1. 为什么要在 LangGraph 里用 MCP 接统一通道如果你已经在写 LangGraph 工作流大概率遇到过这种局面图里每个节点各自ChatOpenAI(...)、ChatAnthropic(...)、ChatOllama(...)建一遍Key 散落在.env、settings.py、甚至某个 notebook 单元格里。等到要换模型、要统计调用量、要给团队里其他人复现环境时就得挨个文件翻。更麻烦的是一旦你想让 Agent 调用外部工具工具本身又各自直连不同的服务鉴权和地址管理彻底失控。MCPModel Context Protocol解决的正是「工具怎么被模型标准化调用」这件事。它把外部能力抽象成 MCP Server模型侧通过 MCP Client 动态发现工具列表不用为每个 API 手写一遍 function schema。而 TaoToken 统一通道解决的是「模型请求往哪发、用哪个 Key」这件事。把两者叠在一起你得到的是一个干净的结构模型调用走统一 Base URL工具调用走 MCPLangGraph 只负责编排。这篇面向的是已经能跑通 LangGraph 基础图、想把手头项目里的模型调用收敛到一条通道的开发者。我会给出可复制的 MCP 服务端骨架、LangGraph 节点接入代码以及一次完整的工具调用链路验证确认请求确实经统一通道正确路由。核心检索词先摆出来LangGraph 接入 MCP 协议、TaoToken 统一通道配置、MCP Server stdio 与 SSE 区别、LangGraph ToolNode 工具调用。先说清楚 MCP 和普通 API 调用的差别这决定了你后面怎么设计节点。普通 API 调用是无状态的每次请求独立模型不知道上一轮查过什么MCP 协议在设计上支持会话状态管理和上下文感知工具可以在多轮之间保持关联。另一个差别是动态工具发现MCP Client 连上 Server 后能拿到工具清单不用你提前把每个函数的 schema 写死。这两点对 LangGraph 特别友好因为 LangGraph 的ToolNode本来就期望拿到一个工具列表MCP 刚好能动态喂给它。连接方式上MCP 常见两种。stdio 通过标准输入输出通信Server 跑在本地适合开发和调试启动快、无端口占用。SSE 基于 HTTP 单向流Server 暴露一个类似http://localhost:8001/sse的地址适合需要常驻、多客户端连接的场景。你在 LangGraph 里可以两种混用本地计算类工具走 stdio需要长期运行的服务走 SSE。理解了这层接下来的目标就很明确让 LangGraph 的模型节点指向 TaoToken 统一通道让工具节点通过 MCP 加载两者互不干扰。2. TaoToken 统一通道前置准备与 MCP 环境搭建在动 LangGraph 之前先把「通道」这一侧准备好。TaoToken 的作用是把模型调用收敛到一个 Base URL 和一把 Key 上你后面在 LangGraph 里只需要配置一次所有节点复用。官网入口在 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 地址是 https://taotoken.net/api 注意 API 地址不带 UTM 参数配置里填这个干净的。第一步是拿到 Key。进入控制台创建 API Key路径是 https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content Key 管理页在 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 。创建后复制出来形如sk-开头的一串。这里提醒一句Key 只显示一次建议直接写进项目的.env别贴在聊天记录里。第二步是确认你要用的模型 ID。不同模型在通道里的标识不一样具体以文档为准文档地址 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 。你可以先在模型对话页 https://taotoken.net/chat?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 手动发一条消息确认 Key 和模型都通再去写代码。这一步能省掉后面大量「到底是 Key 错还是代码错」的排查时间。第三步是 MCP 环境。LangGraph 侧要用langchain-mcp-adapters把 MCP 工具转成 LangChain 工具MCP Server 侧用官方mcp包。安装命令pip install langchain-mcp-adapters mcp langgraph langchain-openai python-dotenv如果你打算用 OpenAI 兼容方式调 TaoTokenlangchain-openai就够了因为统一通道对外就是 OpenAI 兼容接口。项目结构建议这样组织和后面代码对应. ├── mcp_servers │ ├── math.py # stdio 连接本地计算 │ └── weather.py # SSE 连接常驻服务 ├── .env └── main.py.env里放三样东西Base URL、Key、模型 IDTAOTOKEN_BASE_URLhttps://taotoken.net/api TAOTOKEN_API_KEYsk-你的Key TAOTOKEN_MODEL你的模型ID这里有个容易踩的坑Base URL 结尾不要多加/v1或斜杠具体以文档说明为准填错会直接 404。另外.env记得加进.gitignore别把 Key 提交上去。环境搭好后先别急着写 LangGraph。单独跑一个最小脚本验证通道是否通import os from dotenv import load_dotenv from langchain_openai import ChatOpenAI load_dotenv() llm ChatOpenAI( base_urlos.getenv(TAOTOKEN_BASE_URL), api_keyos.getenv(TAOTOKEN_API_KEY), modelos.getenv(TAOTOKEN_MODEL), ) print(llm.invoke(用一句话说明你是什么模型).content)能打印出内容说明通道这一侧没问题可以进入 MCP 和 LangGraph 的整合。如果这一步就报 401先回控制台确认 Key 是否启用、额度是否正常别往下写。3. 可复制的 MCP 服务端与 LangGraph 接入配置这一节是全文的核心给出可以直接抄的配置骨架。先写两个 MCP Server一个走 stdio一个走 SSE覆盖两种连接方式。mcp_servers/math.pystdio 方式提供加法和乘法from mcp.server.fastmcp import FastMCP mcp FastMCP(Math) mcp.tool() def add(a: int, b: int) - int: 两数相加 return a b mcp.tool() def multiply(a: int, b: int) - int: 两数相乘 return a * b if __name__ __main__: mcp.run(transportstdio)mcp_servers/weather.pySSE 方式提供天气和时间查询from datetime import datetime from mcp.server.fastmcp import FastMCP mcp FastMCP(Weather, port8001) mcp.tool() def get_weather(location: str) - str: 查询指定城市天气 return f{location} 当前晴天 mcp.tool() def get_time() - str: 获取当前时间 return datetime.now().strftime(%Y-%m-%d %H:%M:%S) if __name__ __main__: mcp.run(transportsse)注意FastMCP的port参数只在 SSE 下有意义stdio 不需要。工具函数的 docstring 会被 MCP 当作工具描述传给模型写清楚一点模型选工具的准确率会高很多。接下来是 LangGraph 主程序。关键点在于模型用 TaoToken 统一通道工具用 MCP 动态加载两者在agent节点里汇合。先看 MCP 客户端配置这是最容易写错的地方import asyncio import os from contextlib import asynccontextmanager from typing import Annotated, TypedDict from dotenv import load_dotenv from langchain_core.prompts import ChatPromptTemplate from langchain_mcp_adapters.client import MultiServerMCPClient from langchain_openai import ChatOpenAI from langgraph.graph import END, START, StateGraph from langgraph.graph.message import add_messages from langgraph.prebuilt import ToolNode, tools_condition load_dotenv() MCP_CONFIG { math: { command: python, args: [mcp_servers/math.py], transport: stdio, }, weather: { url: http://localhost:8001/sse, transport: sse, }, }MCP_CONFIG就是 MCP 服务端的配置骨架stdio 用commandargsSSE 用url。这段可以直接复制改路径和端口即可。如果你后面要接更多 MCP Server往这个字典里加键就行LangGraph 侧不用改。然后是模型和状态定义。模型指向 TaoToken 统一通道这是整篇的关键配置model ChatOpenAI( base_urlos.getenv(TAOTOKEN_BASE_URL), api_keyos.getenv(TAOTOKEN_API_KEY), modelos.getenv(TAOTOKEN_MODEL), temperature0, ) prompt ChatPromptTemplate.from_template( 你是一个问答助手必要时可以调用外部工具。 如果不知道答案就直接说不知道。用中文回答。\n\n问题{question} ) class State(TypedDict): messages: Annotated[list, add_messages]接着是加载 MCP 工具和建图。这里用asynccontextmanager管理 MCP 客户端生命周期确保图跑完连接能正确释放asynccontextmanager async def load_mcp_tools(): async with MultiServerMCPClient(MCP_CONFIG) as client: yield client.get_tools() asynccontextmanager async def create_graph(): async with load_mcp_tools() as tools: print(f可用的 MCP 工具{[t.name for t in tools]}) llm_with_tool prompt | model.bind_tools(tools) def agent(state: State): state[messages] llm_with_tool.invoke(state[messages]) return state builder StateGraph(State) builder.add_node(agent, agent) builder.add_node(tool, ToolNode(tools)) builder.add_edge(START, agent) builder.add_conditional_edges( agent, tools_condition, {tools: tool, END: END}, ) builder.add_edge(tool, agent) yield builder.compile()这段图结构是最小可用的 ReAct 循环agent判断要不要调工具tools_condition做路由ToolNode执行工具结果回到agent。ToolNode会自动处理 MCP 工具的调用和结果回填你不用手写解析逻辑。如果你用的是 Claude Code 或 Cline 这类工具MCP 配置通常写成 JSON格式和上面的MCP_CONFIG对应{ mcpServers: { math: { command: python, args: [mcp_servers/math.py] }, weather: { url: http://localhost:8001/sse } } }三件套记牢Base URL 填https://taotoken.net/apiKey 填控制台拿到的Model ID 填文档里确认过的。这三样在 LangGraph、Claude Code、Cline 里是同一套换工具不用换配置。4. 验证请求与完整工具调用链路配置写完跑起来验证。先启动 SSE 的 weather 服务另开一个终端python mcp_servers/weather.py看到服务监听 8001 端口就对了。stdio 的 math 不用手动启动LangGraph 会在加载工具时自动拉起。主程序这样写async def main(): async with create_graph() as graph: for q in [徐州天气怎么样, 现在几点了, (35)x12等于多少]: result await graph.ainvoke({messages: q}) print(fQ: {q}) print(fA: {result[messages][-1].content}\n) if __name__ __main__: asyncio.run(main())运行python main.py预期输出类似可用的 MCP 工具[add, multiply, get_weather, get_time] Q: 徐州天气怎么样 A: 徐州当前晴天。 Q: 现在几点了 A: 当前时间是 2025-01-01 17:22:15。 Q: (35)x12等于多少 A: (35)×12 等于 96。看到「可用的 MCP 工具」这一行说明 MCP Client 成功连上了两个 Server工具被动态发现。三个问题分别命中了get_weather、get_time、addmultiply说明ToolNode的路由和回填都正常。怎么确认请求真的走了 TaoToken 统一通道两个办法。一是看控制台的调用记录模型对话页或控制台的用量统计里应该能看到这几次请求。二是临时把.env里的 Key 改错重跑应该报 401改回来又正常这就证明模型请求确实经过统一通道而不是走了别的默认地址。链路验证的意义在于模型调用和工具调用是两条独立的路径。模型请求走 TaoToken 的 Base URL工具执行走本地 MCP Server两者在agent节点汇合。你可以在agent里加一行日志打印state[messages]的长度变化观察「用户问题 → 模型决定调工具 → 工具结果 → 模型总结」这个循环。如果想让验证更直观可以在get_weather里加一个打印mcp.tool() def get_weather(location: str) - str: print(f[MCP] get_weather called with {location}) return f{location} 当前晴天stdio 的 Server 输出会打到主进程终端SSE 的会打到 weather 服务那个终端。看到这行打印就确认工具真的被调用了而不是模型自己编的答案。5. 本篇常见报错排查实际跑的时候报错基本集中在几个地方。下面按真实错误信息对照排查。401 Unauthorized。模型请求返回 401说明 Key 有问题。先检查.env里TAOTOKEN_API_KEY有没有多余空格或引号再回控制台确认 Key 是否启用、额度是否正常。注意 Base URL 和 Key 要配套别把别的平台的 Key 填进来。local proxy failed / connection refused。这个通常出现在 SSE 连接上说明http://localhost:8001/sse连不上。检查 weather 服务是否启动、端口是否被占用。如果 8001 被占改FastMCP(Weather, port8001)里的端口同时改MCP_CONFIG里的 url两处要一致。reading choices / KeyError: choices。这个报错说明返回体不是标准的 OpenAI 格式常见原因是 Base URL 填错比如多加了/v1或少了路径。确认填的是https://taotoken.net/api具体以文档为准。另一个可能是模型 ID 写错通道找不到对应模型返回了错误结构。OAuth / authentication error。如果你在 Claude Code 或 Cline 里看到 OAuth 相关报错通常是 MCP 配置里把需要鉴权的服务和不需要的混在一起了。本地 stdio 的 MCP Server 不需要 OAuthSSE 的如果没配鉴权也不该走 OAuth 流程。检查 JSON 配置里有没有多余的headers或auth字段。工具列表为空。可用的 MCP 工具[]说明 MCP Client 没连上任何 Server。stdio 的话检查args里的路径对不对相对路径是相对于运行main.py的目录SSE 的话检查服务是否真的在跑。还有一种情况是MultiServerMCPClient的配置键名写错必须是command/args/transport或url/transport。模型不调工具直接回答。这不是报错但很常见。原因通常是工具 docstring 写得太模糊或者 prompt 里没提示可以调工具。把 docstring 写具体prompt 里加一句「必要时调用外部工具」命中率会明显提升。异步上下文报错。asynccontextmanager用错会导致graph在async with外被使用。确保所有ainvoke都在async with create_graph() as graph:块内别把 graph 存到全局变量里跨作用域用。排查顺序建议先单独验证模型通道第 2 节的最小脚本再单独验证 MCP Server手动跑python mcp_servers/math.py看有没有报错最后合起来跑。分层排查比一上来就调整个图快得多。6. 把统一通道固化进你的 LangGraph 项目跑通最小示例后下一步是把它固化进真实项目。几个实践建议。把MCP_CONFIG和模型配置抽到一个config.py里别散落在各个文件。模型配置只保留一份所有节点复用同一个model实例这样换模型、换 Key 只改一处。如果你有多个图把create_graph抽成可复用函数传入不同的工具集。对于长期跑的 Agent 服务建议用 Coding Plan 这类方案管理调用入口在 https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 适合需要持续编码和 Agent 调用的场景。如果只是验证模型效果用模型对话页就够了。MCP Server 这边随着工具变多建议按领域拆分文件每个 Server 只负责一类能力。stdio 适合本地计算和文件操作SSE 适合需要常驻、多客户端共享的服务。工具 docstring 当成给模型看的 API 文档来写参数类型标注清楚模型选工具和填参数的准确率会高很多。最后提醒一点MCP 工具不要直连生产数据库。工具执行的是模型生成的参数直接打到生产库风险很高。中间加一层校验或只读副本这是工程上的基本防线。接入文档在 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content Key 管理在 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 。把这两个地址存进书签配置和排查时用得上。
张高兴的大模型开发实战：（六）在 LangGraph 中使用 MCP 协议接入 TaoToken 统一通道
1. 为什么要在 LangGraph 里用 MCP 接统一通道如果你已经在写 LangGraph 工作流大概率遇到过这种局面图里每个节点各自ChatOpenAI(...)、ChatAnthropic(...)、ChatOllama(...)建一遍Key 散落在.env、settings.py、甚至某个 notebook 单元格里。等到要换模型、要统计调用量、要给团队里其他人复现环境时就得挨个文件翻。更麻烦的是一旦你想让 Agent 调用外部工具工具本身又各自直连不同的服务鉴权和地址管理彻底失控。MCPModel Context Protocol解决的正是「工具怎么被模型标准化调用」这件事。它把外部能力抽象成 MCP Server模型侧通过 MCP Client 动态发现工具列表不用为每个 API 手写一遍 function schema。而 TaoToken 统一通道解决的是「模型请求往哪发、用哪个 Key」这件事。把两者叠在一起你得到的是一个干净的结构模型调用走统一 Base URL工具调用走 MCPLangGraph 只负责编排。这篇面向的是已经能跑通 LangGraph 基础图、想把手头项目里的模型调用收敛到一条通道的开发者。我会给出可复制的 MCP 服务端骨架、LangGraph 节点接入代码以及一次完整的工具调用链路验证确认请求确实经统一通道正确路由。核心检索词先摆出来LangGraph 接入 MCP 协议、TaoToken 统一通道配置、MCP Server stdio 与 SSE 区别、LangGraph ToolNode 工具调用。先说清楚 MCP 和普通 API 调用的差别这决定了你后面怎么设计节点。普通 API 调用是无状态的每次请求独立模型不知道上一轮查过什么MCP 协议在设计上支持会话状态管理和上下文感知工具可以在多轮之间保持关联。另一个差别是动态工具发现MCP Client 连上 Server 后能拿到工具清单不用你提前把每个函数的 schema 写死。这两点对 LangGraph 特别友好因为 LangGraph 的ToolNode本来就期望拿到一个工具列表MCP 刚好能动态喂给它。连接方式上MCP 常见两种。stdio 通过标准输入输出通信Server 跑在本地适合开发和调试启动快、无端口占用。SSE 基于 HTTP 单向流Server 暴露一个类似http://localhost:8001/sse的地址适合需要常驻、多客户端连接的场景。你在 LangGraph 里可以两种混用本地计算类工具走 stdio需要长期运行的服务走 SSE。理解了这层接下来的目标就很明确让 LangGraph 的模型节点指向 TaoToken 统一通道让工具节点通过 MCP 加载两者互不干扰。2. TaoToken 统一通道前置准备与 MCP 环境搭建在动 LangGraph 之前先把「通道」这一侧准备好。TaoToken 的作用是把模型调用收敛到一个 Base URL 和一把 Key 上你后面在 LangGraph 里只需要配置一次所有节点复用。官网入口在 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 地址是 https://taotoken.net/api 注意 API 地址不带 UTM 参数配置里填这个干净的。第一步是拿到 Key。进入控制台创建 API Key路径是 https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content Key 管理页在 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 。创建后复制出来形如sk-开头的一串。这里提醒一句Key 只显示一次建议直接写进项目的.env别贴在聊天记录里。第二步是确认你要用的模型 ID。不同模型在通道里的标识不一样具体以文档为准文档地址 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 。你可以先在模型对话页 https://taotoken.net/chat?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 手动发一条消息确认 Key 和模型都通再去写代码。这一步能省掉后面大量「到底是 Key 错还是代码错」的排查时间。第三步是 MCP 环境。LangGraph 侧要用langchain-mcp-adapters把 MCP 工具转成 LangChain 工具MCP Server 侧用官方mcp包。安装命令pip install langchain-mcp-adapters mcp langgraph langchain-openai python-dotenv如果你打算用 OpenAI 兼容方式调 TaoTokenlangchain-openai就够了因为统一通道对外就是 OpenAI 兼容接口。项目结构建议这样组织和后面代码对应. ├── mcp_servers │ ├── math.py # stdio 连接本地计算 │ └── weather.py # SSE 连接常驻服务 ├── .env └── main.py.env里放三样东西Base URL、Key、模型 IDTAOTOKEN_BASE_URLhttps://taotoken.net/api TAOTOKEN_API_KEYsk-你的Key TAOTOKEN_MODEL你的模型ID这里有个容易踩的坑Base URL 结尾不要多加/v1或斜杠具体以文档说明为准填错会直接 404。另外.env记得加进.gitignore别把 Key 提交上去。环境搭好后先别急着写 LangGraph。单独跑一个最小脚本验证通道是否通import os from dotenv import load_dotenv from langchain_openai import ChatOpenAI load_dotenv() llm ChatOpenAI( base_urlos.getenv(TAOTOKEN_BASE_URL), api_keyos.getenv(TAOTOKEN_API_KEY), modelos.getenv(TAOTOKEN_MODEL), ) print(llm.invoke(用一句话说明你是什么模型).content)能打印出内容说明通道这一侧没问题可以进入 MCP 和 LangGraph 的整合。如果这一步就报 401先回控制台确认 Key 是否启用、额度是否正常别往下写。3. 可复制的 MCP 服务端与 LangGraph 接入配置这一节是全文的核心给出可以直接抄的配置骨架。先写两个 MCP Server一个走 stdio一个走 SSE覆盖两种连接方式。mcp_servers/math.pystdio 方式提供加法和乘法from mcp.server.fastmcp import FastMCP mcp FastMCP(Math) mcp.tool() def add(a: int, b: int) - int: 两数相加 return a b mcp.tool() def multiply(a: int, b: int) - int: 两数相乘 return a * b if __name__ __main__: mcp.run(transportstdio)mcp_servers/weather.pySSE 方式提供天气和时间查询from datetime import datetime from mcp.server.fastmcp import FastMCP mcp FastMCP(Weather, port8001) mcp.tool() def get_weather(location: str) - str: 查询指定城市天气 return f{location} 当前晴天 mcp.tool() def get_time() - str: 获取当前时间 return datetime.now().strftime(%Y-%m-%d %H:%M:%S) if __name__ __main__: mcp.run(transportsse)注意FastMCP的port参数只在 SSE 下有意义stdio 不需要。工具函数的 docstring 会被 MCP 当作工具描述传给模型写清楚一点模型选工具的准确率会高很多。接下来是 LangGraph 主程序。关键点在于模型用 TaoToken 统一通道工具用 MCP 动态加载两者在agent节点里汇合。先看 MCP 客户端配置这是最容易写错的地方import asyncio import os from contextlib import asynccontextmanager from typing import Annotated, TypedDict from dotenv import load_dotenv from langchain_core.prompts import ChatPromptTemplate from langchain_mcp_adapters.client import MultiServerMCPClient from langchain_openai import ChatOpenAI from langgraph.graph import END, START, StateGraph from langgraph.graph.message import add_messages from langgraph.prebuilt import ToolNode, tools_condition load_dotenv() MCP_CONFIG { math: { command: python, args: [mcp_servers/math.py], transport: stdio, }, weather: { url: http://localhost:8001/sse, transport: sse, }, }MCP_CONFIG就是 MCP 服务端的配置骨架stdio 用commandargsSSE 用url。这段可以直接复制改路径和端口即可。如果你后面要接更多 MCP Server往这个字典里加键就行LangGraph 侧不用改。然后是模型和状态定义。模型指向 TaoToken 统一通道这是整篇的关键配置model ChatOpenAI( base_urlos.getenv(TAOTOKEN_BASE_URL), api_keyos.getenv(TAOTOKEN_API_KEY), modelos.getenv(TAOTOKEN_MODEL), temperature0, ) prompt ChatPromptTemplate.from_template( 你是一个问答助手必要时可以调用外部工具。 如果不知道答案就直接说不知道。用中文回答。\n\n问题{question} ) class State(TypedDict): messages: Annotated[list, add_messages]接着是加载 MCP 工具和建图。这里用asynccontextmanager管理 MCP 客户端生命周期确保图跑完连接能正确释放asynccontextmanager async def load_mcp_tools(): async with MultiServerMCPClient(MCP_CONFIG) as client: yield client.get_tools() asynccontextmanager async def create_graph(): async with load_mcp_tools() as tools: print(f可用的 MCP 工具{[t.name for t in tools]}) llm_with_tool prompt | model.bind_tools(tools) def agent(state: State): state[messages] llm_with_tool.invoke(state[messages]) return state builder StateGraph(State) builder.add_node(agent, agent) builder.add_node(tool, ToolNode(tools)) builder.add_edge(START, agent) builder.add_conditional_edges( agent, tools_condition, {tools: tool, END: END}, ) builder.add_edge(tool, agent) yield builder.compile()这段图结构是最小可用的 ReAct 循环agent判断要不要调工具tools_condition做路由ToolNode执行工具结果回到agent。ToolNode会自动处理 MCP 工具的调用和结果回填你不用手写解析逻辑。如果你用的是 Claude Code 或 Cline 这类工具MCP 配置通常写成 JSON格式和上面的MCP_CONFIG对应{ mcpServers: { math: { command: python, args: [mcp_servers/math.py] }, weather: { url: http://localhost:8001/sse } } }三件套记牢Base URL 填https://taotoken.net/apiKey 填控制台拿到的Model ID 填文档里确认过的。这三样在 LangGraph、Claude Code、Cline 里是同一套换工具不用换配置。4. 验证请求与完整工具调用链路配置写完跑起来验证。先启动 SSE 的 weather 服务另开一个终端python mcp_servers/weather.py看到服务监听 8001 端口就对了。stdio 的 math 不用手动启动LangGraph 会在加载工具时自动拉起。主程序这样写async def main(): async with create_graph() as graph: for q in [徐州天气怎么样, 现在几点了, (35)x12等于多少]: result await graph.ainvoke({messages: q}) print(fQ: {q}) print(fA: {result[messages][-1].content}\n) if __name__ __main__: asyncio.run(main())运行python main.py预期输出类似可用的 MCP 工具[add, multiply, get_weather, get_time] Q: 徐州天气怎么样 A: 徐州当前晴天。 Q: 现在几点了 A: 当前时间是 2025-01-01 17:22:15。 Q: (35)x12等于多少 A: (35)×12 等于 96。看到「可用的 MCP 工具」这一行说明 MCP Client 成功连上了两个 Server工具被动态发现。三个问题分别命中了get_weather、get_time、addmultiply说明ToolNode的路由和回填都正常。怎么确认请求真的走了 TaoToken 统一通道两个办法。一是看控制台的调用记录模型对话页或控制台的用量统计里应该能看到这几次请求。二是临时把.env里的 Key 改错重跑应该报 401改回来又正常这就证明模型请求确实经过统一通道而不是走了别的默认地址。链路验证的意义在于模型调用和工具调用是两条独立的路径。模型请求走 TaoToken 的 Base URL工具执行走本地 MCP Server两者在agent节点汇合。你可以在agent里加一行日志打印state[messages]的长度变化观察「用户问题 → 模型决定调工具 → 工具结果 → 模型总结」这个循环。如果想让验证更直观可以在get_weather里加一个打印mcp.tool() def get_weather(location: str) - str: print(f[MCP] get_weather called with {location}) return f{location} 当前晴天stdio 的 Server 输出会打到主进程终端SSE 的会打到 weather 服务那个终端。看到这行打印就确认工具真的被调用了而不是模型自己编的答案。5. 本篇常见报错排查实际跑的时候报错基本集中在几个地方。下面按真实错误信息对照排查。401 Unauthorized。模型请求返回 401说明 Key 有问题。先检查.env里TAOTOKEN_API_KEY有没有多余空格或引号再回控制台确认 Key 是否启用、额度是否正常。注意 Base URL 和 Key 要配套别把别的平台的 Key 填进来。local proxy failed / connection refused。这个通常出现在 SSE 连接上说明http://localhost:8001/sse连不上。检查 weather 服务是否启动、端口是否被占用。如果 8001 被占改FastMCP(Weather, port8001)里的端口同时改MCP_CONFIG里的 url两处要一致。reading choices / KeyError: choices。这个报错说明返回体不是标准的 OpenAI 格式常见原因是 Base URL 填错比如多加了/v1或少了路径。确认填的是https://taotoken.net/api具体以文档为准。另一个可能是模型 ID 写错通道找不到对应模型返回了错误结构。OAuth / authentication error。如果你在 Claude Code 或 Cline 里看到 OAuth 相关报错通常是 MCP 配置里把需要鉴权的服务和不需要的混在一起了。本地 stdio 的 MCP Server 不需要 OAuthSSE 的如果没配鉴权也不该走 OAuth 流程。检查 JSON 配置里有没有多余的headers或auth字段。工具列表为空。可用的 MCP 工具[]说明 MCP Client 没连上任何 Server。stdio 的话检查args里的路径对不对相对路径是相对于运行main.py的目录SSE 的话检查服务是否真的在跑。还有一种情况是MultiServerMCPClient的配置键名写错必须是command/args/transport或url/transport。模型不调工具直接回答。这不是报错但很常见。原因通常是工具 docstring 写得太模糊或者 prompt 里没提示可以调工具。把 docstring 写具体prompt 里加一句「必要时调用外部工具」命中率会明显提升。异步上下文报错。asynccontextmanager用错会导致graph在async with外被使用。确保所有ainvoke都在async with create_graph() as graph:块内别把 graph 存到全局变量里跨作用域用。排查顺序建议先单独验证模型通道第 2 节的最小脚本再单独验证 MCP Server手动跑python mcp_servers/math.py看有没有报错最后合起来跑。分层排查比一上来就调整个图快得多。6. 把统一通道固化进你的 LangGraph 项目跑通最小示例后下一步是把它固化进真实项目。几个实践建议。把MCP_CONFIG和模型配置抽到一个config.py里别散落在各个文件。模型配置只保留一份所有节点复用同一个model实例这样换模型、换 Key 只改一处。如果你有多个图把create_graph抽成可复用函数传入不同的工具集。对于长期跑的 Agent 服务建议用 Coding Plan 这类方案管理调用入口在 https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 适合需要持续编码和 Agent 调用的场景。如果只是验证模型效果用模型对话页就够了。MCP Server 这边随着工具变多建议按领域拆分文件每个 Server 只负责一类能力。stdio 适合本地计算和文件操作SSE 适合需要常驻、多客户端共享的服务。工具 docstring 当成给模型看的 API 文档来写参数类型标注清楚模型选工具和填参数的准确率会高很多。最后提醒一点MCP 工具不要直连生产数据库。工具执行的是模型生成的参数直接打到生产库风险很高。中间加一层校验或只读副本这是工程上的基本防线。接入文档在 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content Key 管理在 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 。把这两个地址存进书签配置和排查时用得上。
