企业官网建设流程全解析

1. LangGraph 接 MCP 服务，为什么 Key 管理会先崩

LangGraph 做多 Agent 工作流时，MCP 服务是绕不开的一环。它能把外部工具、数据源、本地脚本统一成模型可调用的 tool 列表，让ToolNode直接消费。但真正落地时，最先出问题的往往不是图怎么连，而是 Key 怎么管。

一个典型场景：你的 LangGraph 工作流里同时挂了三个 MCP 服务——一个查天气的远程服务、一个本地菜谱服务、一个内部知识库服务。每个服务背后可能对应不同的模型供应商，DeepSeek、通义、Claude 各一套 Key。如果每个服务单独配 Key，代码里就会散落一堆openai_api_key、api_key、token字段，换环境时逐个改，漏一个就 401。

TaoToken 在这里的角色是统一入口。它把多家模型的调用收敛到一个 API 地址和一把 Key 上，LangGraph 侧只需要认一个base_url和一个api_key。MCP 服务本身不关心你用的是哪家模型，它只负责暴露工具；模型调用统一走 TaoToken，Key 管理就从「N 个服务 N 套 Key」变成「一个 config.toml 管全部」。

这篇面向的是已经在写 LangGraph、准备把 MCP 服务接进工作流的开发者。目标很具体：给出一份可复制的config.toml配置骨架，用 TaoToken 统一 Key 接入，再跑一次 MCP 服务连通性验证，让整条调用链一次配置跑通。

适合谁：手上有 LangGraph 项目、正在被多服务 Key 困扰、希望配置和代码分离的人。如果你还没开始写 LangGraph，建议先把StateGraph和ToolNode的基本用法跑一遍再回来。

2. TaoToken 前置：拿 Key、认地址、定模型

在写 config.toml 之前，先把三件事定下来：API Key、API 地址、默认模型名。这三样是后面所有配置的锚点。

TaoToken 的 API 地址是https://taotoken.net/api，注意这个地址不带任何查询参数，直接作为 OpenAI 兼容的base_url使用。Key 在控制台的 API Keys 页面创建，创建后只显示一次，复制到安全的地方。

模型名这块要留意：TaoToken 走的是 OpenAI 兼容协议，所以 LangGraph 里用ChatOpenAI就能接，model字段填你实际要用的模型标识。不同模型在工具调用能力上有差异，LangGraph 的bind_tools依赖模型返回结构化的tool_calls，选模型时优先选工具调用支持稳定的。

提示：Key 不要硬编码进 Python 文件。这篇的骨架会把 Key 放进 config.toml，代码只读配置。这样换 Key 不用改代码，也不会误提交到仓库。

如果你还没创建 Key，可以先去控制台建一个，顺手把模型对话页面打开，确认 Key 能正常调通再往下走。这一步花两分钟，能省掉后面排查 401 的时间。

3. config.toml 配置骨架：一份文件管住 Key 和 MCP 服务

下面这份config.toml是整篇的核心。它分三块：模型接入、MCP 服务注册、运行时参数。你可以直接复制，把占位符换成自己的值。

# config.toml # LangGraph + MCP 服务统一配置骨架 [llm] # TaoToken 统一入口，OpenAI 兼容协议 base_url = "https://taotoken.net/api" api_key = "sk-your-taotoken-key" model = "your-model-name" temperature = 0 [mcp.servers.weather] # 远程 MCP 服务示例 url = "https://mcpstore.wiki/mcp" transport = "streamable-https" timeout = 30 [mcp.servers.howtocook] # 本地 MCP 服务示例，通过 npx 启动 command = "npx" args = ["-y", "howtocook-mcp"] timeout = 60 [runtime] # 服务等待超时，本地服务启动慢可以调大 wait_timeout = 60 # 是否在启动时打印服务状态 verbose = true

这份骨架的设计思路是「配置归配置，代码归代码」。[llm]段只认 TaoToken 的地址和 Key，MCP 服务段只描述服务怎么连，两者解耦。你新增一个 MCP 服务，只加一个[mcp.servers.xxx]段，不用动 Python。

读取配置用标准库tomllib（Python 3.11+）或tomli：

import tomllib with open("config.toml", "rb") as f: config = tomllib.load(f) llm_cfg = config["llm"] mcp_cfg = config["mcp"]["servers"]

拿到配置后，模型侧这样初始化：

from langchain_openai import ChatOpenAI llm = ChatOpenAI( temperature=llm_cfg["temperature"], model=llm_cfg["model"], openai_api_key=llm_cfg["api_key"], openai_api_base=llm_cfg["base_url"], )

注意openai_api_base填的是https://taotoken.net/api，不要在后面拼/v1或别的路径，OpenAI 兼容客户端会自己处理。这一步配错，最常见的表现是 404 而不是 401，排查时先看地址。

MCP 服务侧，用 MCPStore 把 config.toml 里的服务注册进去：

from mcpstore import MCPStore store = MCPStore.setup_store() for name, svc in mcp_cfg.items(): if "url" in svc: store.for_store().add_service({ "name": name, "url": svc["url"], "transport": svc.get("transport", "streamable-https"), }) else: store.for_store().add_service({ "name": name, "command": svc["command"], "args": svc["args"], }) store.for_store().wait_service(name, timeout=svc.get("timeout", 30))

这段代码把「远程 URL 服务」和「本地命令服务」两种形态统一处理。远程服务走url，本地服务走command + args，和主流 MCP 客户端的 json 配置格式一致，迁移成本低。

4. 验证请求：一次跑通 LangGraph 调用链

配置写完，先别急着搭复杂的图。用最小可运行例子验证 MCP 服务是否真的连通、工具是否真的能被模型调用。

先验证工具列表能拿到：

tools = store.for_store().for_langgraph().list_tools() print(f"loaded tools: {len(tools)}") for t in tools: print("-", t.name)

如果这里len(tools)是 0，说明服务注册了但工具没拉下来，先查服务状态，别往下走。

工具列表正常后，搭一个最小的 LangGraph 图：

from typing import Annotated, TypedDict from langchain_core.messages import HumanMessage from langgraph.graph import StateGraph, END from langgraph.prebuilt import ToolNode from langgraph.graph.message import add_messages model_with_tools = llm.bind_tools(tools) tool_node = ToolNode(tools) class AgentState(TypedDict): messages: Annotated[list, add_messages] def call_model(state: AgentState): response = model_with_tools.invoke(state["messages"]) return {"messages": [response]} def should_continue(state: AgentState): last = state["messages"][-1] if hasattr(last, "tool_calls") and last.tool_calls: return "tools" return END workflow = StateGraph(AgentState) workflow.add_node("agent", call_model) workflow.add_node("tools", tool_node) workflow.set_entry_point("agent") workflow.add_conditional_edges("agent", should_continue, {"tools": "tools", END: END}) workflow.add_edge("tools", "agent") app = workflow.compile()

跑一次：

query = "帮我查一下北京今天的天气" result = app.invoke({"messages": [HumanMessage(content=query)]}) for msg in result["messages"]: if hasattr(msg, "tool_calls") and msg.tool_calls: print("tool_calls:", [tc["name"] for tc in msg.tool_calls]) if hasattr(msg, "content") and msg.content: print("content:", msg.content)

成功的标志有两个：一是输出里出现tool_calls，说明模型正确识别了 MCP 工具；二是最终content里包含工具返回的数据，说明整条链路——模型调用走 TaoToken、工具调用走 MCP 服务——都通了。

实测下来，最容易卡住的是模型没返回tool_calls。这通常不是 MCP 的问题，而是模型本身工具调用能力弱，或者bind_tools传进去的 schema 有问题。先打印tools[0]看结构，再换一个工具调用稳定的模型试。

5. 本篇常见错排查

报错一：401 Unauthorized。先查 config.toml 里的api_key有没有多余空格，再确认 Key 是否已过期。TaoToken 的 Key 在控制台可以重新生成，生成后记得同步更新配置文件。如果代码里还残留旧的硬编码 Key，会覆盖配置，检查一下。

报错二：404 Not Found。九成是base_url写错了。正确值是https://taotoken.net/api，不要加/v1，不要加尾部斜杠。有些教程会让你拼/v1/chat/completions，那是直接发 HTTP 请求的写法，用ChatOpenAI时不需要。

报错三：MCP 服务 wait_service 超时。本地服务通过npx启动时，首次运行要下载包，60 秒可能不够。把[mcp.servers.xxx]里的timeout调到 120，或者先在终端手动跑一次npx -y howtocook-mcp把包缓存下来。远程服务超时通常是网络问题，确认 URL 可访问。

报错四：tools 列表为空。服务注册成功但工具拉不下来，常见原因是transport字段和服务实际协议不匹配。远程服务如果用的是 SSE，transport要写sse；如果是 streamable-https，就写streamable-https。不确定时先不写transport，让客户端自动推断。

报错五：模型返回了 tool_calls 但 ToolNode 执行报错。这通常是工具参数 schema 和模型生成的参数对不上。打印msg.tool_calls看模型传了什么，再对比tools里对应工具的args_schema。MCP 服务返回的 schema 如果嵌套层级深，模型容易填错，可以在工具描述里补一句参数说明。

报错六：换环境后全部 401。说明 Key 没跟着配置走。检查.gitignore有没有把config.toml排除，以及 CI/CD 里是否通过环境变量注入了 Key。推荐做法是 config.toml 里写占位符，运行时用环境变量覆盖：

import os llm_cfg["api_key"] = os.environ.get("TAOTOKEN_API_KEY", llm_cfg["api_key"])

6. 配置跑通之后，往哪走

到这一步，你应该已经有一份能跑的 config.toml、一个能列出 MCP 工具的 store、一张能调用工具的 LangGraph 图。整条链路的关键点就三个：TaoToken 统一 Key 收敛了模型调用，config.toml 把配置和代码分离，MCPStore 把服务生命周期管住。

接下来如果要做长期编码或 Agent 项目，建议把 Key 和模型配置进一步收敛到 Coding Plan，按项目维度管理调用额度，避免多个项目共用一把 Key 时互相干扰。如果只是想验证某个模型在工具调用上的表现，可以直接在模型对话页面切换模型试，不用改代码。

接入文档里有完整的参数说明和更多 MCP 服务注册示例，遇到 config.toml 字段不确定的地方可以对照查。API Keys 页面则是 Key 出问题时第一个要去的地方——重新生成、复制、更新配置，三步解决大部分 401。

最后留一个实用习惯：每次新增 MCP 服务后，先单独跑list_tools()确认工具能拉下来，再往图里加。这个动作花十秒，能避免把服务注册问题和图编排问题混在一起排查。