1. 从评论堆积到群消息刷屏Agent 接入云上自定义 MCP Server 的真实场景产品评论每天都在涨运营同学却只能靠人工翻页、截图、拼 Excel等一份反馈周报出来热点早就凉了。这个场景的核心检索词是Agent 接入云上自定义 MCP Server——它要解决的是「评论抓取 → LLM 结构化总结 → 企业微信群机器人推送」这条链路能不能全自动跑起来。适合谁适合手里有评论数据源自建 API、数据库、爬虫结果都行、又想让 Agent 自己决定「什么时候查、查什么、总结完发给谁」的后端或数据同学。我先把这条链路拆成三个可独立验证的模块避免一上来就写一个大而全的脚本出错时根本不知道是哪一段挂了。第一个模块是数据侧 MCP Server它对外暴露一个query_product_comment工具入参是关键词列表和时间范围出参是评论 JSON 列表。评论字段建议固定成agree_count赞同数、is_recommend是否推荐、play_duration体验时长分钟、publish_time发布日期、content评论文本。字段固定下来后面 Prompt 里才能稳定引用LLM 不会因为字段名漂移而瞎编。第二个模块是推送侧 MCP Server暴露一个send_wechat_bot工具入参就是一段 Markdown 文本内部用企业微信群机器人的 Webhook 发出去。这里的关键是 Webhook key 不要硬编码进代码仓库用环境变量注入。第三个模块是Agent 宿主它可以是 Cherry Studio、Claude Desktop 这类内置 MCP 客户端的工具也可以是你自己写的 ClientSession。宿主负责把「查评论」和「发群」两个工具串起来中间插入 Prompt 让 LLM 做结构化总结。为什么强调「云上自定义」因为本地跑 MCP ServerAgent 一换机器就断联放到云主机上用 SSE 传输任何能访问公网的宿主都能连。传输格式选 SSEServer-Sent Eventsendpoint 固定为/sse这是目前 MCP 生态里兼容性最好的一种。整条链路跑通后你得到的效果是Agent 自己调query_product_comment拿数据自己按 Prompt 生成「数据概览 / 趋势分析 / 情绪分析 / 相关性洞察 / 结论建议」五段式报告再自己调send_wechat_bot把 Markdown 推到群里。人只需要在群里看结果。下面按「前置准备 → 配置片段 → 端到端验证 → 排错」的顺序展开每一步都给可复制的代码或配置。2. TaoToken 前置统一 Key 与 API 通道让模型调用鉴权不再散落各处在写 MCP Server 之前先把模型调用的鉴权通道定下来。原因很直接Agent 宿主、MCP Server 内部如果都要调 LLMKey 散落在多个配置文件里换一次 Key 要改五六个地方还容易把 Key 提交进 Git。TaoToken 在这里的角色是统一 Key / API 通道你拿到一个 Key配一个 Base URL所有走 OpenAI 兼容协议的地方都指向它。先明确三个东西后面配置里会反复出现Base URLhttps://taotoken.net/api注意 API 地址不带 UTM 参数直接用于代码里的base_urlAPI Key在控制台创建形如sk-xxxx只显示一次复制后立刻存进密码管理器Model ID按你实际开通的模型填比如claude-sonnet-4-5、gpt-4o这类具体以控制台模型列表为准获取 Key 的入口在控制台的 API Keys 页面创建时给个备注名比如mcp-review-agent方便以后按项目吊销。如果你还没决定用哪个模型可以先在模型对话页面里试几轮确认输出质量再写进配置。这里要提醒一个常见误区很多人以为 MCP Server 自己会「调模型」。不是的。MCP Server 只负责暴露工具查数据、发消息真正做推理的是 Agent 宿主。所以 TaoToken 的 Key 主要配在宿主侧MCP Server 侧只有在它内部需要二次调用 LLM 时才配。我们这个场景里MCP Server 是纯工具不调模型Key 只配在宿主。那为什么还要单独讲 TaoToken 前置因为宿主配置里base_url和api_key是最容易写错的两项写错了报错信息又很含糊比如 401 或local proxy failed提前把这两个值确认好后面排错能省一半时间。如果你打算长期跑编码类或 Agent 类任务可以了解下 Coding Plan它更适合高频调用场景只是临时验证模型输出用模型对话就够了。两条路径都走同一个 Key 体系不用重复申请。配置前最后确认一遍Base URL 用https://taotoken.net/api不要多加斜杠也不要在代码里拼成/api/v1/chat/completions之外的其他路径——OpenAI 兼容客户端会自动补/chat/completions你手动补反而会 404。3. 可复制配置MCP Server 片段、Prompt 模板与 Webhook 参数这一节给三份可直接粘贴的配置路径和字段名保持原样你改掉 key 和地址就能用。3.1 数据侧 MCP ServerFastMCP SSE# review_mcp_server.py from mcp.server.fastmcp import FastMCP from typing import List, Dict, Any, Optional mcp FastMCP( nameProductReviewQuery, instructions一个产品评论提取器可根据关键词和时间段查询产品的评论数据。, ) mcp.tool() async def query_product_comment( keywords: List[str], start_time: Optional[str] None, end_time: Optional[str] None, ) - List[Dict[str, Any]]: 根据 keywords 和时间范围查询产品评论返回评论列表keywords 可为空。 参数 - keywords: 关键词列表 - start_time: 起始日期格式 YYYY-MM-DD - end_time: 结束日期格式 YYYY-MM-DD 返回 JSON list[dict]字段包括 agree_count / is_recommend / play_duration / publish_time / content # 这里替换成你公司真实数据源查询逻辑 return [ { agree_count: 12, is_recommend: True, play_duration: 320, publish_time: 2025-09-01, content: 新手引导很顺前 10 分钟就上手了。, } ] if __name__ __main__: mcp.run(transportsse)注释一定要写全LLM 靠这段 docstring 判断工具能不能满足当前任务。字段名和返回结构写清楚比写十行实现代码更重要。3.2 推送侧 MCP Server企业微信群机器人# wechat_mcp_server.py import os import requests from mcp.server.fastmcp import FastMCP mcp FastMCP( nameWechatBot, instructions一个企业微信群消息机器人可发送 Markdown 格式的聊天消息至指定群。, ) mcp.tool() async def send_wechat_bot(msg_content: str) - str: 微信机器人发送消息至群聊。 参数 - msg_content: 待发送的消息markdown 格式 webhook_key os.environ[WECHAT_BOT_KEY] send_url ( https://qyapi.weixin.qq.com/cgi-bin/webhook/send f?key{webhook_key} ) headers {Content-Type: text/plain} send_data { msgtype: markdown, markdown: {content: msg_content}, } res requests.post(urlsend_url, headersheaders, jsonsend_data, timeout10) return fstatus{res.status_code}, body{res.text} if __name__ __main__: mcp.run(transportsse)Webhook key 从环境变量读启动前export WECHAT_BOT_KEY你的key。企业微信群机器人对 Markdown 支持有限标题用##加粗用**别用表格表格在群里会散成纯文本。3.3 Agent 宿主配置以 Claude Desktop 风格 settings 为例{ mcpServers: { ProductReviewQuery: { url: http://你的云主机IP:8000/sse }, WechatBot: { url: http://你的云主机IP:8001/sse } }, llm: { base_url: https://taotoken.net/api, api_key: sk-你的TaoTokenKey, model: claude-sonnet-4-5 } }三件套齐了Base URL、Key、Model ID。不同宿主字段名可能略有差异有的叫baseUrl、apiKey但值就是这三个。如果你的宿主是 Cline 或 Codex 类工具配置里出现auth.json时同样把base_url指向https://taotoken.net/apiKey 填同一个。3.4 Prompt 模板直接粘进宿主对话你是一名专业的数据分析师。你的任务是 1. 从 ProductReviewQuery MCP Server 获取产品评论数据。 - 字段包括agree_count、is_recommend、play_duration分钟、 publish_time、content。 - 不要虚构数据严格基于 MCP Server 返回内容。 2. 基于数据生成专业分析报告结构如下 - 数据概览评论总数、推荐比例、平均赞同数、平均体验时长。 - 趋势分析评论数量和推荐比例随时间的变化。 - 用户情绪与内容分析提炼主要正面与负面反馈总结关键词。 - 相关性洞察是否推荐与体验时长、赞同数的关系。 - 结论与建议对产品优化、体验改进、推广运营给出可执行建议。 3. 将报告通过 WechatBot 的 send_wechat_bot 发送到群。 - 使用 Markdown分章节排版语言专业简洁。 请按以上步骤严格执行。Prompt 里明确写了「不要虚构数据」这是防止 LLM 在工具返回为空时自己编评论。工具返回空列表时报告里应该写「本期无数据」而不是硬凑。4. 端到端验证从 SSE 连通到群消息落地配置写完按下面顺序验证每一步都有明确的成功标志不要跳步。第一步本地起两个 MCP Server。pip install mcp requests python review_mcp_server.py python wechat_mcp_server.py两个进程分别监听 8000 和 8001。浏览器打开http://127.0.0.1:8000/sse如果看到连接保持、每隔十几秒有 ping 事件说明 SSE 通道正常。这一步不通后面全白搭。第二步上云并放行端口。把两个脚本传到云主机用uv管理虚拟环境更省事uv venv source .venv/bin/activate uv pip install mcp requests nohup python review_mcp_server.py review.log 21 nohup python wechat_mcp_server.py wechat.log 21 安全组放行 8000、8001。再用浏览器访问http://云主机IP:8000/sse确认公网可达。如果浏览器一直转圈但本地正常八成是安全组没放行。第三步宿主接入并触发工具。在宿主里粘贴 3.3 的配置重启宿主。然后在对话里输入 3.4 的 Prompt。观察宿主是否依次调用query_product_comment和send_wechat_bot。成功标志有两个宿主界面显示工具调用记录企业微信群里收到 Markdown 报告。第四步验证模型通道。如果宿主在生成报告阶段卡住或报鉴权错误单独测一下 TaoToken 通道curl https://taotoken.net/api/chat/completions \ -H Authorization: Bearer sk-你的Key \ -H Content-Type: application/json \ -d { model: claude-sonnet-4-5, messages: [{role: user, content: 只回复 ok}] }返回里有choices字段且内容为ok说明 Key、Base URL、Model ID 三件套正确。这一步过了宿主里再报鉴权错就是宿主配置字段名写错了不是 Key 的问题。第五步跑一次完整链路并记录耗时。从触发到群消息落地记录总耗时和每个工具的调用耗时。如果query_product_comment超过 5 秒考虑给数据源加索引或缓存如果send_wechat_bot超时检查 Webhook 是否被限流。实测下来整条链路在评论量几百条时从触发到群消息大约 20 到 40 秒主要时间花在 LLM 生成报告上。这个耗时对「每日巡检」场景完全够用。5. 本篇常见错排查401、local proxy failed、reading choices、OAuth排错时先看报错原文再对照下面几类。401 Unauthorized。九成是 Key 写错或没带Bearer前缀。检查宿主配置里api_key是否完整有没有多余空格。如果 Key 是从控制台复制的确认没有把备注名一起复制进去。还有一种情况Key 被吊销了去控制台 API Keys 页面确认状态。local proxy failed。这个报错通常出现在宿主尝试连接 MCP Server 时。原因一般是 SSE 地址写错比如把/sse写成了/sse/或者云主机端口没放行。先在浏览器直接访问 SSE 地址能保持连接才说明地址对。如果宿主和 MCP Server 不在同一台机器127.0.0.1要换成公网 IP 或内网 IP。reading choices 相关报错如cannot read property choices of undefined。这是模型返回体不符合 OpenAI 兼容格式。常见原因是 Base URL 写成了https://taotoken.net少了/api或者手动拼了/v1/chat/completions导致路径重复。正确写法是base_url https://taotoken.net/api让客户端自己补路径。另外确认 Model ID 是控制台里真实存在的写错模型名有时会返回空体。OAuth 相关报错。部分宿主在接入远程 MCP Server 时会尝试 OAuth 流程。我们的自建 Server 没加鉴权宿主却去走 OAuth就会卡住。解决办法是在宿主配置里显式声明无需鉴权或者给 MCP Server 加一个简单的 Bearer Token 校验让宿主用 Token 而不是 OAuth。如果报错里出现auth.json检查该文件里的base_url是否指向https://taotoken.net/apiKey 是否和宿主其他地方一致。工具调用成功但群里没消息。先看send_wechat_bot的返回值status200且body里errcode:0才算成功。如果errcode非 0对照企业微信文档查错误码常见的是 Webhook key 失效或消息内容超长。Markdown 内容超过 4096 字节会被截断报告太长时先精简再发。LLM 编造评论数据。这是 Prompt 没约束住。在 Prompt 里加一句「如果工具返回空列表报告写『本期无数据』禁止编造」。同时在 MCP Server 的 docstring 里写明返回结构LLM 对结构化 docstring 的遵循度更高。排错时建议开两个终端分别tail -f review.log和tail -f wechat.logMCP Server 侧的日志能看到工具是否被调用、入参是什么比只看宿主界面高效得多。6. 把 Key 和通道固定下来让这条链路长期可复现链路跑通一次不难难的是下周、下个月还能一键复现。我的做法是把三样东西固定下来MCP Server 用uv锁依赖版本Prompt 存成独立文件而不是每次手敲TaoToken 的 Base URL 和 Key 只在一处配置、其他脚本从环境变量读。具体操作上建一个.env文件TAOTOKEN_BASE_URLhttps://taotoken.net/api TAOTOKEN_API_KEYsk-你的Key TAOTOKEN_MODELclaude-sonnet-4-5 WECHAT_BOT_KEY你的webhookkey宿主配置和测试脚本都从这里读换 Key 只改一行。.env加进.gitignore永远不要提交。如果你要把这条链路交给团队其他人跑把 MCP Server 的启动命令写成systemd服务或 Docker Compose开机自启日志落盘。这样别人只需要拿到.env和宿主配置五分钟就能复现整套流程。长期高频跑 Agent 任务的话Coding Plan 比按次调用更省心只是偶尔验证模型输出模型对话页面足够。两条路径共用同一个 Key 体系切换成本很低。接入文档里有各宿主的具体配置示例遇到字段名对不上时去那里查最快。最后留一个实用技巧给send_wechat_bot加一个dry_run参数调试阶段只打印不发送确认报告格式没问题再真正推群。这个参数在 Prompt 里让 LLM 默认传false调试时手动改成true能避免调试消息刷屏打扰同事。