新闻详情

新闻详情

首页 / 资讯中心 / 详情

实战迁移:从 Skill 到 MCP Server,用 TaoToken 统一 Key 打造跨平台 AI 能力集

发布时间:2026/11/16 15:24:11来源:尧图网络
实战迁移:从 Skill 到 MCP Server,用 TaoToken 统一 Key 打造跨平台 AI 能力集
1. 从 Skill 到 MCP Server为什么我要做这次迁移如果你手里已经攒了一堆 Skill比如 OCR 识别、文档解析、数据清洗每个都跑在某个特定平台里那你大概也遇到过这个场景换一个客户端所有 Key 要重新配一遍换一个工具Skill 逻辑要重新接一次。Skill 本身没问题问题是它被绑死在某个宿主环境里。MCP Server 解决的正是这件事。MCP 是 Model Context Protocol 的缩写你可以把它理解成 AI 工具之间的“USB-C 接口”——只要你的能力按这个协议暴露出来Claude Desktop、OpenClaw、各类支持 MCP 的客户端都能直接调用不需要为每个平台写适配层。而 Skill 更像是某个软件内部的宏换个软件就失效。这次迁移的目标很明确把已有的 Python Skill 逻辑封装成标准 MCP Server同时用 TaoToken 统一管理 API Key 和调用通道让一套能力集在多端稳定运行。适合谁看已经写过 Skill、想升级成跨平台服务的开发者或者刚开始接触 MCP、想找一个能跑通的完整示例的人。我试过把三个 Skill 分别迁移踩过的坑主要集中在配置格式和传输模式上下面会把可复制的骨架都给你。2. TaoToken 前置统一 Key 与 API 通道迁移之前先把“钥匙”这件事理顺。原来每个 Skill 各自读环境变量、各自配 Key迁移到 MCP Server 后如果还这么干只是把碎片化从 Skill 层搬到了 Server 层。我的做法是让所有 MCP Server 统一走 TaoToken 的 API 通道。TaoToken 在这里的角色是统一入口你只需要在 TaoToken 控制台创建一个 API Key所有 MCP Server 都引用同一个 Key模型调用、额度管理、通道切换都在一处完成。官网地址是 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 基址是 https://taotoken.net/api 。操作路径不复杂进控制台创建 Key然后把它写进 MCP Server 的配置里。如果你还没建 Key直接去 API Keys 页面https://taotoken.net/console/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi_keysutm_campaignrewrite 。建好之后先别急着写代码把 Key 存到环境变量里后面 config.toml 和 settings.json 都会引用它。注意不要把 Key 硬编码进源码提交到仓库。用环境变量或本地配置文件配置文件加进 .gitignore。3. 可复制配置config.toml 与 settings.json 骨架MCP Server 的配置分两层一层是 Server 自身的运行参数config.toml一层是客户端如何找到并启动这个 Serversettings.json。很多人卡住是因为把这两层混在一起写。先看 config.toml放在项目根目录[server] name unified-skill-server version 0.1.0 transport stdio [taotoken] base_url https://taotoken.net/api api_key_env TAOTOKEN_API_KEY default_model claude-sonnet-4-20250514 timeout 60 [skills] enabled [ocr, doc_parse, data_clean]这里的关键是 api_key_env 指向环境变量名而不是 Key 本身。default_model 按你实际可用的模型填timeout 给足OCR 这类任务容易超时。再看 settings.json这是给客户端比如 Claude Desktop读的{ mcpServers: { unified-skill-server: { command: python, args: [-m, server.main], env: { TAOTOKEN_API_KEY: 你的Key, TAOTOKEN_BASE_URL: https://taotoken.net/api } } } }两个文件的职责要分清config.toml 管 Server 内部行为settings.json 管客户端怎么拉起 Server。改传输模式、改模型动 config.toml换 Python 路径、加环境变量动 settings.json。4. Python 实现把 Skill 逻辑封装为 MCP Tool配置就绪后开始写代码。核心思路是三层分离业务逻辑层保留你原来的 Skill 代码不动接口层用 mcp 库把函数映射成 Tool传输层决定用 stdio 还是 HTTP。先装依赖pip install mcp httpx pydantic然后写 Server 主体。下面这个骨架把原来的 OCR Skill 包了进来同时通过 TaoToken 通道调用模型import os import httpx from mcp.server.fastmcp import FastMCP from pydantic import BaseModel mcp FastMCP(unified-skill-server) TAOTOKEN_BASE os.environ.get(TAOTOKEN_BASE_URL, https://taotoken.net/api) TAOTOKEN_KEY os.environ[TAOTOKEN_API_KEY] class OcrResult(BaseModel): company_name: str reg_no: str raw_text: str mcp.tool() async def recognize_business_license(image_url: str) - str: 通过 URL 识别营业执照返回结构化 JSON 字符串。 async with httpx.AsyncClient(timeout60) as client: resp await client.post( f{TAOTOKEN_BASE}/v1/chat/completions, headers{Authorization: fBearer {TAOTOKEN_KEY}}, json{ model: claude-sonnet-4-20250514, messages: [ {role: user, content: f识别这张营业执照并返回JSON{image_url}} ], }, ) resp.raise_for_status() data resp.json() return data[choices][0][message][content] mcp.resource(info://server/status) def get_status() - str: 返回服务运行状态。 return unified-skill-server: online, transport: stdio if __name__ __main__: mcp.run(transportstdio)几个要点。第一mcp.tool() 装饰的函数就是暴露给 AI 的能力docstring 会被当作工具描述写清楚输入输出。第二mcp.resource() 暴露的是只读资源适合状态查询、配置读取这类场景。第三所有模型调用都走 TAOTOKEN_BASE换模型只改 config.toml 里的 default_model不用动业务代码。如果你原来的 Skill 是同步函数直接改成 async 或者用 asyncio.to_thread 包一层即可逻辑本身不用重写。5. 验证请求一次调用跑通全链路写完代码先别急着接客户端用 mcp-inspector 本地验证最快npx modelcontextprotocol/inspector python -m server.main启动后浏览器会打开调试界面你能看到所有注册的 Tool 和 Resource点进去手动传参调用。如果 recognize_business_license 返回了结构化 JSON说明 Server 本身没问题。接着验证 TaoToken 通道是否通。单独发一个请求curl -X POST https://taotoken.net/api/v1/chat/completions \ -H Authorization: Bearer $TAOTOKEN_API_KEY \ -H Content-Type: application/json \ -d {model:claude-sonnet-4-20250514,messages:[{role:user,content:ping}]}返回里有 choices 字段就说明 Key 和通道都正常。最后把 settings.json 配到客户端重启后 AI 应该能自动识别到 Tool 并调用。成功的结果是你在对话里说“识别这张营业执照”AI 自动触发 recognize_business_license返回结构化结果全程不需要你手动指定用哪个 Skill。想直接在网页里验证模型对话是否正常可以用模型对话页面https://taotoken.net/model-chat?utm_sourcetaotoken_aicg_blog_endutm_contentmodel_chatutm_campaignrewrite 。6. 本篇常见错排查报错一ModuleNotFoundError: No module named mcp多半是 Python 环境不对。settings.json 里的 command 写的是 python但你的 mcp 装在虚拟环境里。改成虚拟环境的绝对路径比如 /Users/you/venv/bin/python。报错二401 UnauthorizedKey 没传进去。检查 settings.json 的 env 字段里 TAOTOKEN_API_KEY 是否填了真实值或者环境变量名和代码里读的是否一致。注意 config.toml 里写的是变量名不是值。报错三Tool 不显示 / AI 不调用docstring 太模糊。AI 靠描述判断什么时候调用把“识别营业执照”改成“通过图片 URL 识别营业执照并返回企业名称、注册号等结构化信息”命中率会明显提升。报错四stdio 模式下日志污染如果你在代码里 print 了调试信息stdio 传输会被污染导致客户端解析失败。所有日志走 stderr或者用 logging 模块写文件。报错五超时OCR 和长文档任务容易超 60 秒。config.toml 里把 timeout 调到 120httpx 客户端的 timeout 也要同步调。7. 长期编码与 Agent 场景的接入建议如果你不只是做一次性验证而是要把这套 MCP Server 长期跑在编码助手或 Agent 工作流里建议把 Key 管理和额度规划放到 Coding Plan 层面统一处理https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding_planutm_campaignrewrite 。这样多个 Server、多个客户端共享同一套通道不会出现某个端额度用完另一个端还不知道的情况。接入文档在 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 里面有完整的 API 参数说明和错误码对照。Claude Code 相关的接入细节可以看 https://taotoken.net/claude-code-anthropic?utm_sourcetaotoken_aicg_blog_endutm_contentclaude_codeutm_campaignrewrite 。迁移完成后你会发现Skill 不再是某个平台的附属品而是一个可以被任何支持 MCP 的客户端调用的标准节点。一套代码多端运行Key 只配一次。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/16 6:47:19

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/15 4:06:36

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉