1. 从零跑通 MCP Agents为什么工具调用链路总在本地断掉MCPModel Context Protocol是一套把大模型和外部工具、数据源连起来的开放协议你可以把它理解成 AI 世界的 USB-C 接口只要工具按协议暴露能力任何支持 MCP 的客户端都能即插即用。而 MCP Agents 就是在这套协议之上让模型自己决定「什么时候调哪个工具、传什么参数、拿到结果后怎么继续推理」的智能体。它适合谁适合已经会用 OpenAI SDK 写基础对话、但一碰到多工具编排就卡壳的开发者也适合想把本地脚本、数据库、第三方 API 接进 Agent 的工程同学。我见过太多人卡在同一个地方模型明明返回了tool_calls代码却报KeyError或者工具注册了模型死活不调用再或者多轮对话里上下文丢了Agent 像失忆一样反复问同样的问题。这些问题的根子往往不在模型而在工具 schema 定义、调用链路编排、以及 API 接入层这三块没打通。这篇指南聚焦用 OpenAI SDK 从零搭建一个可扩展的 MCP Agent 原型覆盖工具注册、调用链路、多轮对话编排给出可直接复制的 Agent 初始化配置、工具 schema 示例和本地验证步骤。为了让链路稳定可测我会用 TaoToken 作为统一的模型接入层它的接口兼容 OpenAI SDK改一个base_url就能把请求打到目标模型上省去在多个平台之间来回切换的麻烦。下面每一步都能跟着做跑完你会得到一个能真实调用工具、能记住多轮上下文的 Agent 骨架。2. TaoToken 前置准备给 OpenAI SDK 换一个稳定的模型入口在写 Agent 之前先把模型入口这件事解决掉。OpenAI SDK 默认请求api.openai.com但在实际开发和调试阶段你往往需要更灵活的模型选择、更可控的调用链路。TaoToken 提供的就是这样一个兼容 OpenAI 协议的接入层你的代码不用改结构只改base_url和api_keyclient.chat.completions.create(...)照常调用。先说清楚它是什么、能做什么。TaoToken 是一个模型 API 聚合接入服务对外暴露 OpenAI 兼容的 HTTP 接口你用它拿到的 Key 可以驱动对话、工具调用、流式输出等标准能力。对 MCP Agent 来说最关键的一点是它完整支持tools参数和tool_calls返回结构这正是工具调用链路的基石。适合谁适合想快速验证 Agent 逻辑、不想在接入层反复折腾的开发者。前置准备分三步。第一步注册并登录控制台在 API Keys 页面创建一个密钥复制保存好后面写进.env。第二步确认你要用的模型 ID比如gpt-4o、gpt-4o-mini这类支持 function calling 的模型模型 ID 要和你实际调用的保持一致写错了会直接报模型不存在。第三步记住两个地址官网是https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentAPI 基址是https://taotoken.net/api这个不加 UTM。注意 API 基址后面通常还要接/v1也就是最终base_url写成https://taotoken.net/api/v1这是 OpenAI SDK 的路径约定少写/v1会 404。这里有个容易踩的坑很多人把base_url写成https://taotoken.net/api就完事结果 SDK 拼出来的路径是/api/chat/completions而服务端期望的是/api/v1/chat/completions。所以务必带上/v1。另外Key 不要硬编码在代码里用环境变量管理后面配置片段会给出完整写法。把这一步做完你手里就有了三样东西一个可用的 API Key、一个确定的模型 ID、一个正确的 base_url。这三样是后面所有代码的前提缺一个链路都跑不起来。如果你还想先直观感受一下模型对话效果可以打开模型对话页面手动发几条消息确认 Key 和模型都正常再去写 Agent 代码能省掉不少排查时间。3. 可复制配置Agent 初始化、工具 schema 与多轮编排这一节是全文的核心给出可以直接复制运行的配置和代码。项目结构建议这样组织保持清晰mcp-agent-demo/ ├── agent.py # Agent 初始化与工具注册 ├── tools.py # 工具 schema 与实现 ├── run_agent.py # 运行入口多轮编排 ├── .env # 密钥与模型配置 └── requirements.txt先装依赖只需要两个包pip install openai python-dotenv pip freeze requirements.txt然后是.env文件把三件套写进去。注意 Base URL、Key、Model ID 一个都不能少TAOTOKEN_API_KEYsk-你的密钥 TAOTOKEN_BASE_URLhttps://taotoken.net/api/v1 TAOTOKEN_MODELgpt-4o-mini接下来是tools.py定义工具 schema 和真实实现。工具 schema 是模型能否正确调用的关键name、description、parameters三部分必须写清楚尤其是description模型靠它判断什么时候该用这个工具import json # 工具的真实实现 def get_weather(city: str) - str: fake_db {北京: 晴18℃, 上海: 多云22℃, 深圳: 小雨26℃} return fake_db.get(city, f{city}暂无数据) def calculate(expression: str) - str: try: return str(eval(expression, {__builtins__: {}}, {})) except Exception as e: return f计算失败{e} # 工具 schema供模型识别 TOOLS_SCHEMA [ { type: function, function: { name: get_weather, description: 查询指定城市的当前天气当用户询问天气时调用, parameters: { type: object, properties: { city: {type: string, description: 城市名称如 北京} }, required: [city], }, }, }, { type: function, function: { name: calculate, description: 计算数学表达式当用户需要做算术时调用, parameters: { type: object, properties: { expression: {type: string, description: 数学表达式如 12*83} }, required: [expression], }, }, }, ] # 名称到实现的映射调用时按 name 分发 TOOL_MAP {get_weather: get_weather, calculate: calculate} def dispatch_tool(name: str, arguments: str) - str: func TOOL_MAP.get(name) if not func: return f未知工具{name} args json.loads(arguments) if arguments else {} return func(**args)然后是agent.py初始化客户端并封装一次完整的工具调用循环。这里用base_url指向 TaoToken其余调用方式和官方 SDK 完全一致import os from dotenv import load_dotenv from openai import OpenAI from tools import TOOLS_SCHEMA, dispatch_tool load_dotenv() client OpenAI( api_keyos.getenv(TAOTOKEN_API_KEY), base_urlos.getenv(TAOTOKEN_BASE_URL), ) MODEL os.getenv(TAOTOKEN_MODEL) def run_turn(messages: list) - str: 执行一轮对话内部处理工具调用循环 while True: resp client.chat.completions.create( modelMODEL, messagesmessages, toolsTOOLS_SCHEMA, tool_choiceauto, ) msg resp.choices[0].message # 没有工具调用直接返回文本 if not msg.tool_calls: messages.append({role: assistant, content: msg.content}) return msg.content # 有工具调用先把 assistant 消息入栈 messages.append(msg) for call in msg.tool_calls: result dispatch_tool(call.function.name, call.function.arguments) messages.append({ role: tool, tool_call_id: call.id, content: result, }) # 循环回去让模型基于工具结果继续推理最后是run_agent.py负责多轮对话编排。关键点是messages列表要跨轮保留这样 Agent 才有记忆from agent import run_turn def main(): messages [ {role: system, content: 你是一个会调用工具的助手需要天气或计算时主动调用工具。} ] print(输入 exit 退出) while True: user_input input(你) if user_input.strip().lower() exit: break messages.append({role: user, content: user_input}) reply run_turn(messages) print(Agent, reply) if __name__ __main__: main()这套配置里tool_choiceauto让模型自主决定是否调用工具while True循环保证一次用户输入可以触发多次工具调用比如先查天气再算温差。多轮编排的本质就是messages这个列表的持续累积assistant、tool、user 三种角色按顺序入栈模型每次都能看到完整历史。把这几段代码按文件放好配置就完成了下一节直接验证。4. 本地验证从一次工具调用到多轮对话的成功结果配置写完后跑起来验证。先执行python run_agent.py然后输入一个会触发工具的问题比如「北京天气怎么样」。预期你会看到 Agent 先调用get_weather拿到结果后再组织成自然语言回复。整个过程的成功标志是终端打印出「Agent北京晴18℃」这类包含真实工具返回内容的回答而不是模型凭空编造的天气。如果你想看到工具调用的中间过程可以在run_turn里加一行日志打印每次msg.tool_calls的内容if msg.tool_calls: for call in msg.tool_calls: print(f[调用工具] {call.function.name} 参数{call.function.arguments})再测一个多轮场景验证上下文是否保留。连续输入「12*83 等于多少」→「再乘以 2」→「刚才第一个结果是多少」。理想情况下Agent 第一轮调用calculate得到 99第二轮基于上下文算出 198第三轮能回忆起 99。如果第三轮答不上来说明messages没有正确跨轮传递检查run_agent.py里messages是不是在循环外初始化的。再测一个混合场景「深圳天气如何如果温度超过 25 度就提醒我带伞」。这个请求会触发两次工具调用先get_weather拿到「小雨26℃」模型判断 2625再给出带伞提醒。能跑通这个说明你的工具调用链路和多轮编排都正常了。验证时建议用gpt-4o-mini这类响应快的模型先跑通逻辑确认无误后再换成能力更强的模型。实测下来工具 schema 的description写得越具体模型调用越准。比如把「查询天气」改成「查询指定城市的当前天气当用户询问天气时调用」误调用率会明显下降。跑通之后你可以把get_weather换成真实 API、把calculate换成数据库查询Agent 骨架不用动只改tools.py里的实现和 schema 即可这就是可扩展的含义。5. 常见报错排查401、tool_calls 解析失败与连接问题链路跑不通时报错信息往往指向几个固定位置。下面按真实遇到的频率排列逐条对照排查。401 Unauthorized / invalid api key这是最常见的一个。先确认.env里的TAOTOKEN_API_KEY没有多余空格或引号load_dotenv()是否在读取环境变量之前调用。再确认base_url写的是https://taotoken.net/api/v1如果只写到/api请求会打到错误路径有时也会返回鉴权类错误。还有一种情况是 Key 复制时漏了字符重新生成一个再试。local proxy failed / connection error这类报错通常是网络层问题检查你的运行环境能否正常访问taotoken.net。如果你在公司内网确认没有拦截外部 HTTPS 请求。注意不要在任何配置里写代理相关的设置直接用标准 HTTPS 请求即可。如果本地 DNS 解析异常换一个网络环境重试往往就好了。reading choices / KeyError choices这个报错说明resp的结构和你预期的不一样多半是请求本身失败了但没抛异常。打印完整的resp看看常见原因是模型 ID 写错服务端返回了错误对象而不是正常的 completion 结构。确认TAOTOKEN_MODEL的值是真实存在的模型 ID比如gpt-4o-mini不要写成gpt-4o-mini-2024这种不完整的名字。tool_calls 为 None 或工具不被调用模型没调用工具先检查tools参数是否真的传进去了TOOLS_SCHEMA是不是空列表。再检查 schema 格式type必须是functionfunction.name和function.parameters不能少。如果 schema 没问题但模型还是不调用把tool_choice临时改成强制指定某个工具比如{type: function, function: {name: get_weather}}能强制触发就说明 schema 本身是通的问题在description不够明确。OAuth / 授权类报错如果你接的是需要 OAuth 的第三方 MCP 服务报错会提示授权失败或 token 过期。这类问题不在 OpenAI SDK 本身而在对应服务的授权配置按服务方文档重新走一遍授权流程即可。本地验证阶段建议先用不依赖 OAuth 的本地工具把链路跑通再接入外部服务。多轮对话失忆Agent 记不住上一轮九成是messages没有跨轮保留。检查run_agent.py里messages是不是定义在while循环内部如果是每轮都会重置。把它移到循环外并在每轮追加 user 消息、由run_turn追加 assistant 和 tool 消息历史就完整了。排查时有个通用技巧在run_turn开头打印messages的长度和最后一条消息的角色能快速定位是消息没入栈还是模型没响应。把上面这些对照一遍绝大多数链路问题都能解决。6. 把原型接进真实工作流下一步怎么扩展跑通这个原型后你已经掌握了 MCP Agent 的三个核心工具 schema 定义、调用链路循环、多轮上下文编排。接下来扩展的方向很明确。工具层把tools.py里的假数据换成真实实现比如接一个本地文件读取工具、一个 SQLite 查询工具schema 照葫芦画瓢写就行。模型层如果要做长期编码或 Agent 类任务可以了解下 Coding Plan它更适合持续性的开发场景如果只是验证模型能力模型对话页面能快速试。接入层把 Key 管理、错误重试、日志记录补齐参考接入文档里的规范写法能让你的 Agent 更稳。需要提醒的是工具实现里不要直接连生产数据库本地原型阶段用测试库或只读账号避免 Agent 误操作。另外工具 schema 的description值得反复打磨它是模型判断调用时机的唯一依据写得好能省掉大量调试时间。这套骨架不依赖特定框架换成其他兼容 OpenAI 协议的模型也能跑扩展性留足了。
MCP Agents 完整构建指南：用 OpenAI SDK 打通工具调用链路
1. 从零跑通 MCP Agents为什么工具调用链路总在本地断掉MCPModel Context Protocol是一套把大模型和外部工具、数据源连起来的开放协议你可以把它理解成 AI 世界的 USB-C 接口只要工具按协议暴露能力任何支持 MCP 的客户端都能即插即用。而 MCP Agents 就是在这套协议之上让模型自己决定「什么时候调哪个工具、传什么参数、拿到结果后怎么继续推理」的智能体。它适合谁适合已经会用 OpenAI SDK 写基础对话、但一碰到多工具编排就卡壳的开发者也适合想把本地脚本、数据库、第三方 API 接进 Agent 的工程同学。我见过太多人卡在同一个地方模型明明返回了tool_calls代码却报KeyError或者工具注册了模型死活不调用再或者多轮对话里上下文丢了Agent 像失忆一样反复问同样的问题。这些问题的根子往往不在模型而在工具 schema 定义、调用链路编排、以及 API 接入层这三块没打通。这篇指南聚焦用 OpenAI SDK 从零搭建一个可扩展的 MCP Agent 原型覆盖工具注册、调用链路、多轮对话编排给出可直接复制的 Agent 初始化配置、工具 schema 示例和本地验证步骤。为了让链路稳定可测我会用 TaoToken 作为统一的模型接入层它的接口兼容 OpenAI SDK改一个base_url就能把请求打到目标模型上省去在多个平台之间来回切换的麻烦。下面每一步都能跟着做跑完你会得到一个能真实调用工具、能记住多轮上下文的 Agent 骨架。2. TaoToken 前置准备给 OpenAI SDK 换一个稳定的模型入口在写 Agent 之前先把模型入口这件事解决掉。OpenAI SDK 默认请求api.openai.com但在实际开发和调试阶段你往往需要更灵活的模型选择、更可控的调用链路。TaoToken 提供的就是这样一个兼容 OpenAI 协议的接入层你的代码不用改结构只改base_url和api_keyclient.chat.completions.create(...)照常调用。先说清楚它是什么、能做什么。TaoToken 是一个模型 API 聚合接入服务对外暴露 OpenAI 兼容的 HTTP 接口你用它拿到的 Key 可以驱动对话、工具调用、流式输出等标准能力。对 MCP Agent 来说最关键的一点是它完整支持tools参数和tool_calls返回结构这正是工具调用链路的基石。适合谁适合想快速验证 Agent 逻辑、不想在接入层反复折腾的开发者。前置准备分三步。第一步注册并登录控制台在 API Keys 页面创建一个密钥复制保存好后面写进.env。第二步确认你要用的模型 ID比如gpt-4o、gpt-4o-mini这类支持 function calling 的模型模型 ID 要和你实际调用的保持一致写错了会直接报模型不存在。第三步记住两个地址官网是https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentAPI 基址是https://taotoken.net/api这个不加 UTM。注意 API 基址后面通常还要接/v1也就是最终base_url写成https://taotoken.net/api/v1这是 OpenAI SDK 的路径约定少写/v1会 404。这里有个容易踩的坑很多人把base_url写成https://taotoken.net/api就完事结果 SDK 拼出来的路径是/api/chat/completions而服务端期望的是/api/v1/chat/completions。所以务必带上/v1。另外Key 不要硬编码在代码里用环境变量管理后面配置片段会给出完整写法。把这一步做完你手里就有了三样东西一个可用的 API Key、一个确定的模型 ID、一个正确的 base_url。这三样是后面所有代码的前提缺一个链路都跑不起来。如果你还想先直观感受一下模型对话效果可以打开模型对话页面手动发几条消息确认 Key 和模型都正常再去写 Agent 代码能省掉不少排查时间。3. 可复制配置Agent 初始化、工具 schema 与多轮编排这一节是全文的核心给出可以直接复制运行的配置和代码。项目结构建议这样组织保持清晰mcp-agent-demo/ ├── agent.py # Agent 初始化与工具注册 ├── tools.py # 工具 schema 与实现 ├── run_agent.py # 运行入口多轮编排 ├── .env # 密钥与模型配置 └── requirements.txt先装依赖只需要两个包pip install openai python-dotenv pip freeze requirements.txt然后是.env文件把三件套写进去。注意 Base URL、Key、Model ID 一个都不能少TAOTOKEN_API_KEYsk-你的密钥 TAOTOKEN_BASE_URLhttps://taotoken.net/api/v1 TAOTOKEN_MODELgpt-4o-mini接下来是tools.py定义工具 schema 和真实实现。工具 schema 是模型能否正确调用的关键name、description、parameters三部分必须写清楚尤其是description模型靠它判断什么时候该用这个工具import json # 工具的真实实现 def get_weather(city: str) - str: fake_db {北京: 晴18℃, 上海: 多云22℃, 深圳: 小雨26℃} return fake_db.get(city, f{city}暂无数据) def calculate(expression: str) - str: try: return str(eval(expression, {__builtins__: {}}, {})) except Exception as e: return f计算失败{e} # 工具 schema供模型识别 TOOLS_SCHEMA [ { type: function, function: { name: get_weather, description: 查询指定城市的当前天气当用户询问天气时调用, parameters: { type: object, properties: { city: {type: string, description: 城市名称如 北京} }, required: [city], }, }, }, { type: function, function: { name: calculate, description: 计算数学表达式当用户需要做算术时调用, parameters: { type: object, properties: { expression: {type: string, description: 数学表达式如 12*83} }, required: [expression], }, }, }, ] # 名称到实现的映射调用时按 name 分发 TOOL_MAP {get_weather: get_weather, calculate: calculate} def dispatch_tool(name: str, arguments: str) - str: func TOOL_MAP.get(name) if not func: return f未知工具{name} args json.loads(arguments) if arguments else {} return func(**args)然后是agent.py初始化客户端并封装一次完整的工具调用循环。这里用base_url指向 TaoToken其余调用方式和官方 SDK 完全一致import os from dotenv import load_dotenv from openai import OpenAI from tools import TOOLS_SCHEMA, dispatch_tool load_dotenv() client OpenAI( api_keyos.getenv(TAOTOKEN_API_KEY), base_urlos.getenv(TAOTOKEN_BASE_URL), ) MODEL os.getenv(TAOTOKEN_MODEL) def run_turn(messages: list) - str: 执行一轮对话内部处理工具调用循环 while True: resp client.chat.completions.create( modelMODEL, messagesmessages, toolsTOOLS_SCHEMA, tool_choiceauto, ) msg resp.choices[0].message # 没有工具调用直接返回文本 if not msg.tool_calls: messages.append({role: assistant, content: msg.content}) return msg.content # 有工具调用先把 assistant 消息入栈 messages.append(msg) for call in msg.tool_calls: result dispatch_tool(call.function.name, call.function.arguments) messages.append({ role: tool, tool_call_id: call.id, content: result, }) # 循环回去让模型基于工具结果继续推理最后是run_agent.py负责多轮对话编排。关键点是messages列表要跨轮保留这样 Agent 才有记忆from agent import run_turn def main(): messages [ {role: system, content: 你是一个会调用工具的助手需要天气或计算时主动调用工具。} ] print(输入 exit 退出) while True: user_input input(你) if user_input.strip().lower() exit: break messages.append({role: user, content: user_input}) reply run_turn(messages) print(Agent, reply) if __name__ __main__: main()这套配置里tool_choiceauto让模型自主决定是否调用工具while True循环保证一次用户输入可以触发多次工具调用比如先查天气再算温差。多轮编排的本质就是messages这个列表的持续累积assistant、tool、user 三种角色按顺序入栈模型每次都能看到完整历史。把这几段代码按文件放好配置就完成了下一节直接验证。4. 本地验证从一次工具调用到多轮对话的成功结果配置写完后跑起来验证。先执行python run_agent.py然后输入一个会触发工具的问题比如「北京天气怎么样」。预期你会看到 Agent 先调用get_weather拿到结果后再组织成自然语言回复。整个过程的成功标志是终端打印出「Agent北京晴18℃」这类包含真实工具返回内容的回答而不是模型凭空编造的天气。如果你想看到工具调用的中间过程可以在run_turn里加一行日志打印每次msg.tool_calls的内容if msg.tool_calls: for call in msg.tool_calls: print(f[调用工具] {call.function.name} 参数{call.function.arguments})再测一个多轮场景验证上下文是否保留。连续输入「12*83 等于多少」→「再乘以 2」→「刚才第一个结果是多少」。理想情况下Agent 第一轮调用calculate得到 99第二轮基于上下文算出 198第三轮能回忆起 99。如果第三轮答不上来说明messages没有正确跨轮传递检查run_agent.py里messages是不是在循环外初始化的。再测一个混合场景「深圳天气如何如果温度超过 25 度就提醒我带伞」。这个请求会触发两次工具调用先get_weather拿到「小雨26℃」模型判断 2625再给出带伞提醒。能跑通这个说明你的工具调用链路和多轮编排都正常了。验证时建议用gpt-4o-mini这类响应快的模型先跑通逻辑确认无误后再换成能力更强的模型。实测下来工具 schema 的description写得越具体模型调用越准。比如把「查询天气」改成「查询指定城市的当前天气当用户询问天气时调用」误调用率会明显下降。跑通之后你可以把get_weather换成真实 API、把calculate换成数据库查询Agent 骨架不用动只改tools.py里的实现和 schema 即可这就是可扩展的含义。5. 常见报错排查401、tool_calls 解析失败与连接问题链路跑不通时报错信息往往指向几个固定位置。下面按真实遇到的频率排列逐条对照排查。401 Unauthorized / invalid api key这是最常见的一个。先确认.env里的TAOTOKEN_API_KEY没有多余空格或引号load_dotenv()是否在读取环境变量之前调用。再确认base_url写的是https://taotoken.net/api/v1如果只写到/api请求会打到错误路径有时也会返回鉴权类错误。还有一种情况是 Key 复制时漏了字符重新生成一个再试。local proxy failed / connection error这类报错通常是网络层问题检查你的运行环境能否正常访问taotoken.net。如果你在公司内网确认没有拦截外部 HTTPS 请求。注意不要在任何配置里写代理相关的设置直接用标准 HTTPS 请求即可。如果本地 DNS 解析异常换一个网络环境重试往往就好了。reading choices / KeyError choices这个报错说明resp的结构和你预期的不一样多半是请求本身失败了但没抛异常。打印完整的resp看看常见原因是模型 ID 写错服务端返回了错误对象而不是正常的 completion 结构。确认TAOTOKEN_MODEL的值是真实存在的模型 ID比如gpt-4o-mini不要写成gpt-4o-mini-2024这种不完整的名字。tool_calls 为 None 或工具不被调用模型没调用工具先检查tools参数是否真的传进去了TOOLS_SCHEMA是不是空列表。再检查 schema 格式type必须是functionfunction.name和function.parameters不能少。如果 schema 没问题但模型还是不调用把tool_choice临时改成强制指定某个工具比如{type: function, function: {name: get_weather}}能强制触发就说明 schema 本身是通的问题在description不够明确。OAuth / 授权类报错如果你接的是需要 OAuth 的第三方 MCP 服务报错会提示授权失败或 token 过期。这类问题不在 OpenAI SDK 本身而在对应服务的授权配置按服务方文档重新走一遍授权流程即可。本地验证阶段建议先用不依赖 OAuth 的本地工具把链路跑通再接入外部服务。多轮对话失忆Agent 记不住上一轮九成是messages没有跨轮保留。检查run_agent.py里messages是不是定义在while循环内部如果是每轮都会重置。把它移到循环外并在每轮追加 user 消息、由run_turn追加 assistant 和 tool 消息历史就完整了。排查时有个通用技巧在run_turn开头打印messages的长度和最后一条消息的角色能快速定位是消息没入栈还是模型没响应。把上面这些对照一遍绝大多数链路问题都能解决。6. 把原型接进真实工作流下一步怎么扩展跑通这个原型后你已经掌握了 MCP Agent 的三个核心工具 schema 定义、调用链路循环、多轮上下文编排。接下来扩展的方向很明确。工具层把tools.py里的假数据换成真实实现比如接一个本地文件读取工具、一个 SQLite 查询工具schema 照葫芦画瓢写就行。模型层如果要做长期编码或 Agent 类任务可以了解下 Coding Plan它更适合持续性的开发场景如果只是验证模型能力模型对话页面能快速试。接入层把 Key 管理、错误重试、日志记录补齐参考接入文档里的规范写法能让你的 Agent 更稳。需要提醒的是工具实现里不要直接连生产数据库本地原型阶段用测试库或只读账号避免 Agent 误操作。另外工具 schema 的description值得反复打磨它是模型判断调用时机的唯一依据写得好能省掉大量调试时间。这套骨架不依赖特定框架换成其他兼容 OpenAI 协议的模型也能跑扩展性留足了。
