企业官网建设流程全解析

1. 从 Ollama 切到远程兼容通道，MCP 客户端为什么突然 401

你手里这套 LlamaIndex + SQLite MCP 的代码，原本跑得好好的：Ollama(model="deepseek-r1:latest", base_url="http://localhost:11434")，本地模型随叫随到，add_data、get_data两个 FunctionTool 也能被智能体正常调用。直到某天你想把模型换成远程兼容通道，改完base_url一跑，控制台直接甩出401 Unauthorized，智能体连工具都没来得及发现就挂了。

这个报错在 MCP 客户端场景里特别典型，因为 LlamaIndex 的 LLM 层和 Agent 层是两套东西：LLM 层负责发 HTTP 请求，Agent 层负责解析工具调用。401 一定发生在 LLM 层，也就是请求还没到「发现工具」那一步就被挡回来了。常见原因就三个：把官网地址当成了 Base URL、Key 没配或配错位置、地址末尾多写了/v1导致路径拼接错位。

这篇按排障视角来写，前提是 SQLite MCP 服务器和 FunctionTool 包装器完全不动，只改「设置本地大语言模型」这一步的认证来源。改完之后，MCP 客户端能正常发模型请求，再让它去发现add_data/get_data。适合已经跑通本地 Ollama 版本、想切远程兼容通道却被 401 卡住的同学。

2. 前置准备：Key 从哪来，Base URL 到底填什么

先把认证来源这件事说清楚。远程兼容通道需要一个 Key，这个 Key 在 TaoToken 官网创建：https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= 。注意这个带 UTM 的地址是给你在浏览器里打开用的，不要把它填进代码里的base_url，否则请求路径会变成一堆查询参数，必然 401。

代码里要填的 Base URL 是：https://taotoken.net/api。这里有个高频坑：很多人习惯性写成https://taotoken.net/api/v1，因为 OpenAI 风格的习惯就是带/v1。但 LlamaIndex 的兼容层在拼接具体端点时会自己补路径，你多写一个/v1，最终请求就变成了/api/v1/v1/chat/completions这类畸形路径，服务端认不出来，返回 401 或 404。所以记住一句话：Base URL 到/api为止，不要带/v1。

Key 的创建入口在控制台的 API Keys 页面，走这个 deep link：https://taotoken.net/console/api-keys?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= 。创建完复制出来，形如sk-开头的一串字符。接入文档在 https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，里面写了兼容端点的具体路径和参数，排障时对着看最快。

注意：Key 只放环境变量或本地配置文件，别硬编码进要提交的代码里。下面示例统一用os.environ读取。

3. 可复制配置：只改 LLM 这一步，MCP 服务器和工具不动

3.1 保留 SQLite MCP 服务器与 FunctionTool

这部分和原来完全一致，一个字都不用改。SQLiteMCPServer负责add_data/get_data，create_mcp_tools把它们包成FunctionTool。你只需要确认这两个函数还在，智能体侧的工具列表没被动过：

from llama_index.core.tools import FunctionTool from typing import Optional, List def create_mcp_tools(server) -> List[FunctionTool]: def add_player_data(name: str, sport: str, achievements: str = "") -> str: result = server.add_data(name, sport, achievements) return f"成功添加 {name}" if result["success"] else f"添加失败: {result['error']}" def get_player_data(sport: Optional[str] = None) -> str: result = server.get_data(sport) if not result["success"]: return f"查询失败: {result['error']}" if result["count"] == 0: return "暂无符合条件的运动员数据" return "\n".join(f"{p['name']} / {p['sport']} / {p['achievements']}" for p in result["data"]) return [ FunctionTool.from_defaults(fn=add_player_data, name="add_data", description="向数据库添加运动员信息"), FunctionTool.from_defaults(fn=get_player_data, name="get_data", description="从数据库查询运动员信息"), ]

3.2 把 LLM 从 Ollama 换成远程兼容通道

这是本篇唯一要动的地方。原来setup_local_llm()返回的是Ollama实例，现在换成OpenAILike，因为兼容通道走的是 OpenAI 风格协议。关键参数就三个：api_base、api_key、model。

import os from llama_index.llms.openai_like import OpenAILike def setup_remote_llm(): """配置远程兼容通道的 LLM，替代原来的 Ollama""" llm = OpenAILike( model="deepseek-r1", # 按接入文档里的模型名填 api_base="https://taotoken.net/api", # 到 /api 为止，不要带 /v1 api_key=os.environ["TAOTOKEN_API_KEY"], # 从环境变量读，别硬编码 temperature=0.1, request_timeout=120.0, is_chat_model=True, ) return llm

对照一下改动前后的差异，方便你确认自己没改错：

3.3 环境变量与智能体组装

Key 通过环境变量注入，避免写死在代码里：

export TAOTOKEN_API_KEY="sk-你的Key"

智能体组装逻辑不变，只是把setup_local_llm()换成setup_remote_llm()：

from llama_index.core.agent import FunctionCallingAgent from llama_index.core.memory import ChatMemoryBuffer def create_mcp_agent(mcp_server): llm = setup_remote_llm() tools = create_mcp_tools(mcp_server) agent = FunctionCallingAgent.from_tools( tools=tools, llm=llm, system_prompt=SYSTEM_PROMPT, memory=ChatMemoryBuffer.from_defaults(token_limit=4000), verbose=True, ) return agent

4. 验证请求：先确认模型通了，再让它发现工具

排障要分层验证，别一上来就跑完整对话。先单独测 LLM 层，确认 401 没了：

from llama_index.llms.openai_like import OpenAILike import os llm = OpenAILike( model="deepseek-r1", api_base="https://taotoken.net/api", api_key=os.environ["TAOTOKEN_API_KEY"], is_chat_model=True, ) resp = llm.complete("用一句话说明什么是 MCP") print(resp)

这一步能打印出正常文本，说明 Key、Base URL、模型名三者都对上了，401 已经解决。如果这里还报 401，直接跳到第 5 节排查。

LLM 层通了之后，再跑智能体，让它去发现并调用工具：

agent = create_mcp_agent(mcp_server) print(agent.chat("添加拉斐尔·纳达尔，网球运动员，22个大满贯冠军")) print(agent.chat("显示所有运动员信息"))

verbose=True会打印出工具调用过程，你能看到智能体先决定调用add_data，再调用get_data。成功时输出类似：

成功添加 拉斐尔·纳达尔 拉斐尔·纳达尔 / 网球 / 22个大满贯冠军

到这一步，说明 MCP 客户端的模型请求和工具发现链路都通了。想单独验证模型对话是否稳定，可以走模型对话入口：https://taotoken.net/chat?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，用同一个 Key 在网页里发几条消息，和代码里的表现对照着看。

5. 本篇常见错排查：401 的四种典型成因

5.1 把官网地址填进了 base_url

最常见的错误。有人直接把带 UTM 的官网地址粘进api_base，请求就变成了对官网首页发 POST，服务端当然不认。记住：浏览器里打开的官网地址和代码里的 Base URL 是两回事，代码里只填https://taotoken.net/api。

5.2 Base URL 多写了 /v1

https://taotoken.net/api/v1是高频手误。LlamaIndex 的兼容层会自己拼端点路径，你多写/v1就变成双重路径。判断方法：把api_base打印出来，确认结尾是/api而不是/api/v1。

5.3 Key 没读到或读错

os.environ["TAOTOKEN_API_KEY"]如果环境变量没导出，会直接抛KeyError；如果导出的是空字符串，请求头里就是空 Key，服务端返回 401。排查时先打印os.environ.get("TAOTOKEN_API_KEY")的前几位，确认非空且以sk-开头。另外注意别把 Key 写进带 UTM 的链接里当参数传，Key 只走请求头。

5.4 模型名和接入文档对不上

模型名写错有时也会表现为 401 或 404。对照接入文档里的模型列表填，别凭记忆写。如果llm.complete()单独测试就报错，优先怀疑模型名。

提示：排障顺序永远是「先测 LLM 层，再测 Agent 层」。LLM 层没过，别去调工具，否则会把 401 和工具报错混在一起，越查越乱。

6. 长期跑编码和 Agent 任务，怎么把 Key 管明白

单次排障用环境变量就够了，但如果你打算长期用这套 MCP 客户端跑编码或 Agent 任务，Key 的管理方式值得提前规划。频繁手动导出环境变量容易漏，建议写进 shell 配置文件或项目的.env，用python-dotenv加载。多项目共用时，给每个项目单独建 Key，方便按项目排查和回收。

如果你的场景是长期编码、Agent 自动化这类持续消耗，可以看下 Coding Plan：https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，比单次按量更适合稳定跑量的用法。ClaudeCode 相关的接入说明在 https://taotoken.net/claudecode-anthropic?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，如果你后面要把 MCP 客户端接到编码工具链上，那份文档能省不少试错。

回到本篇的核心：401 不是玄学，就是 Base URL、Key、路径这三件事里有一件没对上。把api_base固定成https://taotoken.net/api、Key 从环境变量读、模型名对着文档填，MCP 客户端的模型请求就能通，add_data/get_data也就能被正常发现和调用了。