1. 从零跑通第一个 MCP Server为什么值得动手做一遍MCPModel Context Protocol是 Anthropic 提出的开放协议用来把「工具能力」标准化地暴露给大模型。你可以把它理解成给 AI 装了一个 USB 接口以前每接一个工具都要写一套胶水代码现在只要按 MCP 规范实现一个 Server任何支持 MCP 的客户端都能直接调用。它适合谁适合已经会用 Python 写点脚本、想让大模型真正「动手干活」而不是只聊天的开发者。这一篇聚焦 SDK 入门与第一个 MCP Server 落地。我会先讲清 stdio 和 SSE 两种传输方式的区别再拆开 JSON-RPC 的消息骨架然后给出可复制的config.toml/settings.json配置骨架最后用 TaoToken 统一 Key 接入 AI 工具完成一次本地调用验证。目标很明确从零跑通第一个 MCP Server而不是停留在概念层面。很多人卡在第一步不是因为不会写代码而是被「传输方式」「消息格式」「客户端怎么连」这三件事绕晕。我试过把这三块拆开单独验证跑通之后再拼起来成功率会高很多。下面按这个思路走。2. 前置准备TaoToken 统一 Key 与 SDK 安装2.1 为什么用 TaoToken 统一 KeyMCP 客户端在调用大模型时需要一个兼容 OpenAI 接口的base_url和api_key。如果你同时用多个模型每个都去申请 Key、记不同的地址管理成本很高。TaoToken 提供统一 Key 和统一 API 通道一个 Key 就能接入多种模型配置里只改model字段即可切换。官网入口https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 地址https://taotoken.net/api注意API 地址不加 UTM 参数直接写https://taotoken.net/api即可。Key 在控制台的 API Keys 页面创建建议先建一个专用 Key 给 MCP 项目用方便后续排查和轮换。2.2 安装 MCP SDK官方 SDK 安装命令如下建议在虚拟环境里做避免版本互相干扰python -m venv mcp_projects source mcp_projects/bin/activate # Windows 用 mcp_projects\Scripts\activate pip install mcp[cli] pip install openaimcp[cli]带上了命令行调试工具后面可以用mcp dev直接起一个调试面板。openai库不是只能用 GPT它是一套标准的客户端调用方式把base_url指向 TaoToken 就能调通。2.3 stdio 与 SSE 的区别stdio 是本地标准输入输出基于进程间通信。客户端把服务端脚本放到子进程里执行适合本地开发、单机工具。SSE 是 Server-Sent Events底层走 HTTP服务端独立运行客户端通过 URL 连接适合服务端部署、多客户端共享。两者都用 JSON-RPC 交互区别只在传输层。JSON-RPC 的消息骨架长这样{ jsonrpc: 2.0, id: 1, method: tools/call, params: { name: plus_tool, arguments: { a: 3, b: 2 } } }method是方法名params是参数id用来匹配请求和响应。MCP 在此基础上定义了initialize、tools/list、tools/call等标准方法。理解这个骨架后面看任何 MCP 日志都不会懵。3. 可复制配置config.toml 与 settings.json 骨架3.1 服务端脚本 server.py先写一个最小的加法工具重点是函数注释要写清楚大模型靠它判断什么时候调用from mcp.server.fastmcp import FastMCP app FastMCP(start mcp) app.tool() def plus_tool(a: float, b: float) - float: 计算两个浮点数相加的结果 :param a: 第一个浮点数 :param b: 第二个浮点数 :return: 浮点数 return a b if __name__ __main__: app.run(transportstdio)app.tool()装饰器把函数注册成 MCP 工具transportstdio指定用标准输入输出通信。注释里的参数说明会变成工具的description直接影响大模型的选择准确率别偷懒。3.2 config.toml 骨架如果你用支持 TOML 配置的客户端可以这样写[mcp_servers.plus] command python args [/absolute/path/to/server.py] transport stdio [llm] base_url https://taotoken.net/api api_key sk-your-taotoken-key model deepseek-chatcommand和args告诉客户端怎么启动服务端base_url指向 TaoToken 的 API 通道。路径一定用绝对路径相对路径在子进程里经常找不到文件。3.3 settings.json 骨架用 JSON 配置的客户端对应写法{ mcpServers: { plus: { command: python, args: [/absolute/path/to/server.py], env: { TAOTOKEN_API_KEY: sk-your-taotoken-key } } }, llm: { baseUrl: https://taotoken.net/api, apiKey: sk-your-taotoken-key, model: deepseek-chat } }把 Key 放到env里比硬编码在代码里安全也方便不同环境切换。配置骨架先照抄跑通之后再按需改。4. 客户端调用与本地验证4.1 客户端完整代码下面这段代码用 stdio 启动服务端通过 TaoToken 统一 Key 调用大模型完成一次工具调用闭环import asyncio import json from contextlib import AsyncExitStack from openai import OpenAI from mcp import ClientSession from mcp.client.stdio import StdioServerParameters, stdio_client class MCPClient: def __init__(self, server_path: str): self.server_path server_path self.llm OpenAI( api_keysk-your-taotoken-key, base_urlhttps://taotoken.net/api, ) self.exit_stack AsyncExitStack() async def run(self, query: str): server_parameters StdioServerParameters( commandpython, args[self.server_path], ) read_stream, write_stream await self.exit_stack.enter_async_context( stdio_client(serverserver_parameters) ) session await self.exit_stack.enter_async_context( ClientSession(read_streamread_stream, write_streamwrite_stream) ) await session.initialize() response await session.list_tools() tools [] for tool in response.tools: tools.append({ type: function, function: { name: tool.name, description: tool.description, input_schema: tool.inputSchema, }, }) messages [{role: user, content: query}] llm_response self.llm.chat.completions.create( messagesmessages, modeldeepseek-chat, toolstools, ) choice llm_response.choices[0] if choice.finish_reason tool_calls: messages.append(choice.message.model_dump()) for tool_call in choice.message.tool_calls: function_name tool_call.function.name function_arguments json.loads(tool_call.function.arguments) result await session.call_tool( namefunction_name, argumentsfunction_arguments ) content result.content[0].text messages.append({ role: tool, content: content, tool_call_id: tool_call.id, }) final self.llm.chat.completions.create( modeldeepseek-chat, messagesmessages ) print(AI, final.choices[0].message.content) else: print(模型没有选择工具) async def aclose(self): await self.exit_stack.aclose() async def main(): client MCPClient(server_path./server.py) try: await client.run(请帮我计算 3 加 2 等于多少) finally: await client.aclose() if __name__ __main__: asyncio.run(main())流程分八步建连接参数、开读写流、建 session、初始化、列工具、封装 Function Calling 格式、让模型选工具、把结果回传模型生成最终回复。大模型不会自己执行工具它只负责「选」执行靠session.call_tool。4.2 成功结果长什么样运行后你会看到两段输出。第一段是工具执行结果5.0第二段是模型基于结果生成的最终回复类似「3 加 2 等于 5」。如果只看到第一段没有第二段说明messages里role: tool那条没拼对检查tool_call_id是否和tool_call.id一致。4.3 换成 SSE 只需改两处服务端把app.run(transportstdio)改成app.run(transportsse)客户端把stdio_client(serverserver_parameters)换成sse_client(http://127.0.0.1:8000/sse)。先启动服务端再跑客户端。SSE 的好处是服务端独立运行改代码不用重启客户端调试体验更好。5. 本篇常见错误排查5.1 报错找不到 server.py子进程的工作目录和你的终端不一样args里必须用绝对路径。Windows 上路径带空格要加引号或者用正斜杠。5.2 报错401 UnauthorizedKey 没填对或者base_url写成了带/v1的旧格式。TaoToken 的 API 地址就是https://taotoken.net/api不要自己加后缀。Key 前后有空格也会 401复制时注意。5.3 模型不调用工具两个原因一是函数注释太模糊模型不知道什么时候用二是tools列表没传进去。检查list_tools()返回的description是否完整参数类型是否明确。5.4 报错finish_reason 不是 tool_calls说明模型选择了直接回答而不是调工具。可以换一个更明确的提问比如「用 plus_tool 计算 3 加 2」或者在 system 提示里说明必须用工具。5.5 资源泄漏警告用AsyncExitStack管理stdio_client和ClientSession在finally里调aclose()。直接async with嵌套在异常时容易漏掉清理堆栈方式更稳。6. 下一步把 MCP 接进你的日常工具链跑通第一个 Server 之后你可以把plus_tool换成任何真实能力查数据库、调内部 API、读本地文件。客户端这边如果要做长期编码或 Agent 场景建议用 Coding Plan 管理多模型调用额度避免每次手动换 Key。需要创建和管理 Keyhttps://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content想先在线验证模型对话效果https://taotoken.net/chat?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content长期编码 / Agent 场景https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content接入文档与参数说明https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content一个实用技巧调试 MCP 时先把list_tools()的返回打印出来确认工具注册成功再往下走模型调用。很多「模型不调工具」的问题其实是工具根本没注册上。把这一步当成固定检查点能省掉大量排查时间。