企业官网建设流程全解析

1. 多 Agent 协作的真实困境：工具接不完，Agent 找不到

先说一个我踩过的坑。去年做一个行业研报生成的小系统，规划 Agent 拆完任务后，需要依次调用搜索、数据库、写作、审核四个角色。当时我的做法很原始：每个 Agent 都写一套 HTTP 接口，主 Agent 里硬编码对方的地址和参数格式。结果第一个月还能跑，第二个月加了一个"图表生成 Agent"，主 Agent 的调度代码改了 300 多行；第三个月数据库换了连接方式，写作 Agent 那边直接报错，排查了半天才发现是参数名从sql变成了query。

这就是多智能体协作最典型的两个痛点：工具接入没有统一标准，Agent 之间通信没有统一协议。前者导致每接一个外部能力就要重写一遍参数解析、鉴权、错误处理；后者导致 Agent 之间像一群说不同方言的人，每次协作都要临时翻译。

智能体通信协议要解决的就是这两件事。目前落地最广的三层是 MCP、A2A、ANP：

MCP 由 Anthropic 提出，核心是把"读文件、查数据库、调 API"抽象成 Tools、Resources、Prompts 三类能力，Agent 只要支持 MCP，就能访问所有实现了 MCP Server 的服务。A2A 由 Google 提出，用 Agent Card 描述能力、用 Task 表示任务、用 Artifact 承载结果，让 Agent 之间可以像调用远程服务一样互相调用。ANP 则更靠上层，关注百万级 Agent 场景下"如何找到合适的那个 Agent"，类似 DNS 把域名解析成 IP。

这篇文章不讲概念堆砌，而是带你从零搭一条能跑通的链路：用 MCP 让一个 Agent 拿到工具能力，用 A2A 让两个 Agent 互相派活，再用 TaoToken 的统一 Key 把整条链路的模型鉴权收口到一处。适合已经写过简单 Agent、但被多 Agent 协作的配置和报错卡住的开发者。下面所有配置都可以直接复制，我会把每一步的预期输出和常见报错都写清楚。

2. TaoToken 前置准备：统一 Key 与 API 通道配置

多 Agent 系统里最烦的事情之一，是每个 Agent 都要单独配一份模型鉴权。研究 Agent 用一家、写作 Agent 用另一家，Key 散落在四五个配置文件里，换一次额度就要全局搜索替换。我的做法是把模型调用统一走 TaoToken 的 API 通道，所有 Agent 共享同一个 Base URL 和 Key，模型 ID 按角色区分。

TaoToken 在这里扮演的是"统一模型网关"的角色：它对外暴露一个兼容 OpenAI 风格的接口，你的 MCP Server、A2A Server、各个 Agent 都只需要认这一个地址。官网入口是 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，API 地址是 https://taotoken.net/api ，注意 API 地址不带任何查询参数，配置时直接填这个。

第一步，去控制台创建 Key。打开 https://taotoken.net/console?utm_source=taotoken_aicg_blog_end&utm_content=console&utm_campaign=rewrite ，在 API Keys 页面新建一个密钥，复制出来形如sk-xxxxxxxx。这个 Key 后面会同时出现在 MCP Server 的环境变量、A2A Server 的配置文件和客户端调用里，所以先存到一个.env文件里，别硬编码。

第二步，确认你要用的模型 ID。不同角色可以选不同模型：规划类任务用推理强一点的，写作类用长文本友好的。模型列表在文档里能查到，接入文档地址是 https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite 。如果你只是想先验证通道通不通，可以直接用模型对话页面 https://taotoken.net/models?utm_source=taotoken_aicg_blog_end&utm_content=models&utm_campaign=rewrite 发一条消息试试。

第三步，把 Key 写进环境变量。Linux/macOS 下：

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

Windows PowerShell：

$env:TAOTOKEN_API_KEY="sk-你的密钥" $env:TAOTOKEN_BASE_URL="https://taotoken.net/api"

这里有个细节要注意：Base URL 填https://taotoken.net/api，不要自己加/v1。很多 OpenAI SDK 会自动在末尾拼/v1/chat/completions，如果你手动加了/v1，最终路径会变成/api/v1/v1/chat/completions，直接 404。我见过太多人卡在这一步，报错信息还特别隐晦。

第四步，验证通道。用 curl 发一条最小请求：

curl -s https://taotoken.net/api/v1/chat/completions \ -H "Authorization: Bearer $TAOTOKEN_API_KEY" \ -H "Content-Type: application/json" \ -d '{ "model": "你的模型ID", "messages": [{"role": "user", "content": "回复 ok"}] }'

预期返回是一段 JSON，choices[0].message.content里能看到模型回复。如果返回 401，说明 Key 没读到或者复制时带了空格；如果返回 404，八成是 Base URL 拼错了。这一步通了，后面所有 Agent 的模型调用就都有保障了。

如果你打算长期跑多 Agent 的编码或 Agent 任务，可以顺手看一下 Coding Plan 页面 https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding-plan&utm_campaign=rewrite ，把额度规划好，避免跑到一半断供。

3. 可复制配置：MCP Server 与 A2A 消息路由片段

这一节是全文的核心，我会给出三份可直接复制的配置：MCP Server 的启动配置、MCP Client 的接入配置、A2A 的 Agent Card 与消息路由示例。所有片段里的 Base URL 和 Key 都指向 TaoToken，保证鉴权统一。

3.1 MCP Server 配置（JSON）

先写一个最小的 MCP Server 配置，放在项目根目录的mcp.config.json。这个 Server 提供一个query_orders工具，内部调用模型做意图解析，模型请求走 TaoToken：

{ "mcpServers": { "order-tools": { "command": "python", "args": ["-m", "mcp_server.order_server"], "env": { "TAOTOKEN_API_KEY": "sk-你的密钥", "TAOTOKEN_BASE_URL": "https://taotoken.net/api", "TAOTOKEN_MODEL": "你的模型ID" } } } }

注意env里三个变量缺一不可。TAOTOKEN_BASE_URL必须是https://taotoken.net/api，TAOTOKEN_MODEL填你在文档里查到的模型 ID。Server 端读取这三个变量后，用 OpenAI SDK 初始化客户端：

import os from openai import OpenAI client = OpenAI( api_key=os.environ["TAOTOKEN_API_KEY"], base_url=os.environ["TAOTOKEN_BASE_URL"], ) def query_orders(user_id: str) -> dict: resp = client.chat.completions.create( model=os.environ["TAOTOKEN_MODEL"], messages=[ {"role": "system", "content": "你是订单查询助手，只返回 JSON。"}, {"role": "user", "content": f"查询用户 {user_id} 的订单"} ], ) return {"raw": resp.choices[0].message.content}

3.2 MCP Client 接入配置（TOML）

如果你用的是支持 TOML 配置的客户端（比如某些桌面 Agent 工具），配置长这样，放在~/.config/agent/mcp.toml：

[[mcp.servers]] name = "order-tools" transport = "stdio" command = "python" args = ["-m", "mcp_server.order_server"] [mcp.servers.env] TAOTOKEN_API_KEY = "sk-你的密钥" TAOTOKEN_BASE_URL = "https://taotoken.net/api" TAOTOKEN_MODEL = "你的模型ID"

Client 侧连接成功后，Agent 就能通过call_tool("query_orders", {"user_id": "u_1001"})调用这个工具，完全不用关心底层是 HTTP 还是数据库。

3.3 A2A Agent Card 与消息路由

A2A 的核心是 Agent Card。每个 Agent 启动时暴露一张卡片，描述自己是谁、能做什么。研究 Agent 的卡片：

{ "name": "research-agent", "description": "负责资料检索与初步整理", "url": "http://127.0.0.1:5000", "version": "1.0.0", "skills": [ { "id": "research", "name": "资料研究", "description": "输入主题，返回结构化研究结果" } ], "capabilities": { "streaming": false, "pushNotifications": false } }

主 Agent 拿到这张卡片后，通过 A2A 的tasks/send方法派活。消息路由示例：

import requests def dispatch_to_research(topic: str) -> dict: payload = { "jsonrpc": "2.0", "id": "task-001", "method": "tasks/send", "params": { "id": "task-001", "message": { "role": "user", "parts": [{"type": "text", "text": f"研究主题：{topic}"}] } } } resp = requests.post("http://127.0.0.1:5000", json=payload, timeout=60) return resp.json()

研究 Agent 收到任务后，内部再用 MCP 调工具、用 TaoToken 调模型，产出 Artifact 回传。整条链路里，模型鉴权只在 TaoToken 这一处配置，MCP Server 和 A2A Server 都从环境变量读同一份 Key。

3.4 三件套对照表

无论你用 CC Switch、Cline MCP 还是 Codex 的auth.json，接入任何模型通道都绕不开三件套。这里统一列一下，避免你配错：

如果你用的是 Codex 的auth.json，结构大致是：

{ "openai": { "apiKey": "sk-你的密钥", "baseURL": "https://taotoken.net/api" } }

Cline 的 MCP 配置里，把baseUrl和apiKey填成上面表格里的值即可。CC Switch 类工具同理，认准这三件套就不会错。

4. 验证请求：跑通一条完整的 Agent 通信链路

配置写完，必须验证。我习惯分三步验证：先验模型通道，再验 MCP 工具调用，最后验 A2A 跨 Agent 派活。任何一步失败都能快速定位。

4.1 验证模型通道

用第 2 节的 curl 命令，或者直接跑一段 Python：

import os from openai import OpenAI client = OpenAI( api_key=os.environ["TAOTOKEN_API_KEY"], base_url=os.environ["TAOTOKEN_BASE_URL"], ) resp = client.chat.completions.create( model=os.environ["TAOTOKEN_MODEL"], messages=[{"role": "user", "content": "只回复：通道正常"}], ) print(resp.choices[0].message.content)

预期输出通道正常。如果这里就报错，先别往下走，回到第 2 节检查 Base URL 和 Key。

4.2 验证 MCP 工具调用

启动 MCP Server 后，用 Client 发一次tools/list，确认工具被正确注册：

from mcp import ClientSession, StdioServerParameters from mcp.client.stdio import stdio_client params = StdioServerParameters( command="python", args=["-m", "mcp_server.order_server"], env={ "TAOTOKEN_API_KEY": os.environ["TAOTOKEN_API_KEY"], "TAOTOKEN_BASE_URL": os.environ["TAOTOKEN_BASE_URL"], "TAOTOKEN_MODEL": os.environ["TAOTOKEN_MODEL"], }, ) async def main(): async with stdio_client(params) as (read, write): async with ClientSession(read, write) as session: await session.initialize() tools = await session.list_tools() print([t.name for t in tools.tools]) import asyncio asyncio.run(main())

预期输出['query_orders']。如果列表为空，说明 Server 端没把工具注册上，检查装饰器或注册代码。

4.3 验证 A2A 跨 Agent 派活

先启动研究 Agent 的 A2A Server，监听 5000 端口。然后主 Agent 侧调用：

result = dispatch_to_research("AI 医疗行业趋势") print(result)

预期返回一个 JSON-RPC 响应，result.artifacts里能看到研究结果。如果返回error，看error.code：-32601是方法不存在，-32602是参数格式不对。

4.4 完整链路串联

把三步串起来，主 Agent 的流程是：接收用户请求 → 通过 A2A 派给研究 Agent → 研究 Agent 通过 MCP 调工具 → 工具内部通过 TaoToken 调模型 → 结果逐层回传。跑通后你会看到类似这样的日志：

[main] dispatch task-001 to research-agent [research] received task-001, calling mcp tool query_orders [mcp] query_orders invoked, calling model via taotoken [research] artifact ready, returning to main [main] task-001 completed

这条链路跑通，说明 MCP、A2A、TaoToken 三者已经协同工作。后面加新 Agent，只需要新增一张 Agent Card 和对应的 MCP Server，主 Agent 的调度逻辑基本不用改。

5. 本篇常见报错排查：401、local proxy failed、reading choices、OAuth

多 Agent 协作的报错往往跨了好几层，定位起来很痛苦。我把这一节按真实报错信息整理，每条都给出原因和修复方式。

5.1 401 Unauthorized

最常见的报错，出现在模型调用或 MCP Server 启动时。原因通常有三个：Key 没读到、Key 复制时带了空格、环境变量名写错。排查顺序：

echo $TAOTOKEN_API_KEY | head -c 10

确认输出以sk-开头且没有多余空格。如果为空，说明环境变量没导出，检查.env是否被加载。如果 Key 正确但仍 401，检查是不是把 Key 填到了错误的字段，比如把 Base URL 的位置填了 Key。

5.2 local proxy failed

这个报错通常出现在 MCP Client 连接 Server 时，提示本地代理失败。原因一般是 Server 进程没起来，或者command路径不对。先手动跑一遍 Server 启动命令：

python -m mcp_server.order_server

如果直接报ModuleNotFoundError，说明依赖没装或模块路径不对。如果手动能跑但 Client 连不上，检查mcp.config.json里的command是不是绝对路径，有些客户端不认相对路径。

5.3 reading 'choices' of undefined

这个报错来自 OpenAI SDK，意思是响应体里没有choices字段。根因通常是 Base URL 拼错，请求打到了错误的路径，返回了一个 HTML 错误页而不是 JSON。检查你的 Base URL 是不是https://taotoken.net/api，有没有多加/v1。另外确认模型 ID 拼写正确，模型不存在时有些网关会返回非标准结构。

5.4 OAuth 相关报错

如果你在 A2A 或 MCP 里启用了 OAuth 鉴权，可能遇到invalid_token或token expired。这类报错和模型 Key 无关，是 Agent 之间的鉴权问题。排查时先确认 A2A Server 的 Agent Card 里securitySchemes配置是否和 Client 侧一致。如果只是本地调试，可以先把 OAuth 关掉，用明文 HTTP 跑通链路，再逐步加鉴权。

5.5 报错速查表

排查时记住一个原则：先隔离层级。模型报错就单独 curl 模型接口，MCP 报错就单独跑 Server，A2A 报错就单独发 JSON-RPC。把跨层问题拆成单层问题，定位速度会快很多。

6. 把统一 Key 接入你的 Agent 链路

走到这里，你应该已经有一条能跑通的链路了。最后说几个实操建议，帮你把这套配置用到真实项目里。

第一，Key 只配一处。所有 Agent、MCP Server、A2A Server 都从环境变量读同一份TAOTOKEN_API_KEY和TAOTOKEN_BASE_URL。这样换额度或换模型时，只改一个地方。如果你用 Docker 部署，把这两个变量写进docker-compose.yml的environment段。

第二，模型 ID 按角色分。规划 Agent 用推理强的模型，写作 Agent 用长文本好的模型，工具解析用轻量模型。这些都在 TaoToken 的模型列表里选，配置时只改TAOTOKEN_MODEL一个值。

第三，A2A 的 Agent Card 要写清楚 skills。主 Agent 靠 skills 做路由决策，描述越准确，派活越不容易出错。我一般会在 description 里写清楚输入输出格式，比如"输入主题字符串，返回包含 title 和 content 的 JSON"。

第四，MCP Server 尽量无状态。工具调用不要依赖本地文件或内存状态，所有上下文通过参数传入。这样多个 Agent 并发调用时不会互相干扰。

如果你在接入过程中卡在鉴权或通道配置上，可以直接去 API Keys 页面 https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api-keys&utm_campaign=rewrite 重新生成一个 Key 对比测试，或者翻接入文档 https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite 里的完整示例。想先验证模型通不通，用模型对话页面 https://taotoken.net/models?utm_source=taotoken_aicg_blog_end&utm_content=models&utm_campaign=rewrite 发一条消息最快。长期跑编码类 Agent 任务的话，Coding Plan https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding-plan&utm_campaign=rewrite 能把额度规划得更稳。

最后提醒一句：MCP 和 A2A 的配置里，Base URL 永远是https://taotoken.net/api，不带/v1，不带查询参数。这一条记牢，能省掉你一半的排查时间。