1. 为什么你的 AI 编程助手总在“胡说八道”1.1 通用模型的三个致命短板过去半年我陆续把 Continue、Cline、Cursor 都装了一遍发现一个共性问题问它公司内部的 SDK 用法它要么编一个不存在的函数名要么把三年前的旧接口当成最新版。原因不复杂——通用大模型的训练语料里根本没有你团队那套私有代码规范、芯片手册、内部中间件文档。具体表现有三种。第一种是接口幻觉你问“EMC1413 温度寄存器怎么解析”它会自信地给你一段看似合理但寄存器偏移量完全错误的代码。第二种是规范失忆团队明明规定所有 C 模块必须用位运算、禁止动态内存它照样给你 malloc。第三种是版本错乱你项目锁死在某个 LTS 版本它按最新版给你写 API。这三点叠加起来结果就是每次生成代码你都得逐行 review省下来的时间又还回去了。要根治思路只有一个把私有知识喂给助手让它在回答前先检索你的文档和代码库。这就是 RAGflow 加 MCP 要解决的问题。1.2 这套方案适合谁如果你符合下面任意一条这篇教程就是写给你的。团队有沉淀的接口文档、芯片手册、编码规范但新人和 AI 都用不上你已经在用 Continue 或 Cline但每次都要手动把文档粘进对话框你想在半天内跑通“知识库检索 → MCP 工具调用 → 助手回答”这条链路而不是花两周搭一套企业级平台。整套链路的分工是这样的RAGflow 负责把 PDF、Markdown、Word 解析成向量并对外提供检索接口MCP 服务端把 RAGflow 的检索能力包装成标准工具Continue 作为 AI 编程助手在 Agent 模式下调用这个工具把检索结果拼进上下文再交给模型。模型这一层用 TaoToken 统一 Key 接入省得你在 RAGflow、Continue 里各配一套密钥。2. TaoToken 前置准备一个 Key 打通模型通道2.1 为什么要在这一步先接 TaoToken很多人搭这套链路时卡在模型配置上RAGflow 里要配一个 embedding 模型和一个 chat 模型Continue 里还要再配一个支持 Agent 调用的模型三处密钥、三套 Base URL改一次配置要翻三个后台。TaoToken 的价值就是把这些收敛成一个 Key、一个 Base URL。它的接口兼容 OpenAI 格式所以 RAGflow 的模型设置、Continue 的模型设置都能直接填。官网在 https://taotoken.netAPI 地址是 https://taotoken.net/api注意 API 路径后面不加多余后缀OpenAI 兼容模式下通常拼到 /v1 即可。2.2 拿到 Key 并确认可用模型登录后进入控制台在 API Keys 页面创建一个新 Key。建议按用途命名比如 ragflow-embed 和 continue-agent 分开建方便后面排查是哪个环节的额度或权限出问题。创建入口在 https://taotoken.net/console/api-keys。创建完先别急着填进配置文件用一条 curl 确认 Key 有效、模型名拼写正确curl https://taotoken.net/api/v1/chat/completions \ -H Content-Type: application/json \ -H Authorization: Bearer sk-你的Key \ -d { model: gpt-4o-mini, messages: [{role: user, content: ping}] }返回里能看到 choices 数组就说明通道没问题。如果返回 401先检查 Key 有没有复制全、有没有多余空格如果返回 model not found去模型列表页核对准确的模型 ID。这一步花两分钟能省掉后面半小时的排查。2.3 模型选型建议RAGflow 侧需要两类模型embedding 用于把文档切片转向量chat 用于知识库问答和摘要。Continue 侧需要一个支持工具调用function calling的模型因为 MCP 本质是工具调用。选型时优先确认模型是否支持 Agent/工具调用不支持的话 Continue 的 MCP 面板会一直灰着。如果你主要做代码场景chat 模型选代码能力强的embedding 模型选维度适中、中文支持好的。具体模型 ID 以控制台模型列表为准别照抄网上的旧名字。3. 可复制配置RAGflow 解析 MCP 注册 Continue 接入3.1 部署 RAGflow 并开启 MCP硬件门槛先摆出来CPU 4 核以上、内存 16GB 以上、磁盘 50GB 以上。低于这个配置DeepDoc 解析大 PDF 时会 OOM。软件侧需要 Docker 和 uvxpip install uvx uvx --version docker --version拉取仓库并启动git clone https://github.com/infiniflow/ragflow.git cd ragflow/docker docker compose -f docker-compose.yml up -d docker logs -f ragflow-server看到服务启动完成的日志后浏览器打开对应端口进入 RAGflow 控制台。先添加模型在模型设置里填 TaoToken 的 Base URL 和 Keyembedding 和 chat 分别指定模型 ID。然后创建知识库把团队的 PDF 手册、Markdown 规范、代码示例目录上传进去解析方式按文档类型选芯片手册这类带表格的选 DeepDoc 效果更好。接着获取 RAGflow 自己的 BASE-URL 和 API Key这两个值在控制台的 API 页面能看到后面 MCP 服务端要用。默认 MCP Server 是不启用的需要改 docker/docker-compose.yml把 services.ragflow.command 部分的注释取消其中--mcp-host-api-keyragflow-xxxxx填刚才拿到的 Keydocker compose down docker compose -f docker-compose.yml up -d3.2 开发 RAGflow 检索 MCP 服务端用官方脚手架建项目uvx create-mcp-server --path ragflow-mcp-server-continue \ --name ragflow-mcp-server-continue \ --version 0.1.0 \ --description RAGFlow MCP Server Continue \ --no-claudeapp cd ragflow-mcp-server-continue uv sync --dev --all-extras uv add ragflow-sdk这个 MCP 服务端对外暴露四个工具list_datasets 列出所有数据集返回 ID 和名称create_chat 创建聊天助手输入 name 和 dataset_id返回助手 ID 和会话 IDchat 传入 session_id 和 question 进行对话retrieve 传入 dataset_ids 和 question返回知识库检索到的原文片段。对 Continue 来说最常用的是 retrieve因为它把检索结果直接交给模型当上下文。构建和发布uv sync uv build uv publish发布到 PyPI 前需要注册账号、开启 2FA、生成 API Token。如果只是自己团队用其实可以跳过发布直接在 Continue 配置里用本地路径启动省掉上传这一步。3.3 Continue 侧 MCP 配置片段VS Code 里装好 Continue 扩展后打开配置文件加入 MCP 服务定义。下面这段是可直接复制的 YAMLname: RAGFlow MCP Server Continue version: 0.1.0 schema: v1 mcpServers: - name: RAGFlow MCP Server Continue command: uvx args: - ragflow-mcp-server-continue0.3.3 - --api-key - ragflow-你的RAGFlowKey - --base-url - http://127.0.0.1:9380 connectionTimeout: 800000三件套对照记一下Base URL 是http://127.0.0.1:9380Key 是 RAGflow 控制台拿到的ragflow-开头那串Model ID 在 Continue 的模型配置里填 TaoToken 侧的模型名。三者缺一MCP 面板都不会变绿。保存后回到 Continue 面板MCP 选项下如果服务状态显示绿色、功能列表和代码里定义的一致说明加载成功。还差最后一步点开 Tools 选项打开 Built-In 按钮同时按需勾选 MCP 服务提供的功能。注意 Continue 只有在 Agent 模式下才会调用 MCP普通 Chat 模式不会触发工具调用。4. 验证请求一次检索命中与工具调用4.1 构造一个必须查知识库的问题验证的关键是问一个通用模型答不对、只有你知识库里有答案的问题。比如上传了 EMC1413 规格书后问“根据知识库中 EMC1413 手册 7.2 章节读取三组温度寄存器时整数位和小数位分别怎么解析用 C 写一个接口函数要求位运算、不写 main、符合团队规范。”这个问题通用模型大概率编错寄存器偏移而接了知识库的助手应该先调用 retrieve 工具。4.2 观察工具调用链路在 Continue 的 Agent 模式对话框里发送后展开工具调用详情你应该能看到类似这样的过程模型先发起一次 retrieve 调用参数里 dataset_ids 是你知识库的 IDquestion 是温度寄存器解析MCP 服务端返回若干原文片段模型拿到片段后再生成代码。如果工具调用面板里能看到 retrieve 的入参和返回说明“知识库检索 → MCP 工具调用 → 助手回答”这条链路通了。生成的代码里应该出现手册里真实的寄存器地址和位定义而不是编造的。4.3 成功结果的判断标准三个信号说明配置正确。第一MCP 面板绿色且工具列表完整。第二Agent 对话里出现工具调用记录而不是直接回答。第三生成代码引用的寄存器偏移、位宽和手册一致。如果第一点满足但第二点没有多半是模型不支持工具调用换一个支持 function calling 的模型 ID 再试。5. 本篇常见报错排查5.1 401 Unauthorized最常见。出现在两个位置RAGflow 的 MCP 启动参数里 Key 填错或者 Continue 的模型配置里 TaoToken Key 填错。排查方法是分别用 curl 测两个 Key。RAGflow 侧确认--mcp-host-api-key和控制台 API Key 完全一致TaoToken 侧确认请求头是Authorization: Bearer sk-xxx别漏了 Bearer 前缀。5.2 local proxy failed / connection refusedMCP 面板显示红色并报 local proxy failed通常是 uvx 拉包失败或 base-url 不通。先手动跑一遍uvx ragflow-mcp-server-continue0.3.3 --help看能否正常启动。如果卡在下载检查网络和 PyPI 源。如果包能起但连不上确认 RAGflow 容器在跑、9380 端口没被占用docker ps看一眼容器状态。5.3 reading choices 报错Continue 里报 cannot read properties of undefined (reading choices)说明模型接口返回结构不对。八成是 Base URL 拼错了比如多加了或漏了 /v1。TaoToken 的 OpenAI 兼容路径要拼到 /v1/chat/completions配置里如果只填到域名Continue 可能拼不出正确路径。用第 2.2 节的 curl 先确认完整路径能返回 choices。5.4 OAuth / 鉴权相关报错如果用的是需要 OAuth 的模型通道Continue 里可能出现鉴权失败。这种情况优先换成纯 API Key 的通道避免在本地工具链里引入 OAuth 流程。TaoToken 走的是 Key 鉴权配置里只填 Key 即可不需要额外授权跳转。5.5 MCP 工具列表为空面板绿色但工具列表空检查两点一是 ragflow-mcp-server-continue 的版本号是否和发布的一致args 里的0.3.3要对应实际版本二是 RAGflow 侧 MCP 是否真的启用回去确认 docker-compose.yml 的 command 注释已取消并重启过容器。6. 把知识库变成团队的默认上下文跑通之后最实用的做法是把常用检索封装成固定提示词模板让 Continue 每次生成代码前自动先查知识库。比如在项目根目录放一个.continue/rules文件写明“涉及硬件寄存器、内部 SDK、编码规范的问题必须先调用 RAGFlow MCP 的 retrieve 工具”。这样新人拉下代码就能用不用口头传授。另一个经验是知识库要定期更新。芯片手册改版、接口废弃后旧文档留在库里会污染检索结果。建议按季度清理一次数据集把过期文档下线。embedding 模型如果换了记得重建索引否则新旧向量不在同一空间检索会失准。模型通道这块TaoToken 的 Coding Plan 适合长期做 Agent 开发的场景额度按周期走比单次调用更省心入口在 https://taotoken.net/coding-plan。如果你只是想先验证模型对话效果可以直接用模型对话页试地址是 https://taotoken.net/models。接入文档在 https://taotoken.net/doc配置细节以文档为准。