1. 为什么大模型“自己调工具”总卡在最后一公里很多人第一次接触 MCP 协议是被“让大模型自己调用工具”这句话吸引的。听起来像是模型能主动去查天气、读文件、跑计算但真正动手时才发现模型本身并不能直接碰任何外部系统。它做的只是“决定要调用哪个工具、传什么参数”真正执行动作的是你写的应用层代码。我见过不少团队在这一步反复返工。有人把工具函数硬编码进 prompt靠正则去解析模型输出有人给每个工具单独写一套 JSON Schema模型一换就得重写还有人把工具调用逻辑和业务逻辑揉在一个文件里最后连自己都理不清哪段代码在干什么。这些做法在 demo 阶段能跑一旦工具数量超过三五个维护成本就直线上升。MCPModel Context Protocol要解决的就是这个标准化问题。你可以把它理解成大模型世界的 USB 接口只要工具按协议注册客户端就能自动发现、自动转换、自动调用不需要为每个模型单独适配。它底层走 JSON-RPC 2.0支持 Stdio 和 Streamable HTTP 两种传输方式。Stdio 适合本地进程间通信Streamable HTTP 适合远程或容器化场景。早期还有 SSE 传输但因为双端点架构复杂、和云原生环境兼容性差官方已经弃用新项目直接选前两种就行。这篇文章面向的是本地开发和自动化场景。我会带你从零搭一个 FastMCP 天气服务再用 LangChain 的 MCP 适配器把它接进 Agent最后跑一次端到端联调验证模型确实“自己”完成了工具调用。中间会给出可复制的配置片段、真实报错排查以及模型通道的统一接入方式。适合已经会写 Python、想让 Agent 真正干活的开发者。2. TaoToken 前置给 Agent 一条稳定的模型通道在写 MCP 服务端之前得先把模型通道准备好。因为整个链路里模型负责“决策调用哪个工具”如果模型请求本身不稳定后面工具调得再顺也没意义。我试过在本地直接填各家厂商的 Key切换模型时要改环境变量、改 base_url调试一次要动好几个地方。TaoToken 在这里的作用是提供统一的 Key 和 API 通道。你只需要一个 Key、一个 Base URL就能在 OpenAI 兼容的接口下切换不同模型不用为每个 provider 单独维护配置。对 MCP 这种需要反复联调的场景来说少改一处配置就少一个出错点。具体接入分三步。第一步去官网注册并拿到 API Keyhttps://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content第二步在控制台创建 Key路径是 API Keys 页面https://taotoken.net/console/api-keys?utm_sourcetaotoken_aicg_blog_endutm_campaignrewrite第三步把 Key 和 Base URL 写进项目根目录的.env文件。这里我用QWEN作为前缀和后面客户端代码里的config_prefix保持一致# .env QWEN_API_KEYsk-你的TaoToken密钥 QWEN_BASE_URLhttps://taotoken.net/api QWEN_MODELqwen-plus注意 Base URL 填https://taotoken.net/api不要带多余路径。模型 ID 按你实际要用的填控制台里能查到可用列表。如果你不确定该选哪个模型可以先去模型对话页面手动试一轮https://taotoken.net/model-chat?utm_sourcetaotoken_aicg_blog_endutm_campaignrewrite这一步的意义在于MCP 联调时你会反复重启服务、反复发请求如果模型通道本身要频繁改配置排查问题时很难判断是 MCP 链路的问题还是模型通道的问题。先把通道固定下来后面排错才有对照。另外提醒一点.env文件不要提交到 Git。可以在.gitignore里加上.env避免 Key 泄露。如果你在团队里协作建议每人用自己的 Key而不是共用一个。3. 可复制配置FastMCP 服务端 LangChain 客户端这一节是全文的核心所有代码都可以直接复制运行。先装依赖pip install fastmcp langchain-mcp-adapters langchain langchain-community python-dotenvfastmcp用来快速构建 MCP 服务端langchain-mcp-adapters让 LangChain 能连接并消费 MCP 工具。两者版本建议用当前最新稳定版避免协议字段不匹配。3.1 服务端注册 get_weather 工具新建mcp_weather_server.pyFastMCP 天气服务 from fastmcp import FastMCP mcp FastMCP(天气服务) mcp.tool() def get_weather(city: str) - str: 获取指定城市的天气信息 Args: city: 城市名称如 北京、上海、广州 weather_data { 北京: 晴天气温 25°C湿度 40%, 上海: 多云气温 28°C湿度 65%, 广州: 小雨气温 30°C湿度 80%, 深圳: 阴天气温 29°C湿度 75%, } if city in weather_data: return f{city}天气{weather_data[city]} return f{city}天气晴气温 22°C湿度 50% if __name__ __main__: mcp.run(transportstreamable-http, host127.0.0.1, port8000) # 本地进程间通信可切换为 # mcp.run(transportstdio)这里有几个关键点。mcp.tool()装饰器把普通函数注册成 MCP 工具函数签名和 docstring 会自动生成工具描述模型就是靠这段描述判断“什么时候该调这个工具”。所以 docstring 要写清楚参数含义别偷懒。transportstreamable-http启动后服务端会在http://127.0.0.1:8000/mcp暴露 MCP 端点。如果你要跑 Stdio 模式把最后一行换成注释里的写法即可客户端配置也要相应调整。3.2 客户端用 MultiServerMCPClient 自动发现工具新建mcp_agent_client.pyLangChain MCP 客户端 - 连接 FastMCP 天气服务 import os import asyncio from dotenv import load_dotenv from langchain.agents import create_agent from langchain.chat_models import init_chat_model from langchain_core.tools import BaseTool from langchain_community.tools import WriteFileTool, ReadFileTool, ListDirectoryTool from langchain_mcp_adapters.client import MultiServerMCPClient load_dotenv() prefix QWEN model init_chat_model( model_provideropenai, configurable_fields[model, api_key, base_url], config_prefixprefix ).with_config({ configurable: { f{prefix}_model: os.getenv(f{prefix}_MODEL), f{prefix}_api_key: os.getenv(f{prefix}_API_KEY), f{prefix}_base_url: os.getenv(f{prefix}_BASE_URL) } }) class CalculateTool(BaseTool): name: str calculate description: str 计算数学表达式的值 def _run(self, expression: str) - str: try: return f计算结果: {eval(expression)} except Exception as e: return f计算错误: {str(e)} async def _arun(self, expression: str) - str: return self._run(expression) async def main(): client MultiServerMCPClient( { weather: { url: http://127.0.0.1:8000/mcp, transport: streamable_http } # stdio 模式 # weather: {command: python, args: [mcp_weather_server.py]} } ) mcp_tools await client.get_tools() calculate CalculateTool() write_file WriteFileTool() read_file ReadFileTool() list_dir ListDirectoryTool() agent create_agent( modelmodel, tools[calculate, write_file, read_file, list_dir] mcp_tools, system_prompt你是一个助手会用工具计算、读写文件、列出目录、查询天气。, debugTrue ) queries [ 北京天气怎么样, 计算 2024*12500然后把结果保存到 result.txt, 读取 result.txt 的内容, ] for q in queries: print(f\n问{q}) result await agent.ainvoke( {messages: [{role: user, content: q}]} ) print(f答{result[messages][-1].content}) if __name__ __main__: asyncio.run(main())await client.get_tools()是整段代码里最关键的一行。它会连上 MCP 服务端拉取所有已注册工具并自动转换成 LangChain 能识别的工具格式。你不需要手写 schema也不需要维护工具列表。新增工具时只要在服务端加一个mcp.tool()函数客户端重启后就能自动发现。3.3 配置对照表配置项Streamable HTTPStdio服务端启动mcp.run(transportstreamable-http, host, port)mcp.run(transportstdio)客户端字段urltransportcommandargs适用场景远程服务、容器、多客户端本地单进程、调试端点示例http://127.0.0.1:8000/mcp无 URL走标准输入输出注意两种模式的客户端配置字段不同混用会直接报连接错误。切换时记得同步改服务端和客户端。4. 验证请求跑一次端到端联调看结果配置写完后先启动服务端。开一个终端python mcp_weather_server.py看到类似Uvicorn running on http://127.0.0.1:8000的输出说明 MCP 服务已经起来了。再开另一个终端跑客户端python mcp_agent_client.py因为开了debugTrue你会看到 Agent 的完整决策过程。正常输出大致是这样问北京天气怎么样 答北京今天晴天气温 25°C湿度 40%。 问计算 2024*12500然后把结果保存到 result.txt 答计算结果是 24788已经保存到 result.txt。 问读取 result.txt 的内容 答result.txt 的内容是计算结果: 24788重点看第一条。模型并没有内置天气数据它是先判断“这个问题需要调用 get_weather”然后通过 MCP 客户端把请求转发给服务端服务端执行函数返回结果客户端再把结果注入对话模型最后用自然语言复述出来。整个过程对用户透明你只看到一句流畅的回答。如果你想确认工具确实被调用了可以在服务端的get_weather里加一行print(f收到查询{city})。客户端发请求时服务端终端会打印出来。这是最直接的验证方式比看日志猜要靠谱。再验证一下 Stdio 模式。把服务端最后一行改成mcp.run(transportstdio)客户端配置换成注释里的commandargs写法重新跑一遍。结果应该一致区别只是通信走的是标准输入输出不占端口。本地调试时 Stdio 更省事不用管端口冲突。如果你在验证模型通道时想单独测一下模型是否正常可以先去模型对话页面发一条消息确认https://taotoken.net/model-chat?utm_sourcetaotoken_aicg_blog_endutm_campaignrewrite通道正常后再跑 MCP 联调能把问题范围缩小到 MCP 链路本身。5. 本篇常见错排查401、local proxy failed、reading choices联调阶段最容易卡在几个固定报错上。下面按真实遇到的顺序列出来对照排查。401 Unauthorized。这个基本是 Key 或 Base URL 的问题。先检查.env里QWEN_API_KEY有没有多余空格再确认QWEN_BASE_URL填的是https://taotoken.net/api不要带/v1或结尾斜杠。如果 Key 是在控制台刚创建的确认没有复制错行。改完.env后要重启客户端环境变量不会热加载。local proxy failed / connection refused。这个报错通常出现在客户端连 MCP 服务端时。先确认服务端进程还在跑端口没被占用。用curl http://127.0.0.1:8000/mcp测一下端点是否可达。如果服务端用的是 Stdio 模式客户端却配了url也会报连接失败。检查两边 transport 是否一致。Error reading choices / 返回体解析失败。这个多半是模型通道返回了非预期格式。先确认model_provideropenai和 Base URL 匹配。如果模型 ID 填错有些通道会返回错误页而不是标准 JSONLangChain 解析时就报 reading choices。去控制台核对模型 ID或者换一个已知可用的模型再试。OAuth / 认证跳转。MCP 本身不涉及 OAuth如果你看到这类报错通常是模型通道或某个中间层配置了额外认证。检查.env里有没有残留的其他 provider 配置比如OPENAI_API_KEY之类避免被优先读取。工具被发现但没被调用。这种情况不是报错但结果不对。原因通常是工具 docstring 写得太模糊模型判断不出该不该调。把get_weather的 docstring 写清楚参数和用途模型的选择准确率会明显提升。排查时建议按“模型通道 → MCP 服务端 → 客户端配置”的顺序逐段验证。先用模型对话页面确认通道正常再用 curl 确认 MCP 端点可达最后跑客户端。这样每段都有独立验证不会混在一起。6. 把 MCP 接进长期编码与 Agent 工作流跑通一次天气服务只是起点。真正让 MCP 发挥价值的地方是把它接进日常的编码和自动化流程。比如你可以把文件读写、目录列举、代码执行这些能力都注册成 MCP 工具让 Agent 在一个统一协议下调度。新增能力时不用改客户端只要在服务端加函数。如果你打算长期跑 Agent 任务建议用 Coding Plan 这类按量通道避免频繁换 Key 打断工作流https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_campaignrewrite接入文档里有完整的 Base URL、Key 和 Model ID 三件套说明配置新项目时直接对照https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_campaignrewrite如果你用的是 Claude Code 这类工具Anthropic 兼容接入方式也有单独说明https://taotoken.net/ClaudeCodeAnthropic?utm_sourcetaotoken_aicg_blog_endutm_campaignrewrite回到 MCP 本身它的价值不在于某一次调用而在于把“模型发现工具、调用工具、拿回结果”这条链路标准化了。过去每个项目都要自己写胶水代码现在只要遵循协议、注册工具客户端就能自动适配。工具生态越丰富这套协议的优势越明显。你可以先从一两个本地工具开始跑顺之后再逐步扩展。
1. 为什么大模型“自己调工具”总卡在最后一公里很多人第一次接触 MCP 协议是被“让大模型自己调用工具”这句话吸引的。听起来像是模型能主动去查天气、读文件、跑计算但真正动手时才发现模型本身并不能直接碰任何外部系统。它做的只是“决定要调用哪个工具、传什么参数”真正执行动作的是你写的应用层代码。我见过不少团队在这一步反复返工。有人把工具函数硬编码进 prompt靠正则去解析模型输出有人给每个工具单独写一套 JSON Schema模型一换就得重写还有人把工具调用逻辑和业务逻辑揉在一个文件里最后连自己都理不清哪段代码在干什么。这些做法在 demo 阶段能跑一旦工具数量超过三五个维护成本就直线上升。MCPModel Context Protocol要解决的就是这个标准化问题。你可以把它理解成大模型世界的 USB 接口只要工具按协议注册客户端就能自动发现、自动转换、自动调用不需要为每个模型单独适配。它底层走 JSON-RPC 2.0支持 Stdio 和 Streamable HTTP 两种传输方式。Stdio 适合本地进程间通信Streamable HTTP 适合远程或容器化场景。早期还有 SSE 传输但因为双端点架构复杂、和云原生环境兼容性差官方已经弃用新项目直接选前两种就行。这篇文章面向的是本地开发和自动化场景。我会带你从零搭一个 FastMCP 天气服务再用 LangChain 的 MCP 适配器把它接进 Agent最后跑一次端到端联调验证模型确实“自己”完成了工具调用。中间会给出可复制的配置片段、真实报错排查以及模型通道的统一接入方式。适合已经会写 Python、想让 Agent 真正干活的开发者。2. TaoToken 前置给 Agent 一条稳定的模型通道在写 MCP 服务端之前得先把模型通道准备好。因为整个链路里模型负责“决策调用哪个工具”如果模型请求本身不稳定后面工具调得再顺也没意义。我试过在本地直接填各家厂商的 Key切换模型时要改环境变量、改 base_url调试一次要动好几个地方。TaoToken 在这里的作用是提供统一的 Key 和 API 通道。你只需要一个 Key、一个 Base URL就能在 OpenAI 兼容的接口下切换不同模型不用为每个 provider 单独维护配置。对 MCP 这种需要反复联调的场景来说少改一处配置就少一个出错点。具体接入分三步。第一步去官网注册并拿到 API Keyhttps://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content第二步在控制台创建 Key路径是 API Keys 页面https://taotoken.net/console/api-keys?utm_sourcetaotoken_aicg_blog_endutm_campaignrewrite第三步把 Key 和 Base URL 写进项目根目录的.env文件。这里我用QWEN作为前缀和后面客户端代码里的config_prefix保持一致# .env QWEN_API_KEYsk-你的TaoToken密钥 QWEN_BASE_URLhttps://taotoken.net/api QWEN_MODELqwen-plus注意 Base URL 填https://taotoken.net/api不要带多余路径。模型 ID 按你实际要用的填控制台里能查到可用列表。如果你不确定该选哪个模型可以先去模型对话页面手动试一轮https://taotoken.net/model-chat?utm_sourcetaotoken_aicg_blog_endutm_campaignrewrite这一步的意义在于MCP 联调时你会反复重启服务、反复发请求如果模型通道本身要频繁改配置排查问题时很难判断是 MCP 链路的问题还是模型通道的问题。先把通道固定下来后面排错才有对照。另外提醒一点.env文件不要提交到 Git。可以在.gitignore里加上.env避免 Key 泄露。如果你在团队里协作建议每人用自己的 Key而不是共用一个。3. 可复制配置FastMCP 服务端 LangChain 客户端这一节是全文的核心所有代码都可以直接复制运行。先装依赖pip install fastmcp langchain-mcp-adapters langchain langchain-community python-dotenvfastmcp用来快速构建 MCP 服务端langchain-mcp-adapters让 LangChain 能连接并消费 MCP 工具。两者版本建议用当前最新稳定版避免协议字段不匹配。3.1 服务端注册 get_weather 工具新建mcp_weather_server.pyFastMCP 天气服务 from fastmcp import FastMCP mcp FastMCP(天气服务) mcp.tool() def get_weather(city: str) - str: 获取指定城市的天气信息 Args: city: 城市名称如 北京、上海、广州 weather_data { 北京: 晴天气温 25°C湿度 40%, 上海: 多云气温 28°C湿度 65%, 广州: 小雨气温 30°C湿度 80%, 深圳: 阴天气温 29°C湿度 75%, } if city in weather_data: return f{city}天气{weather_data[city]} return f{city}天气晴气温 22°C湿度 50% if __name__ __main__: mcp.run(transportstreamable-http, host127.0.0.1, port8000) # 本地进程间通信可切换为 # mcp.run(transportstdio)这里有几个关键点。mcp.tool()装饰器把普通函数注册成 MCP 工具函数签名和 docstring 会自动生成工具描述模型就是靠这段描述判断“什么时候该调这个工具”。所以 docstring 要写清楚参数含义别偷懒。transportstreamable-http启动后服务端会在http://127.0.0.1:8000/mcp暴露 MCP 端点。如果你要跑 Stdio 模式把最后一行换成注释里的写法即可客户端配置也要相应调整。3.2 客户端用 MultiServerMCPClient 自动发现工具新建mcp_agent_client.pyLangChain MCP 客户端 - 连接 FastMCP 天气服务 import os import asyncio from dotenv import load_dotenv from langchain.agents import create_agent from langchain.chat_models import init_chat_model from langchain_core.tools import BaseTool from langchain_community.tools import WriteFileTool, ReadFileTool, ListDirectoryTool from langchain_mcp_adapters.client import MultiServerMCPClient load_dotenv() prefix QWEN model init_chat_model( model_provideropenai, configurable_fields[model, api_key, base_url], config_prefixprefix ).with_config({ configurable: { f{prefix}_model: os.getenv(f{prefix}_MODEL), f{prefix}_api_key: os.getenv(f{prefix}_API_KEY), f{prefix}_base_url: os.getenv(f{prefix}_BASE_URL) } }) class CalculateTool(BaseTool): name: str calculate description: str 计算数学表达式的值 def _run(self, expression: str) - str: try: return f计算结果: {eval(expression)} except Exception as e: return f计算错误: {str(e)} async def _arun(self, expression: str) - str: return self._run(expression) async def main(): client MultiServerMCPClient( { weather: { url: http://127.0.0.1:8000/mcp, transport: streamable_http } # stdio 模式 # weather: {command: python, args: [mcp_weather_server.py]} } ) mcp_tools await client.get_tools() calculate CalculateTool() write_file WriteFileTool() read_file ReadFileTool() list_dir ListDirectoryTool() agent create_agent( modelmodel, tools[calculate, write_file, read_file, list_dir] mcp_tools, system_prompt你是一个助手会用工具计算、读写文件、列出目录、查询天气。, debugTrue ) queries [ 北京天气怎么样, 计算 2024*12500然后把结果保存到 result.txt, 读取 result.txt 的内容, ] for q in queries: print(f\n问{q}) result await agent.ainvoke( {messages: [{role: user, content: q}]} ) print(f答{result[messages][-1].content}) if __name__ __main__: asyncio.run(main())await client.get_tools()是整段代码里最关键的一行。它会连上 MCP 服务端拉取所有已注册工具并自动转换成 LangChain 能识别的工具格式。你不需要手写 schema也不需要维护工具列表。新增工具时只要在服务端加一个mcp.tool()函数客户端重启后就能自动发现。3.3 配置对照表配置项Streamable HTTPStdio服务端启动mcp.run(transportstreamable-http, host, port)mcp.run(transportstdio)客户端字段urltransportcommandargs适用场景远程服务、容器、多客户端本地单进程、调试端点示例http://127.0.0.1:8000/mcp无 URL走标准输入输出注意两种模式的客户端配置字段不同混用会直接报连接错误。切换时记得同步改服务端和客户端。4. 验证请求跑一次端到端联调看结果配置写完后先启动服务端。开一个终端python mcp_weather_server.py看到类似Uvicorn running on http://127.0.0.1:8000的输出说明 MCP 服务已经起来了。再开另一个终端跑客户端python mcp_agent_client.py因为开了debugTrue你会看到 Agent 的完整决策过程。正常输出大致是这样问北京天气怎么样 答北京今天晴天气温 25°C湿度 40%。 问计算 2024*12500然后把结果保存到 result.txt 答计算结果是 24788已经保存到 result.txt。 问读取 result.txt 的内容 答result.txt 的内容是计算结果: 24788重点看第一条。模型并没有内置天气数据它是先判断“这个问题需要调用 get_weather”然后通过 MCP 客户端把请求转发给服务端服务端执行函数返回结果客户端再把结果注入对话模型最后用自然语言复述出来。整个过程对用户透明你只看到一句流畅的回答。如果你想确认工具确实被调用了可以在服务端的get_weather里加一行print(f收到查询{city})。客户端发请求时服务端终端会打印出来。这是最直接的验证方式比看日志猜要靠谱。再验证一下 Stdio 模式。把服务端最后一行改成mcp.run(transportstdio)客户端配置换成注释里的commandargs写法重新跑一遍。结果应该一致区别只是通信走的是标准输入输出不占端口。本地调试时 Stdio 更省事不用管端口冲突。如果你在验证模型通道时想单独测一下模型是否正常可以先去模型对话页面发一条消息确认https://taotoken.net/model-chat?utm_sourcetaotoken_aicg_blog_endutm_campaignrewrite通道正常后再跑 MCP 联调能把问题范围缩小到 MCP 链路本身。5. 本篇常见错排查401、local proxy failed、reading choices联调阶段最容易卡在几个固定报错上。下面按真实遇到的顺序列出来对照排查。401 Unauthorized。这个基本是 Key 或 Base URL 的问题。先检查.env里QWEN_API_KEY有没有多余空格再确认QWEN_BASE_URL填的是https://taotoken.net/api不要带/v1或结尾斜杠。如果 Key 是在控制台刚创建的确认没有复制错行。改完.env后要重启客户端环境变量不会热加载。local proxy failed / connection refused。这个报错通常出现在客户端连 MCP 服务端时。先确认服务端进程还在跑端口没被占用。用curl http://127.0.0.1:8000/mcp测一下端点是否可达。如果服务端用的是 Stdio 模式客户端却配了url也会报连接失败。检查两边 transport 是否一致。Error reading choices / 返回体解析失败。这个多半是模型通道返回了非预期格式。先确认model_provideropenai和 Base URL 匹配。如果模型 ID 填错有些通道会返回错误页而不是标准 JSONLangChain 解析时就报 reading choices。去控制台核对模型 ID或者换一个已知可用的模型再试。OAuth / 认证跳转。MCP 本身不涉及 OAuth如果你看到这类报错通常是模型通道或某个中间层配置了额外认证。检查.env里有没有残留的其他 provider 配置比如OPENAI_API_KEY之类避免被优先读取。工具被发现但没被调用。这种情况不是报错但结果不对。原因通常是工具 docstring 写得太模糊模型判断不出该不该调。把get_weather的 docstring 写清楚参数和用途模型的选择准确率会明显提升。排查时建议按“模型通道 → MCP 服务端 → 客户端配置”的顺序逐段验证。先用模型对话页面确认通道正常再用 curl 确认 MCP 端点可达最后跑客户端。这样每段都有独立验证不会混在一起。6. 把 MCP 接进长期编码与 Agent 工作流跑通一次天气服务只是起点。真正让 MCP 发挥价值的地方是把它接进日常的编码和自动化流程。比如你可以把文件读写、目录列举、代码执行这些能力都注册成 MCP 工具让 Agent 在一个统一协议下调度。新增能力时不用改客户端只要在服务端加函数。如果你打算长期跑 Agent 任务建议用 Coding Plan 这类按量通道避免频繁换 Key 打断工作流https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_campaignrewrite接入文档里有完整的 Base URL、Key 和 Model ID 三件套说明配置新项目时直接对照https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_campaignrewrite如果你用的是 Claude Code 这类工具Anthropic 兼容接入方式也有单独说明https://taotoken.net/ClaudeCodeAnthropic?utm_sourcetaotoken_aicg_blog_endutm_campaignrewrite回到 MCP 本身它的价值不在于某一次调用而在于把“模型发现工具、调用工具、拿回结果”这条链路标准化了。过去每个项目都要自己写胶水代码现在只要遵循协议、注册工具客户端就能自动适配。工具生态越丰富这套协议的优势越明显。你可以先从一两个本地工具开始跑顺之后再逐步扩展。
