1. mcp-builder 跑起来之后模型通道到底填哪里anthropic 官方 Skill 里的 mcp-builder是一个专门用来生成 MCPModel Context Protocol服务器的开发指南型技能。它能做什么简单说你给它一个外部 API 的文档和目标它会按四个阶段带你走完阶段一读 MCP 协议规范和 FastMCP、TypeScript MCP SDK 的框架文档阶段二按 Python 或 TS 的项目结构搭 API 客户端、错误处理、分页这些核心基础设施用 Pydantic 或 Zod 定义工具输入模式再用mcp.tool或server.registerTool注册工具阶段三跑npm run build、用 MCP Inspector 测阶段四生成 10 道只读、可验证的评估题并输出 XML。适合谁适合正在把 GitHub、Slack、Jira 这类外部服务接进大模型应用或者想优化已有 MCP 服务器工具设计的开发者。但真正跑起来你会发现一个很现实的痛点这四个阶段几乎全程由你手里的 AI 编程工具反复读文档、生成 Python/TypeScript 代码、改输入输出模式Token 消耗全压在一个默认通道上。换工具或换模型就得重新折腾认证。所以问题不是 mcp-builder 能不能用而是跑 Skill 的那个编程工具模型通道怎么填才不用每次重来。这篇就按这个视角把通道配置和 mcp-builder 四阶段怎么配合讲清楚。2. 先把跑 Skill 的编程工具通道换成 TaoTokenmcp-builder 本身是 Skill不是模型。它需要宿主——也就是你日常用的 AI 编程工具比如支持自定义 Base URL 的编码助手、Agent 工具来加载并执行。原文里「安装并加载这个 Skill、让模型按指南写服务器」这一步我建议改成先解决通道问题。打开 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_end 注册并创建一把 Key。然后在跑 mcp-builder 的那个 AI 编程工具里把 Base URL 填成https://taotoken.net/api注意两点不带/v1不加 UTM 参数。Key 就用刚创建的那把。这样阶段一的协议文档梳理、阶段二的 FastMCP / MCP SDK 工具注册代码、阶段四的评估 XML都走 TaoToken 这个通道出 Token。这里要划清边界避免误解MCP Inspector、npm run build和评估脚本仍然照原文在你本地执行TaoToken 不参与 MCP 服务器本身的工具函数、分页或安全逻辑。从 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_end 拿到 Key 后能配通的是两件事跑 Skill 的编程工具通道以及它按指南产出的 Python/TypeScript MCP 服务器源码。换句话说通道管的是「生成」本地管的是「运行」。如果你更想先验证模型对话是否通可以走模型对话入口如果是长期编码或 Agent 场景Coding Plan 更合适接入和排障则看 API Keys 与接入文档。3. 可复制配置把通道接进跑 Skill 的工具不同 AI 编程工具的配置入口不一样但核心就三个字段Base URL、API Key、模型名。下面给一个通用的环境变量写法很多工具和 SDK 都认这套export OPENAI_BASE_URLhttps://taotoken.net/api export OPENAI_API_KEY你刚创建的那把Key如果你的工具用的是 Anthropic 风格配置就对应填到它的 base_url 和 api_key 字段。填完之后工具在加载 mcp-builder Skill 时所有「读文档、生成代码、改模式」的请求都会经过这个通道。接着按 mcp-builder 的阶段二让工具生成 MCP 服务器骨架。Python 侧用 FastMCP工具注册长这样from mcp.server.fastmcp import FastMCP from pydantic import BaseModel, Field, ConfigDict mcp FastMCP(service_mcp) class ServiceToolInput(BaseModel): model_config ConfigDict( str_strip_whitespaceTrue, validate_assignmentTrue, extraforbid ) param1: str Field(..., descriptionFirst parameter description, min_length1, max_length100) mcp.tool( nameservice_tool_name, annotations{ title: Human-Readable Tool Title, readOnlyHint: True, destructiveHint: False, idempotentHint: True, openWorldHint: False } ) async def service_tool_name(params: ServiceToolInput) - str: Tool description automatically becomes the description field. passTypeScript 侧用 MCP SDK注册方式如下import { McpServer } from modelcontextprotocol/sdk/server/mcp.js; import { z } from zod; const server new McpServer({ name: example-mcp, version: 1.0.0 }); const UserSearchInputSchema z.object({ query: z.string().min(2).max(200).describe(Search string), limit: z.number().int().min(1).max(100).default(20) }).strict(); server.registerTool( example_search_users, { title: Search Example Users, description: Search for users in the Example system, inputSchema: UserSearchInputSchema, annotations: { readOnlyHint: true, destructiveHint: false, idempotentHint: true, openWorldHint: true } }, async (params) { const output { result: Processed: ${params.query} }; return { content: [{ type: text, text: JSON.stringify(output) }], structuredContent: output }; } );这两段代码是 mcp-builder 阶段二的核心产物由通道里的模型生成但最终跑在本地。生成完记得按阶段三执行npm run build验证编译再用 MCP Inspector 连上去测工具能不能被正确调用。4. 验证请求确认通道真的在出 Token配置完别急着往下走先做一次最小验证。用 curl 打一次对话请求确认 Base URL 和 Key 是通的curl https://taotoken.net/api/chat/completions \ -H Authorization: Bearer 你刚创建的那把Key \ -H Content-Type: application/json \ -d { model: 你的模型名, messages: [{role: user, content: 回复 ok}] }返回里能看到正常的choices结构就说明通道通了。这一步成功之后再回到 AI 编程工具里加载 mcp-builder Skill让它按阶段一梳理协议文档、按阶段二生成工具注册代码。你会观察到工具在生成 Python/TypeScript 代码时请求确实走的是你填的 Base URL。阶段四的评估 XML 也是同理让工具生成 10 道只读、可验证的评估题输出格式类似evaluation qa_pair questionFind discussions about AI model launches with animal codenames. One model needed a specific safety designation that uses the format ASL-X. What number X was being determined for the model named after a spotted wild cat?/question answer3/answer /qa_pair qa_pair questionFind the project created in Q2 2024 with the highest number of completed tasks. What is the project name?/question answerWebsite Redesign/answer /qa_pair /evaluation评估脚本本身在本地跑它启动和管理 MCP 服务器进程生成准确率、平均任务持续时间、平均工具调用数这些统计。通道只负责把 XML 生成出来不参与评估执行。5. 本篇常见错排查Base URL 多写了/v1填成https://taotoken.net/api/v1会 404。正确写法就是https://taotoken.net/api不带/v1。Key 复制带了空格或换行环境变量里多一个空格就认证失败。建议用echo -n检查或者直接在工具界面里粘贴后手动删掉首尾空白。工具缓存了旧通道有些 AI 编程工具改完 Base URL 需要重启进程或重新加载配置否则还在用默认通道。改完先重启再加载 Skill。把 MCP Inspector 的报错当成通道问题Inspector 连的是你本地跑起来的 MCP 服务器跟 TaoToken 通道无关。如果 Inspector 报工具调用失败先查本地服务器代码和npm run build结果别去动 Base URL。评估脚本跑不起来stdio 传输下脚本会自动启动 MCP 服务器进程SSE/HTTP 传输需要你先手动启动服务器。确认传输方式选对了再跑评估。模型名填错通道通了但模型名不在可用列表里会返回模型不存在。先用第 4 节的 curl 确认模型名有效再填进工具。6. 通道归通道本地归本地mcp-builder 这个 Skill 的价值在于它把 MCP 服务器开发拆成了可跟做的四阶段而通道配置解决的是「生成这些代码时 Token 从哪出」的问题。两者不冲突通道负责阶段一的文档梳理、阶段二的 FastMCP / MCP SDK 代码、阶段四的评估 XML本地负责npm run build、MCP Inspector 和评估脚本。从 https://taotoken.net/api 配好通道后你换工具或换模型时只要 Base URL 和 Key 不变就不用重新折腾认证。需要长期编码或 Agent 场景的可以看 Coding Plan接入和排障走 API Keys 与接入文档想先验证模型对话是否正常模型对话入口最直接。