”

1.1 通用模型的三个致命短板

过去半年我陆续把 Continue、Cline、Cursor 都装了一遍，发现一个共性问题：问它公司内部的 SDK 用法，它要么编一个不存在的函数名，要么把三年前的旧接口当成最新版。原因不复杂——通用大模型的训练语料里根本没有你团队那套私有代码规范、芯片手册、内部中间件文档。

具体表现有三种。第一种是接口幻觉，你问“EMC1413 温度寄存器怎么解析”，它会自信地给你一段看似合理但寄存器偏移量完全错误的代码。第二种是规范失忆，团队明明规定所有 C 模块必须用位运算、禁止动态内存，它照样给你 malloc。第三种是版本错乱，你项目锁死在某个 LTS 版本，它按最新版给你写 API。

这三点叠加起来，结果就是每次生成代码你都得逐行 review，省下来的时间又还回去了。要根治，思路只有一个：把私有知识喂给助手，让它在回答前先检索你的文档和代码库。这就是 RAGflow 加 MCP 要解决的问题。

1.2 这套方案适合谁

如果你符合下面任意一条，这篇教程就是写给你的。团队有沉淀的接口文档、芯片手册、编码规范，但新人和 AI 都用不上；你已经在用 Continue 或 Cline，但每次都要手动把文档粘进对话框；你想在半天内跑通“知识库检索 → MCP 工具调用 → 助手回答”这条链路，而不是花两周搭一套企业级平台。

整套链路的分工是这样的：RAGflow 负责把 PDF、Markdown、Word 解析成向量并对外提供检索接口；MCP 服务端把 RAGflow 的检索能力包装成标准工具；Continue 作为 AI 编程助手，在 Agent 模式下调用这个工具，把检索结果拼进上下文再交给模型。模型这一层用 TaoToken 统一 Key 接入，省得你在 RAGflow、Continue 里各配一套密钥。

2. TaoToken 前置准备：一个 Key 打通模型通道

2.1 为什么要在这一步先接 TaoToken

很多人搭这套链路时卡在模型配置上：RAGflow 里要配一个 embedding 模型和一个 chat 模型，Continue 里还要再配一个支持 Agent 调用的模型，三处密钥、三套 Base URL，改一次配置要翻三个后台。TaoToken 的价值就是把这些收敛成一个 Key、一个 Base URL。

它的接口兼容 OpenAI 格式，所以 RAGflow 的模型设置、Continue 的模型设置都能直接填。官网在 https://taotoken.net，API 地址是 https://taotoken.net/api，注意 API 路径后面不加多余后缀，OpenAI 兼容模式下通常拼到 /v1 即可。

2.2 拿到 Key 并确认可用模型

登录后进入控制台，在 API Keys 页面创建一个新 Key。建议按用途命名，比如 ragflow-embed 和 continue-agent 分开建，方便后面排查是哪个环节的额度或权限出问题。创建入口在 https://taotoken.net/console/api-keys。

创建完先别急着填进配置文件，用一条 curl 确认 Key 有效、模型名拼写正确：

curl https://taotoken.net/api/v1/chat/completions \ -H "Content-Type: application/json" \ -H "Authorization: Bearer sk-你的Key" \ -d '{ "model": "gpt-4o-mini", "messages": [{"role": "user", "content": "ping"}] }'

返回里能看到 choices 数组就说明通道没问题。如果返回 401，先检查 Key 有没有复制全、有没有多余空格；如果返回 model not found，去模型列表页核对准确的模型 ID。这一步花两分钟，能省掉后面半小时的排查。

2.3 模型选型建议

RAGflow 侧需要两类模型：embedding 用于把文档切片转向量，chat 用于知识库问答和摘要。Continue 侧需要一个支持工具调用（function calling）的模型，因为 MCP 本质是工具调用。选型时优先确认模型是否支持 Agent/工具调用，不支持的话 Continue 的 MCP 面板会一直灰着。

如果你主要做代码场景，chat 模型选代码能力强的；embedding 模型选维度适中、中文支持好的。具体模型 ID 以控制台模型列表为准，别照抄网上的旧名字。

3. 可复制配置：RAGflow 解析 + MCP 注册 + Continue 接入

3.1 部署 RAGflow 并开启 MCP

硬件门槛先摆出来：CPU 4 核以上、内存 16GB 以上、磁盘 50GB 以上。低于这个配置，DeepDoc 解析大 PDF 时会 OOM。软件侧需要 Docker 和 uvx：

pip install uvx uvx --version docker --version

拉取仓库并启动：

git clone https://github.com/infiniflow/ragflow.git cd ragflow/docker docker compose -f docker-compose.yml up -d docker logs -f ragflow-server

看到服务启动完成的日志后，浏览器打开对应端口进入 RAGflow 控制台。先添加模型：在模型设置里填 TaoToken 的 Base URL 和 Key，embedding 和 chat 分别指定模型 ID。然后创建知识库，把团队的 PDF 手册、Markdown 规范、代码示例目录上传进去，解析方式按文档类型选，芯片手册这类带表格的选 DeepDoc 效果更好。

接着获取 RAGflow 自己的 BASE-URL 和 API Key，这两个值在控制台的 API 页面能看到，后面 MCP 服务端要用。默认 MCP Server 是不启用的，需要改 docker/docker-compose.yml，把 services.ragflow.command 部分的注释取消，其中--mcp-host-api-key=ragflow-xxxxx填刚才拿到的 Key：

docker compose down docker compose -f docker-compose.yml up -d

3.2 开发 RAGflow 检索 MCP 服务端

用官方脚手架建项目：

uvx create-mcp-server --path ragflow-mcp-server-continue \ --name ragflow-mcp-server-continue \ --version 0.1.0 \ --description "RAGFlow MCP Server Continue" \ --no-claudeapp cd ragflow-mcp-server-continue uv sync --dev --all-extras uv add ragflow-sdk

这个 MCP 服务端对外暴露四个工具：list_datasets 列出所有数据集返回 ID 和名称；create_chat 创建聊天助手，输入 name 和 dataset_id，返回助手 ID 和会话 ID；chat 传入 session_id 和 question 进行对话；retrieve 传入 dataset_ids 和 question，返回知识库检索到的原文片段。对 Continue 来说，最常用的是 retrieve，因为它把检索结果直接交给模型当上下文。

构建和发布：

uv sync uv build uv publish

发布到 PyPI 前需要注册账号、开启 2FA、生成 API Token。如果只是自己团队用，其实可以跳过发布，直接在 Continue 配置里用本地路径启动，省掉上传这一步。

3.3 Continue 侧 MCP 配置片段

VS Code 里装好 Continue 扩展后，打开配置文件，加入 MCP 服务定义。下面这段是可直接复制的 YAML：

name: RAGFlow MCP Server Continue version: 0.1.0 schema: v1 mcpServers: - name: RAGFlow MCP Server Continue command: uvx args: - ragflow-mcp-server-continue@0.3.3 - --api-key - ragflow-你的RAGFlowKey - --base-url - http://127.0.0.1:9380 connectionTimeout: 800000

三件套对照记一下：Base URL 是http://127.0.0.1:9380，Key 是 RAGflow 控制台拿到的ragflow-开头那串，Model ID 在 Continue 的模型配置里填 TaoToken 侧的模型名。三者缺一，MCP 面板都不会变绿。

保存后回到 Continue 面板，MCP 选项下如果服务状态显示绿色、功能列表和代码里定义的一致，说明加载成功。还差最后一步：点开 Tools 选项，打开 Built-In 按钮，同时按需勾选 MCP 服务提供的功能。注意 Continue 只有在 Agent 模式下才会调用 MCP，普通 Chat 模式不会触发工具调用。

4. 验证请求：一次检索命中与工具调用

4.1 构造一个必须查知识库的问题

验证的关键是问一个通用模型答不对、只有你知识库里有答案的问题。比如上传了 EMC1413 规格书后，问：“根据知识库中 EMC1413 手册 7.2 章节，读取三组温度寄存器时整数位和小数位分别怎么解析，用 C 写一个接口函数，要求位运算、不写 main、符合团队规范。”

这个问题通用模型大概率编错寄存器偏移，而接了知识库的助手应该先调用 retrieve 工具。

4.2 观察工具调用链路

在 Continue 的 Agent 模式对话框里发送后，展开工具调用详情，你应该能看到类似这样的过程：模型先发起一次 retrieve 调用，参数里 dataset_ids 是你知识库的 ID，question 是温度寄存器解析；MCP 服务端返回若干原文片段；模型拿到片段后再生成代码。

如果工具调用面板里能看到 retrieve 的入参和返回，说明“知识库检索 → MCP 工具调用 → 助手回答”这条链路通了。生成的代码里应该出现手册里真实的寄存器地址和位定义，而不是编造的。

4.3 成功结果的判断标准

三个信号说明配置正确。第一，MCP 面板绿色且工具列表完整。第二，Agent 对话里出现工具调用记录，而不是直接回答。第三，生成代码引用的寄存器偏移、位宽和手册一致。如果第一点满足但第二点没有，多半是模型不支持工具调用，换一个支持 function calling 的模型 ID 再试。

5. 本篇常见报错排查

5.1 401 Unauthorized

最常见。出现在两个位置：RAGflow 的 MCP 启动参数里 Key 填错，或者 Continue 的模型配置里 TaoToken Key 填错。排查方法是分别用 curl 测两个 Key。RAGflow 侧确认--mcp-host-api-key和控制台 API Key 完全一致；TaoToken 侧确认请求头是Authorization: Bearer sk-xxx，别漏了 Bearer 前缀。

5.2 local proxy failed / connection refused

MCP 面板显示红色并报 local proxy failed，通常是 uvx 拉包失败或 base-url 不通。先手动跑一遍uvx ragflow-mcp-server-continue@0.3.3 --help，看能否正常启动。如果卡在下载，检查网络和 PyPI 源。如果包能起但连不上，确认 RAGflow 容器在跑、9380 端口没被占用，docker ps看一眼容器状态。

5.3 reading 'choices' 报错

Continue 里报 cannot read properties of undefined (reading 'choices')，说明模型接口返回结构不对。八成是 Base URL 拼错了，比如多加了或漏了 /v1。TaoToken 的 OpenAI 兼容路径要拼到 /v1/chat/completions，配置里如果只填到域名，Continue 可能拼不出正确路径。用第 2.2 节的 curl 先确认完整路径能返回 choices。

5.4 OAuth / 鉴权相关报错

如果用的是需要 OAuth 的模型通道，Continue 里可能出现鉴权失败。这种情况优先换成纯 API Key 的通道，避免在本地工具链里引入 OAuth 流程。TaoToken 走的是 Key 鉴权，配置里只填 Key 即可，不需要额外授权跳转。

5.5 MCP 工具列表为空

面板绿色但工具列表空，检查两点：一是 ragflow-mcp-server-continue 的版本号是否和发布的一致，args 里的@0.3.3要对应实际版本；二是 RAGflow 侧 MCP 是否真的启用，回去确认 docker-compose.yml 的 command 注释已取消并重启过容器。

6. 把知识库变成团队的默认上下文

跑通之后，最实用的做法是把常用检索封装成固定提示词模板，让 Continue 每次生成代码前自动先查知识库。比如在项目根目录放一个.continue/rules文件，写明“涉及硬件寄存器、内部 SDK、编码规范的问题，必须先调用 RAGFlow MCP 的 retrieve 工具”。这样新人拉下代码就能用，不用口头传授。

另一个经验是知识库要定期更新。芯片手册改版、接口废弃后，旧文档留在库里会污染检索结果。建议按季度清理一次数据集，把过期文档下线。embedding 模型如果换了，记得重建索引，否则新旧向量不在同一空间，检索会失准。

模型通道这块，TaoToken 的 Coding Plan 适合长期做 Agent 开发的场景，额度按周期走，比单次调用更省心，入口在 https://taotoken.net/coding-plan。如果你只是想先验证模型对话效果，可以直接用模型对话页试，地址是 https://taotoken.net/models。接入文档在 https://taotoken.net/doc，配置细节以文档为准。