1. 先把三层协议的分工说清楚Function Calling、MCP、A2A 这三个词经常被混在一起聊但它们在 Agent 架构里管的是完全不同的事。你可以把 Agent 想象成一个职场人LLM 是大脑负责理解和推理Function Calling 是大脑发出指令的动作把我想查日志翻译成结构化的{tool: search_logs, date: yesterday}MCP 是这个人手边的标准化工具箱规定了工具怎么摆、怎么取A2A 则是多个 Agent 之间的协作语言定义了谁负责什么、任务怎么流转、交付物长什么样。很多人在搭建 Agent 时会卡在一个点上既然 MCP 已经能提供工具了为什么还需要 Function Calling答案很简单——MCP 解决的是有哪些工具可用Function Calling 解决的是怎么调用这些工具。前者是静态的能力清单后者是动态的决策执行。没有 Function Calling模型再聪明也只能输出自然语言没法触发任何实际操作没有 MCP每个工具都要手写适配层耦合度极高。A2A 则是另一个维度的东西。当你的系统从一个 Agent 变成多个 Agent 协作时就需要一套协议来规范 Agent 之间的通信。比如前台 Agent 收到用户请求后需要把物流查询子任务委托给物流 Agent这时候 A2A 就派上用场了。它定义了 Agent Card能力名片、Task任务生命周期、Artifact交付物格式这些概念让不同团队开发的 Agent 能互相配合。这篇文章会带你用 TaoToken 的统一 Key从零跑通 Function Calling → MCP → A2A 这条完整调用链。每一步都有可复制的配置和验证方法你跟着做就能确认自己的 Agent 架构到底通没通。2. TaoToken 统一 Key 的前置准备在开始写配置之前先把 Key 的事情搞定。TaoToken 的作用是让你用一个 Key 访问多个模型服务不用在 Function Calling、MCP、A2A 各个环节分别维护不同的鉴权信息。对于 Agent 开发来说这意味着你可以在 settings.json 或 config.toml 里只写一份凭证所有层级的调用都复用它。首先去官网注册并创建一个 API Key。地址是 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 注册流程很直接邮箱验证后就能在控制台生成 Key。生成之后复制保存后面配置里会用到。如果你需要查看当前有哪些模型可用可以打开模型对话页面确认https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 。这个页面会列出支持的模型列表和对应的调用名称写配置时直接填进去就行。API 的基础地址是 https://taotoken.net/api 注意这个地址不带 UTM 参数是纯粹的接口端点。你的 settings.json 或 config.toml 里填这个地址后面拼接具体的路径。对于需要长期跑 Agent 任务的场景比如持续集成里的代码审查 Agent 或者自动化测试 Agent建议看一下 Coding Planhttps://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 。它针对高频调用做了优化比按次计费更适合 Agent 这种反复调用的模式。Key 拿到之后先别急着写完整配置。我建议你先用最简方式验证一下 Key 能不能正常调用模型确认网络和鉴权没问题再往后面加 Function Calling 和 MCP 的复杂度。验证方法很简单用 curl 发一个最小请求curl -X POST https://taotoken.net/api/v1/chat/completions \ -H Authorization: Bearer YOUR_API_KEY \ -H Content-Type: application/json \ -d { model: gpt-4o-mini, messages: [{role: user, content: 回复 OK}], max_tokens: 10 }如果返回里能看到content: OK之类的响应说明 Key 和网络都没问题。这一步过了之后再往下走否则后面出问题你分不清是 Key 的问题还是配置的问题。3. 可复制的 settings.json 与 config.toml 骨架现在开始写配置。我会给出两个版本的骨架一个是 settings.json适合 Claude Code 或类似工具的配置另一个是 config.toml适合需要更结构化配置的场景。你可以根据自己的工具链选一个用。先看 settings.json。这个文件的核心是把 TaoToken 的 API 地址和 Key 写进去同时预留出 MCP Server 的配置位置{ api_base: https://taotoken.net/api, api_key: YOUR_TAOTOKEN_API_KEY, model: gpt-4o-mini, function_calling: { enabled: true, tools: [ { type: function, function: { name: search_logs, description: 根据日期查询系统日志, parameters: { type: object, properties: { date: { type: string, description: 日期格式 YYYY-MM-DD }, level: { type: string, enum: [error, warn, info], description: 日志级别 } }, required: [date] } } } ] }, mcp_servers: { log_tools: { command: npx, args: [-y, modelcontextprotocol/server-filesystem, /var/log], env: {} } }, a2a: { agent_card: { name: log-analyzer, description: 日志分析 Agent支持按日期和级别查询, capabilities: [log_search, log_summary] }, peers: [ { name: report-agent, endpoint: http://localhost:8081/a2a } ] } }这个骨架里function_calling.tools定义了 Agent 可以调用的函数mcp_servers配置了 MCP Server 的启动命令a2a部分定义了当前 Agent 的名片和可协作的对等 Agent。你实际使用时把YOUR_TAOTOKEN_API_KEY替换成真实 Key路径和命令按自己的环境调整。再看 config.toml 版本适合喜欢用 TOML 管理配置的场景[api] base_url https://taotoken.net/api key YOUR_TAOTOKEN_API_KEY default_model gpt-4o-mini [function_calling] enabled true [[function_calling.tools]] name search_logs description 根据日期查询系统日志 parameters { type object, properties { date { type string }, level { type string, enum [error, warn, info] } }, required [date] } [mcp.servers.log_tools] command npx args [-y, modelcontextprotocol/server-filesystem, /var/log] [a2a.agent_card] name log-analyzer description 日志分析 Agent capabilities [log_search, log_summary] [[a2a.peers]] name report-agent endpoint http://localhost:8081/a2a两个版本的内容等价选你顺手的就行。关键点是API 地址统一用https://taotoken.net/apiKey 只写一份Function Calling 的 tools 定义和 MCP Server 的配置分开管理A2A 的 Agent Card 和 peers 单独一个区块。配置写完之后先别急着跑完整链路。下一步是逐层验证从 Function Calling 开始确认每一层都能独立工作再串起来。4. 逐层验证 Function Calling → MCP → A2A 调用链验证的顺序很重要先确认 Function Calling 能触发再确认 MCP Server 能提供工具最后确认 A2A 能完成 Agent 间通信。每一层都过了整条链路才算通。4.1 验证 Function Calling 是否触发用一段最小的 Python 代码来测试。这段代码会发送一个需要调用工具的请求然后检查返回里有没有tool_calls字段import requests import json API_KEY YOUR_TAOTOKEN_API_KEY API_BASE https://taotoken.net/api headers { Authorization: fBearer {API_KEY}, Content-Type: application/json } payload { model: gpt-4o-mini, messages: [ {role: user, content: 帮我查一下 2026-06-15 的错误日志} ], tools: [ { type: function, function: { name: search_logs, description: 根据日期查询系统日志, parameters: { type: object, properties: { date: {type: string}, level: {type: string, enum: [error, warn, info]} }, required: [date] } } } ], tool_choice: auto } resp requests.post(f{API_BASE}/v1/chat/completions, headersheaders, jsonpayload) data resp.json() if tool_calls in data[choices][0][message]: print(Function Calling 触发成功) print(json.dumps(data[choices][0][message][tool_calls], indent2, ensure_asciiFalse)) else: print(未触发 Function Calling返回内容) print(data[choices][0][message][content])如果输出里能看到tool_calls数组并且function.name是search_logsarguments里包含{date: 2026-06-15}说明 Function Calling 这一层通了。如果没触发检查tool_choice是不是设成了auto以及 tools 定义里的description是否足够清晰。4.2 验证 MCP Server 能否正常提供工具MCP 的验证分两步先确认 Server 能启动再确认 Client 能列出工具。启动 MCP Server 的命令就是配置里写的那个。以 filesystem Server 为例npx -y modelcontextprotocol/server-filesystem /var/log如果 Server 正常启动你会看到它输出监听信息。然后另开一个终端用 MCP Client 去连接并列出工具。这里用 Python 的 mcp 库做个简单测试import asyncio from mcp import ClientSession, StdioServerParameters from mcp.client.stdio import stdio_client async def main(): server_params StdioServerParameters( commandnpx, args[-y, modelcontextprotocol/server-filesystem, /var/log] ) async with stdio_client(server_params) as (read, write): async with ClientSession(read, write) as session: await session.initialize() tools await session.list_tools() print(MCP Server 提供的工具列表) for tool in tools.tools: print(f - {tool.name}: {tool.description}) asyncio.run(main())如果输出里列出了read_file、list_directory之类的工具名说明 MCP 这一层通了。如果连接失败检查 npx 命令是否能正常执行以及路径参数是否存在。4.3 验证 A2A 通信是否打通A2A 的验证需要一个简单的 Agent 端点和另一个 Agent 去调用它。先写一个最小的 A2A Serverfrom fastapi import FastAPI from pydantic import BaseModel app FastAPI() class TaskRequest(BaseModel): task_id: str capability: str payload: dict app.get(/a2a/agent-card) def agent_card(): return { name: log-analyzer, description: 日志分析 Agent, capabilities: [log_search, log_summary] } app.post(/a2a/task) def handle_task(req: TaskRequest): if req.capability log_search: return { task_id: req.task_id, status: completed, artifact: {result: f已查询 {req.payload.get(date)} 的日志} } return {task_id: req.task_id, status: failed, error: unsupported capability}启动这个 Server 后用另一个 Agent 去调用它import requests card requests.get(http://localhost:8081/a2a/agent-card).json() print(获取到 Agent Card, card) task_resp requests.post(http://localhost:8081/a2a/task, json{ task_id: task-001, capability: log_search, payload: {date: 2026-06-15} }).json() print(任务执行结果, task_resp)如果能看到status: completed和artifact里的结果说明 A2A 这一层通了。三层都验证通过后你的 Agent 调用链就算完整打通了。5. 本篇常见错误排查5.1 Function Calling 不触发最常见的原因是 tools 定义里的description写得太模糊。模型判断是否调用工具主要看 description 和用户意图的匹配度。如果你写的是查询日志用户说帮我看看昨天的错误模型可能不确定该不该调。改成根据日期和级别查询系统日志支持 error/warn/info 三种级别触发率会明显提高。另一个原因是tool_choice设成了none或者指定了某个不存在的函数名。检查一下配置里是不是写错了。5.2 MCP Server 启动失败npx命令找不到是最常见的。确认 Node.js 和 npm 已经安装并且 npx 在 PATH 里。如果用的是 Windows路径分隔符要注意/var/log这种 Unix 路径在 Windows 上要改成C:\\logs之类的格式。还有一种情况是 MCP Server 启动了但 Client 连不上。检查 stdio 的读写流是否正常以及 Server 有没有输出到 stderr 导致管道阻塞。5.3 A2A 调用返回 404 或超时先确认 Agent Card 的端点路径和实际注册的路由一致。很多框架默认的 A2A 路径是/a2a开头但如果你自己写 Server路由要手动对齐。超时问题通常是端口没监听或者防火墙拦截。用curl http://localhost:8081/a2a/agent-card直接测一下如果 curl 能通但代码里不通检查代码里的地址是不是写成了0.0.0.0或者别的网卡地址。5.4 TaoToken Key 鉴权失败返回 401 的时候先确认 Key 有没有复制完整有没有多余的空格。然后确认请求头里的格式是Bearer YOUR_KEY不是Token YOUR_KEY或者别的写法。如果 Key 没问题但还是 401检查一下 API 地址是不是写成了https://taotoken.net/api/v1然后又拼了一次/v1导致路径变成/api/v1/v1/chat/completions。基础地址就是https://taotoken.net/api后面的路径按文档拼接。6. 把三层串起来之后三层都验证通过之后你可以把 Function Calling 的 tools 定义和 MCP Server 提供的工具做映射。比如 MCP Server 暴露了read_file工具你就在 Function Calling 的 tools 里加一个对应的函数定义description 写清楚用途parameters 按 MCP 工具的输入 schema 来写。这样模型触发 Function Calling 后你的代码再去调用 MCP Client 执行实际工具调用整条链路就串起来了。A2A 的接入点是在 Agent 需要委托任务给其他 Agent 的时候。你可以在 Function Calling 的 tools 里加一个delegate_task函数当模型判断当前任务超出自身能力时触发这个函数然后你的代码通过 A2A 协议把任务发给对应的 peer Agent。如果你在配置过程中遇到鉴权或者接入的问题可以对照 API Keys 页面检查 Key 状态https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 。接入文档在 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 里面有各层协议的详细参数说明。对于需要长期运行 Agent 任务的场景比如每天定时跑日志分析或者代码审查Coding Plan 比按次调用更划算https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 。它的计费方式更适合 Agent 这种反复调用模型的模式。实际落地时我建议先把 Function Calling 和 MCP 跑稳确认工具调用链路没问题再引入 A2A 做多 Agent 协作。三层一起上的话出问题很难定位是哪一层的锅。逐层验证、逐层加固比一次性全量接入要靠谱得多。