1. 为什么你的 AI Agent 聊三句就“失忆”如果你正在用 Python 写 AI Agent大概率遇到过这种尴尬第一轮问“帮我查一下项目里 user_service.py 的登录逻辑”Agent 答得头头是道第二轮追问“那它的 token 过期时间在哪配置”它却像换了个人反问你“哪个文件”。这不是模型笨而是多轮上下文没有在 MCP Servers 与 AI Agent 之间正确传递。MCPModel Context Protocol解决的是“AI 怎么标准化地拿到外部数据和工具”的问题而连续对话解决的是“这些数据怎么在多轮里不丢”的问题。两者叠在一起才是能真正干活的 Agent。本文聚焦 Python 环境下 MCP Servers 与 AI Agent 的连续对话集成面向需要多轮上下文保持的开发者交付可复制的 MCP Server 配置骨架含 settings.json / config.toml 示例、TaoToken 统一 Key/API 通道接入步骤以及连续对话的验证动作与预期结果。读完你能自己搭一个“记得住上文、调得动工具”的 Python Agent。我试过把 MCP 的 session 和对话历史分开管理结果第二轮工具调用直接报session not found后来才理清MCP 管的是工具会话对话历史得由 Agent 侧自己维护并每轮注入。下面按这个思路一步步来。2. TaoToken 前置统一 Key 与 API 通道在写 MCP Server 之前先把模型通道固定下来。MCP Server 本身不产生模型能力它负责暴露工具和数据真正做推理的是背后的模型。用 TaoToken 的好处是一个 Key 走统一 API 通道Python 侧不用为每个模型改 base_url 和鉴权逻辑MCP Server 里读环境变量就行。官网入口https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentAPI 地址不带 UTMhttps://taotoken.net/api你需要先拿到 API Key再去控制台确认通道可用。相关 deep link模型对话验证模型是否通https://taotoken.net/model-chat?utm_sourcetaotoken_aicg_blog_endutm_contentmodel_chatutm_campaignrewriteAPI Keys 管理https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi_keysutm_campaignrewrite接入文档https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite控制台https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewrite注意Key 只放环境变量别写进 settings.json 提交到 Git。MCP Server 配置里用${TAOTOKEN_API_KEY}这种占位符引用。如果你后续要做长期编码或 Agent 常驻任务可以看 Coding Planhttps://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding_planutm_campaignrewrite3. 可复制配置MCP Server 骨架与 settings.json先建目录结构保持 MCP Server 和 Agent 分离mcp-agent-demo/ ├── mcp_server/ │ ├── server.py │ └── config.toml ├── agent/ │ ├── agent.py │ └── settings.json └── .env.env里放TAOTOKEN_API_KEY你的Key TAOTOKEN_BASE_URLhttps://taotoken.net/api3.1 MCP Server 的 config.tomlMCP Server 需要声明自己暴露哪些工具、连哪个模型通道。用 TOML 写配置Python 侧用tomllib3.11或tomli读[server] name demo-mcp-server version 0.1.0 transport stdio [model] provider taotoken base_url https://taotoken.net/api api_key_env TAOTOKEN_API_KEY default_model claude-3-5-sonnet [tools.file_reader] enabled true root ./workspace max_bytes 200000 [tools.shell] enabled falsetransport stdio表示 MCP Server 通过标准输入输出和 Agent 通信这是本地开发最省事的方式。api_key_env指向环境变量名而不是明文 Key。3.2 Agent 的 settings.jsonAgent 侧要配置“连哪个 MCP Server”和“对话历史怎么存”{ mcpServers: { demo: { command: python, args: [mcp_server/server.py], env: { TAOTOKEN_API_KEY: ${TAOTOKEN_API_KEY}, TAOTOKEN_BASE_URL: https://taotoken.net/api } } }, conversation: { max_turns: 20, persist_path: ./agent/history.jsonl, inject_tool_results: true } }max_turns控制注入模型的历史轮数persist_path把每轮对话落盘inject_tool_results决定工具返回结果是否回填进下一轮上下文——这个开关是连续对话能不能“记住工具结果”的关键。3.3 MCP Server 最小实现import json import os import sys import tomllib from pathlib import Path CONFIG_PATH Path(__file__).parent / config.toml def load_config(): with open(CONFIG_PATH, rb) as f: return tomllib.load(f) def handle_tool_call(name, arguments): cfg load_config() if name file_reader: root Path(cfg[tools][file_reader][root]).resolve() target (root / arguments[path]).resolve() if not str(target).startswith(str(root)): return {error: path out of root} return {content: target.read_text(encodingutf-8)[:cfg[tools][file_reader][max_bytes]]} return {error: funknown tool: {name}} def main(): for line in sys.stdin: line line.strip() if not line: continue msg json.loads(line) if msg.get(method) tools/call: result handle_tool_call(msg[params][name], msg[params].get(arguments, {})) print(json.dumps({id: msg[id], result: result}), flushTrue) elif msg.get(method) tools/list: print(json.dumps({id: msg[id], result: {tools: [file_reader]}}), flushTrue) if __name__ __main__: main()这段代码做了三件事读 config.toml、按 JSON-RPC 风格处理tools/list和tools/call、用flushTrue保证 stdio 实时通信。file_reader做了路径越界检查避免读到 workspace 之外的文件。4. 连续对话验证请求与预期结果配置写完先验证模型通道再验证 MCP 工具调用最后验证多轮上下文。4.1 验证模型通道import os from openai import OpenAI client OpenAI( api_keyos.environ[TAOTOKEN_API_KEY], base_urlos.environ[TAOTOKEN_BASE_URL], ) resp client.chat.completions.create( modelclaude-3-5-sonnet, messages[{role: user, content: 只回复两个字通了}], ) print(resp.choices[0].message.content)预期输出通了。如果报 401去 API Keys 页面确认 Key 状态如果报模型不存在去模型对话页面确认当前通道支持的模型名。4.2 验证 MCP 工具调用手动往 MCP Server 的 stdin 发一条echo {id:1,method:tools/call,params:{name:file_reader,arguments:{path:hello.txt}}} | python mcp_server/server.py预期输出类似{id: 1, result: {content: hello mcp}}4.3 验证连续对话这是核心。Agent 侧维护一个messages列表每轮把工具结果以role: tool或role: user回填import json from openai import OpenAI client OpenAI(api_keyos.environ[TAOTOKEN_API_KEY], base_urlos.environ[TAOTOKEN_BASE_URL]) history [] def chat(user_input, tool_resultNone): history.append({role: user, content: user_input}) if tool_result: history.append({role: user, content: f[工具返回] {tool_result}}) resp client.chat.completions.create( modelclaude-3-5-sonnet, messageshistory[-20:], ) answer resp.choices[0].message.content history.append({role: assistant, content: answer}) return answer print(chat(记住一个数字42)) print(chat(我刚才让你记的数字是多少))预期结果第二轮回答里出现42。如果第二轮答不出来说明历史没注入或max_turns太小。实测下来把history[-20:]改成history全量注入短对话场景立刻正常但长对话要注意 token 成本。5. 本篇常见错排查报错一ModuleNotFoundError: No module named tomllibPython 3.10 及以下没有tomllib。装tomli并改导入pip install tomlitry: import tomllib except ModuleNotFoundError: import tomli as tomllib报错二MCP Server 无响应Agent 卡住多半是 stdio 没 flush。检查print(..., flushTrue)是否每处都有。另外确认settings.json里command用的是绝对路径或正确的相对路径args里的脚本路径相对于 Agent 启动目录。报错三第二轮对话丢失工具结果检查inject_tool_results是否为true以及工具返回是否真的 append 进了history。常见坑是工具结果只打印没回填模型自然看不到。报错四401 / 403Key 没读到或失效。在 Python 里打印os.environ.get(TAOTOKEN_API_KEY)前几位确认非空再去 API Keys 页面核对。别把 Key 写死在 settings.json 里。报错五路径越界path out of rootfile_reader的root是相对路径解析基准是 MCP Server 进程的工作目录。建议在 config.toml 里写绝对路径或在 server.py 启动时os.chdir(Path(__file__).parent)。报错六对话历史无限增长导致超 tokenmax_turns设 20 只是截断注入history本身还在涨。加一个落盘 定期裁剪逻辑把history.jsonl按会话 ID 分文件超过 N 轮就归档。6. 把通道和工具固定下来Agent 才稳连续对话的本质不是模型记性好而是你在每一轮把该给它的上下文都喂到位。MCP Servers 负责“工具和数据怎么标准化暴露”TaoToken 负责“模型通道怎么统一鉴权”Agent 侧负责“历史怎么维护和注入”。三者边界清晰调试时才能快速定位是哪一层出问题。如果你要长期跑编码类 Agent建议把模型通道固定成 Coding Plan省得每次换模型改配置https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding_planutm_campaignrewrite接入细节和参数说明以官方文档为准https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite先把file_reader跑通再按同样骨架加shell、db_query等工具每加一个就用 4.2 的单条 JSON 验证一次别等全接完再排障。