1. 先把三个概念摆到同一张桌子上刚接触 Agent 开发的人最容易在 SKILL.md、MCP 和工具调用这三个词上打转。它们经常出现在同一份配置文件里甚至同一个报错信息中但职责完全不同。你可以先记住一句话工具调用是 Agent 的“手”MCP 是给这双手接上外部设备的“标准接口”而 SKILL.md 是告诉 Agent“什么时候该用哪只手、按什么顺序用”的操作手册。我见过不少项目把三者混着写结果 Agent 要么该调工具时不调要么调了工具却不知道下一步干什么。问题不在模型能力而在职责边界没划清。这篇就按“概念辨析 → 配置骨架 → 跑通验证 → 排错”的顺序带你在本地跑通一个最小 Agent 示例配置里统一用 TaoToken 的 Key 接入模型避免在多个供应商之间来回切换。适合谁看写过一点 Python 或 Node用过 OpenAI 兼容接口但对 Agent 的 Skill 机制还没建立完整认知的工程师。读完你应该能自己写一个 SKILL.md配好 MCP Server并让 Agent 完成一次“读文件 → 分析 → 输出结构化结果”的完整链路。2. 三者职责边界一张表说清谁管什么先把最容易混淆的地方拆开。工具调用Function Calling / Tool Use是模型层面的一种能力你给模型一份工具描述列表模型在需要时返回一个结构化的调用请求由你的代码去执行再把结果塞回对话。它解决的是“模型能不能表达我要调某个函数”。MCPModel Context Protocol是一套连接协议规定了 AI 应用如何发现、调用外部工具和数据源。它把“工具从哪来、怎么描述、怎么调用”标准化了。以前你每个项目都要手写工具 schema现在一个 MCP Server 可以被多个客户端复用。SKILL.md 则是任务层的说明书。它不提供新能力而是规定某类任务的触发条件、执行步骤、约束和输出格式。它可能引用 MCP 提供的工具也可能只依赖内置工具。维度工具调用MCPSKILL.md解决的问题模型如何表达调用意图工具如何被标准化连接任务如何被复用执行所在层模型 API 层协议/连接层任务编排层是否提供新能力否只是调用通道是接入外部能力否组织已有能力典型载体JSON schemaServer 进程 配置Markdown 文件谁消费模型客户端/AgentAgent一句话总结协作方式SKILL.md 说“先读变更文件再跑测试失败就停”MCP 提供“读文件”和“跑测试”这两个工具工具调用让模型真正发出调用请求Agent 负责把整条链路串起来。注意Skill 本身不产生底层能力。如果 Agent 没有文件读取工具再详细的 SKILL.md 也读不了本地文件。3. TaoToken 前置统一 Key 与接入地址在写配置之前先把模型接入层固定下来。多模型测试时最烦的是每个客户端都要单独填 Key 和 Base URLTaoToken 提供一个兼容 OpenAI 接口的统一入口你只需要维护一份 Key。先到控制台创建 API Key控制台入口https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewriteAPI Key 管理https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi-keysutm_campaignrewrite创建后你会拿到一个以sk-开头的 Key。Base URL 统一用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。模型名称按你实际要测的填比如claude-sonnet-4-5或gpt-4o这类具体以控制台模型列表为准。如果你要长期跑编码类 Agent可以了解 Coding PlanCoding Planhttps://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite接入文档在这里配置字段有疑问时对照看接入文档https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite4. 可复制配置骨架settings.json 与 config.toml下面给两份骨架一份给类 Claude Code 的客户端settings.json一份给通用 Agent 项目config.toml。字段名按你实际用的工具微调结构可以直接抄。4.1 settings.json 骨架{ model: { provider: openai-compatible, base_url: https://taotoken.net/api, api_key: sk-你的Key, model_name: claude-sonnet-4-5, max_tokens: 4096, temperature: 0.2 }, agent: { skills_dir: ./skills, enable_mcp: true, mcp_servers: { filesystem: { command: npx, args: [-y, modelcontextprotocol/server-filesystem, ./workspace] } }, max_steps: 12, require_confirmation: [write_file, run_command] } }这里几个关键点base_url指向 TaoToken 的 API 地址skills_dir告诉 Agent 去哪加载 SKILL.mdmcp_servers里注册了一个文件系统 MCP Serverrequire_confirmation把写文件和执行命令列为需要人工确认的高风险操作。4.2 config.toml 骨架[model] provider openai-compatible base_url https://taotoken.net/api api_key sk-你的Key model_name claude-sonnet-4-5 max_tokens 4096 [agent] skills_dir ./skills max_steps 12 [agent.mcp.filesystem] command npx args [-y, modelcontextprotocol/server-filesystem, ./workspace] [agent.mcp.git] command uvx args [mcp-server-git, --repository, ./workspace]TOML 版本更适合 Python 项目[agent.mcp.xxx]这种嵌套写法在解析时直接映射成字典读起来比 JSON 清爽。4.3 配套的 SKILL.md在./skills/code-review/SKILL.md放一份最小技能--- name: code-review description: 检查指定目录下的代码变更输出结构化审查报告。 --- # 代码审查 ## 使用场景 当用户要求检查代码变更、审查提交或评估代码质量时使用。 ## 执行步骤 1. 通过 filesystem 工具读取目标目录下的变更文件。 2. 逐个文件检查安全、性能和兼容性问题。 3. 按严重程度排序标注文件名和行号。 4. 没有发现问题时明确说明。 ## 约束 - 不得虚构文件内容或行号。 - 不确定的问题标记为“待确认”。 - 未经用户允许不直接修改文件。 ## 输出格式 ### 严重问题 - 文件:行号 | 问题 | 建议 ### 一般问题 - 文件:行号 | 问题 | 建议 ### 待确认 - 原始描述 | 需要核实的内容这份 SKILL.md 没有一行代码但它把“怎么审、审什么、输出成什么样”固定下来了。Agent 加载后遇到代码审查类任务就会按这个流程走。5. 验证请求跑通一次工具调用链路配置写好后用一段最小 Python 脚本验证整条链路。这里不依赖具体 Agent 框架直接用 OpenAI SDK 模拟一次“模型决定调工具 → 执行 → 回传结果”的循环。import json from openai import OpenAI client OpenAI( base_urlhttps://taotoken.net/api, api_keysk-你的Key ) tools [ { type: function, function: { name: read_file, description: 读取指定路径的文件内容, parameters: { type: object, properties: { path: {type: string, description: 文件路径} }, required: [path] } } } ] messages [ {role: system, content: 你是代码审查助手按 SKILL.md 流程执行。}, {role: user, content: 请读取 workspace/demo.py 并检查是否有明显问题。} ] resp client.chat.completions.create( modelclaude-sonnet-4-5, messagesmessages, toolstools, tool_choiceauto ) choice resp.choices[0].message print(模型返回:, choice.content) if choice.tool_calls: for call in choice.tool_calls: print(工具调用:, call.function.name, call.function.arguments)运行后你会看到模型返回一个tool_calls里面包含read_file和参数{path: workspace/demo.py}。这说明模型正确理解了工具描述并发出调用请求。接下来你的 Agent 代码执行这个读取把文件内容作为role: tool的消息塞回对话再请求一次模型它就会按 SKILL.md 的格式输出审查报告。成功标志有三个模型发出了正确的工具名、参数路径对得上、第二轮返回的内容符合 SKILL.md 里定义的输出结构。三个都满足说明 Skill MCP 工具调用这条链路是通的。想直接在对话里验证模型对 Skill 的理解可以用模型对话入口模型对话https://taotoken.net/chat?utm_sourcetaotoken_aicg_blog_endutm_contentchatutm_campaignrewrite6. 本篇常见错排查报错一tool_calls为空模型直接回答。多数是工具描述太模糊或者tool_choice设成了none。把description写具体比如“读取指定路径的文本文件内容返回字符串”再确认tool_choiceauto。报错二MCP Server 启动失败提示 command not found。npx或uvx不在 PATH 里。在终端先手动跑一遍npx -y modelcontextprotocol/server-filesystem ./workspace能起来再写进配置。Windows 下路径用双反斜杠或正斜杠。报错三SKILL.md 没被加载。检查skills_dir是否指向包含 SKILL.md 的父目录而不是 SKILL.md 本身。多数客户端要求每个技能一个子目录目录名和name字段一致。报错四401 或 403。Key 没填对或者base_url多写了/v1。TaoToken 的地址就是https://taotoken.net/api不要自己拼路径。Key 泄露了就去控制台重新生成。报错五Agent 反复调用同一个工具停不下来。在 SKILL.md 里加一条约束“同一文件最多读取一次失败后停止并报告”同时把max_steps调小到 8 左右。报错六输出格式和 SKILL.md 不一致。模型指令遵循能力差异导致的。换一个指令遵循更强的模型或者在 system prompt 里再强调一次“严格按 SKILL.md 的输出格式返回”。排障时如果怀疑是接入层问题对照接入文档逐字段核对接入文档https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite7. 继续往下走从最小示例到可维护 Skill跑通最小示例后下一步是把 Skill 当代码管理。用 Git 跟踪 SKILL.md 的每次修改给每个技能配几个典型输入和预期输出作为回归测试。规则保持单一一个 Skill 只干一件事代码审查和自动修复不要塞进同一个文件。需要长期跑编码类 Agent 的话Coding Plan 提供了更稳定的调用配额Coding Planhttps://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite涉及写文件、执行命令、发布内容的步骤始终保留人工确认。Skill 写得再完整也不该绕过这条边界。真正可靠的 Agent不是能自动做最多事而是清楚什么时候该停下来问一句。