1. 多组件 Key 满天飞LangChain Agent 串联 MCP、RAGflow、MongoDB 的真实痛点如果你正在用 LangChain 做 Agent 项目大概率经历过这种场景Agent 要调 MCP 工具查地图RAGflow 要连检索服务MongoDB 要存对话历史每个组件都有自己的 API Key、Base URL、模型名。改一个环境变量三个地方跟着崩。我试过在一个项目里同时维护.env、config.toml、settings.json三套配置结果调试时花了半小时才定位到是 embedding 的 base_url 写错了端口。这篇是 LangChain 实战笔记的第二篇聚焦一个具体问题如何用 TaoToken 统一 Key 和 API 通道把 Agent MCP RAGflow MongoDB 的配置骨架一次性搭好。适合已经跑通过 LangChain 基础 Demo、准备把多个组件串成生产级链路的开发者。读完后你能拿到可直接复制的config.toml和settings.json骨架并完成一次 Agent 工具调用加检索回写的验证。核心思路很简单把模型调用层Chat、Embedding全部指向 TaoToken 的统一入口MCP 工具走本地 stdio 或 SSE 配置RAGflow 和 MongoDB 各自保留独立连接串但共享同一套模型凭证。这样你只需要管一个 Key换模型时改一处即可。TaoToken 在这里扮演的角色是模型网关它兼容 OpenAI 接口规范LangChain 的ChatOpenAI和OpenAIEmbeddings可以直接把base_url指过去api_key填 TaoToken 的 Key。官网入口在 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 地址是 https://taotoken.net/api 注意 API 路径不带 UTM 参数。下面从配置骨架开始一步步把链路搭起来。2. TaoToken 前置准备拿 Key、选模型、理清目录结构在写配置之前先把 TaoToken 的 Key 拿到手。登录后进入控制台在 API Keys 页面创建一个新 Key。建议按项目命名比如langchain-agent-dev方便后续区分。创建后立即复制保存页面刷新后不会再显示完整 Key。模型选择上Agent 场景建议用支持 function calling 的模型。TaoToken 的模型列表里带工具调用能力的模型会在描述中标注。如果你不确定选哪个可以先在模型对话页面发一条测试消息确认模型能正常返回结构化 tool_calls 再写入配置。项目目录建议这样组织后面所有路径都基于这个结构langchain-agent/ ├── config/ │ ├── config.toml # 主配置模型、MCP、RAGflow、MongoDB │ └── settings.json # LangChain 运行时设置 ├── agent/ │ ├── __init__.py │ ├── tools.py # MCP 工具加载 │ ├── retriever.py # RAGflow 检索封装 │ └── memory.py # MongoDB 对话存储 ├── .env # 只放 TAOTOKEN_API_KEY └── main.py.env里只保留一个敏感值TAOTOKEN_API_KEYsk-你的TaoToken密钥其余配置全部进config.toml这样 Key 不进版本库其他参数可以随项目走。如果你用 Cline 或 Claude Code 这类工具它们的 MCP 配置也可以复用同一个 Key后面会给出对应片段。关于模型 ID 的获取进入控制台后可以看到每个模型的完整 ID格式类似模型名-版本。把这个 ID 填到配置的model字段。Embedding 模型单独选一个RAGflow 的检索向量化会用到。注意TaoToken 的 API 地址是https://taotoken.net/api在 LangChain 里填base_url时不要带末尾斜杠也不要加/v1框架会自动拼接。如果你看到 404先检查这里。3. 可复制配置骨架config.toml 与 settings.json 完整片段这一节给出两个核心配置文件的完整内容你可以直接复制到项目里改路径和 Key。先看config/config.toml# config/config.toml # LangChain Agent MCP RAGflow MongoDB 统一配置骨架 [llm] # TaoToken 统一入口所有模型调用走这里 base_url https://taotoken.net/api api_key_env TAOTOKEN_API_KEY # 从环境变量读取不硬编码 model 你的对话模型ID temperature 0.3 max_tokens 4096 timeout 60 [embedding] base_url https://taotoken.net/api api_key_env TAOTOKEN_API_KEY model 你的Embedding模型ID batch_size 16 [mcp.amap] # MCP 工具高德地图走 SSE 传输 transport sse url https://mcp.amap.com/sse?key${AMAP_KEY} enabled true [mcp.filesystem] # MCP 工具本地文件操作走 stdio transport stdio command npx args [-y, modelcontextprotocol/server-filesystem, ./workspace] enabled true [ragflow] base_url http://127.0.0.1:9380 api_key_env RAGFLOW_API_KEY dataset_ids [你的知识库ID] top_k 5 similarity_threshold 0.2 [mongodb] uri mongodb://127.0.0.1:27017 database langchain_agent collection chat_history再看config/settings.json这个文件给 LangChain 运行时和部分工具读取{ llm: { base_url: https://taotoken.net/api, model: 你的对话模型ID, api_key_env: TAOTOKEN_API_KEY }, embedding: { base_url: https://taotoken.net/api, model: 你的Embedding模型ID, api_key_env: TAOTOKEN_API_KEY }, mcp_servers: { amap: { transport: sse, url: https://mcp.amap.com/sse?key${AMAP_KEY} }, filesystem: { transport: stdio, command: npx, args: [-y, modelcontextprotocol/server-filesystem, ./workspace] } }, ragflow: { base_url: http://127.0.0.1:9380, api_key_env: RAGFLOW_API_KEY, dataset_ids: [你的知识库ID] }, mongodb: { uri: mongodb://127.0.0.1:27017, database: langchain_agent, collection: chat_history } }两个文件的关键字段保持一致config.toml给 Python 代码读取settings.json给 MCP 客户端和外部工具读取。如果你用 Cline 的 MCP 配置把mcp_servers里的内容复制到 Cline 的 MCP 设置里即可Base URL、Key、Model ID 三件套都指向 TaoToken。读取配置的 Python 代码# config/loader.py import os import tomllib from pathlib import Path from dotenv import load_dotenv load_dotenv() def load_config(path: str config/config.toml) - dict: with open(path, rb) as f: cfg tomllib.load(f) # 把 api_key_env 解析成实际值 for section in (llm, embedding): env_name cfg[section].get(api_key_env) if env_name: cfg[section][api_key] os.getenv(env_name) return cfg def load_settings(path: str config/settings.json) - dict: import json with open(path, r, encodingutf-8) as f: return json.load(f)这样模型层就统一了。接下来把 Agent、MCP、RAGflow、MongoDB 串起来。4. 串联 Agent MCP RAGflow MongoDB 的完整代码先初始化模型全部走 TaoToken# agent/llm.py from langchain_openai import ChatOpenAI, OpenAIEmbeddings from config.loader import load_config cfg load_config() def get_llm(): return ChatOpenAI( modelcfg[llm][model], base_urlcfg[llm][base_url], api_keycfg[llm][api_key], temperaturecfg[llm][temperature], max_tokenscfg[llm][max_tokens], timeoutcfg[llm][timeout], ) def get_embeddings(): return OpenAIEmbeddings( modelcfg[embedding][model], base_urlcfg[embedding][base_url], api_keycfg[embedding][api_key], )MCP 工具加载用langchain_mcp_adapters注意它是异步的# agent/tools.py import asyncio from langchain_mcp_adapters.client import MultiServerMCPClient from config.loader import load_config cfg load_config() async def load_mcp_tools(): mcp_config {} for name, server in cfg.get(mcp, {}).items(): if not server.get(enabled, True): continue if server[transport] sse: mcp_config[name] { url: server[url], transport: sse, } else: mcp_config[name] { command: server[command], args: server[args], transport: stdio, } client MultiServerMCPClient(mcp_config) tools await client.get_tools() return toolsRAGflow 检索封装成 LangChain Retriever 工具# agent/retriever.py import requests from langchain_core.tools import tool from config.loader import load_config import os cfg load_config() tool def ragflow_search(query: str) - str: 在 RAGflow 知识库中检索与 query 相关的内容返回拼接后的文本片段。 url f{cfg[ragflow][base_url]}/api/v1/retrieval headers { Authorization: fBearer {os.getenv(cfg[ragflow][api_key_env])}, Content-Type: application/json, } payload { question: query, dataset_ids: cfg[ragflow][dataset_ids], top_k: cfg[ragflow][top_k], similarity_threshold: cfg[ragflow][similarity_threshold], } resp requests.post(url, jsonpayload, headersheaders, timeout30) resp.raise_for_status() data resp.json() chunks data.get(data, {}).get(chunks, []) if not chunks: return 未检索到相关内容。 return \n\n.join(c.get(content, ) for c in chunks)MongoDB 对话存储用 LangChain 的MongoDBChatMessageHistory# agent/memory.py from langchain_mongodb.chat_message_histories import MongoDBChatMessageHistory from config.loader import load_config cfg load_config() def get_session_history(session_id: str): return MongoDBChatMessageHistory( session_idsession_id, connection_stringcfg[mongodb][uri], database_namecfg[mongodb][database], collection_namecfg[mongodb][collection], )主流程把工具、检索、记忆串起来# main.py import asyncio from langchain.agents import create_tool_calling_agent, AgentExecutor from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder from langchain_core.runnables.history import RunnableWithMessageHistory from agent.llm import get_llm from agent.tools import load_mcp_tools from agent.retriever import ragflow_search from agent.memory import get_session_history async def build_agent(): llm get_llm() mcp_tools await load_mcp_tools() tools mcp_tools [ragflow_search] prompt ChatPromptTemplate.from_messages([ (system, 你是一个可以调用工具和检索知识库的助手。优先使用检索结果回答。), MessagesPlaceholder(chat_history, optionalTrue), (human, {input}), MessagesPlaceholder(agent_scratchpad), ]) agent create_tool_calling_agent(llm, tools, prompt) executor AgentExecutor(agentagent, toolstools, verboseTrue) return RunnableWithMessageHistory( executor, get_session_history, input_messages_keyinput, history_messages_keychat_history, ) async def main(): agent await build_agent() result await agent.ainvoke( {input: 帮我查一下济南齐鲁软件园附近的咖啡店并检索知识库里关于门店运营的记录}, config{configurable: {session_id: demo-001}}, ) print(result[output]) if __name__ __main__: asyncio.run(main())这段代码跑起来后Agent 会先调 MCP 工具查地点再调ragflow_search检索知识库最后把结果写入 MongoDB。整个过程模型调用全部走 TaoToken你只需要维护一个 Key。5. 验证请求与成功结果一次 Agent 工具调用加检索回写配置写完后先做最小验证确认 TaoToken 通道通了# verify_llm.py from agent.llm import get_llm llm get_llm() resp llm.invoke(用一句话说明你是什么模型) print(resp.content)如果返回正常文本说明 Base URL 和 Key 没问题。如果报 401检查.env里的TAOTOKEN_API_KEY是否被正确加载以及config.toml里的api_key_env拼写是否一致。接着验证 MCP 工具加载# verify_mcp.py import asyncio from agent.tools import load_mcp_tools async def check(): tools await load_mcp_tools() for t in tools: print(t.name, -, t.description[:40]) asyncio.run(check())正常输出会列出高德地图和文件系统的工具名。如果某个 MCP 服务没加载出来先单独检查它的 URL 或 command 是否可访问。最后跑完整链路观察 Agent 的执行轨迹。verboseTrue会打印每一步的思考和工具调用 Entering new AgentExecutor chain... Invoking: maps_text_search with {keywords: 咖啡店, city: 济南} ... Invoking: ragflow_search with {query: 门店运营} ... Finished chain.成功结果的特征是Agent 先调 MCP 工具拿到地点列表再调 RAGflow 检索拿到运营记录最后综合输出。MongoDB 里也能查到这次对话# verify_mongo.py from agent.memory import get_session_history history get_session_history(demo-001) for msg in history.messages: print(type(msg).__name__, :, msg.content[:80])如果能看到 HumanMessage 和 AIMessage 交替出现说明回写成功。到这里Agent MCP RAGflow MongoDB 的骨架就通了。6. 常见报错排查401、local proxy failed、reading choices、OAuth实际跑的时候报错集中在几个地方。下面按真实错误信息对照排查。401 Unauthorized最常见。先确认.env里的 Key 没有多余空格再检查config.toml的base_url是否写成了https://taotoken.net/api/末尾斜杠会导致部分框架拼接出双斜杠。如果用的是 Cline 或 Claude Code检查它们的 MCP 配置里 Key 是否填在正确字段。TaoToken 的 Key 在控制台 API Keys 页面可以重新生成旧 Key 失效后所有引用处都要更新。local proxy failed / connection refused这个通常出现在 MCP stdio 模式下。检查command和args是否可执行比如npx是否在 PATH 里。如果是 SSE 模式确认 URL 里的${AMAP_KEY}已经被替换成实际值。另外MongoDB 和 RAGflow 如果跑在本地确认端口没被占用127.0.0.1和localhost在某些环境下解析不同建议统一用127.0.0.1。Error reading choices / KeyError choices说明返回的 JSON 结构不符合 OpenAI 规范。先确认base_url指向的是https://taotoken.net/api而不是其他路径。如果模型 ID 写错部分网关会返回错误结构而非标准 404。用verify_llm.py单独测一次把返回的原始 JSON 打印出来看。OAuth / token expired如果你在 Claude Code 或类似工具里配置了 MCPOAuth 报错通常是因为工具尝试走它自己的认证流程。解决办法是在 MCP 配置里显式指定base_url和api_key禁用自动 OAuth。Claude Code 的配置里Base URL 填https://taotoken.net/apiKey 填 TaoToken 的 KeyModel ID 填控制台里的完整 ID三件套缺一不可。RAGflow 检索返回空检查dataset_ids是否正确以及知识库是否已经完成向量化。similarity_threshold设太高会过滤掉所有结果先调到 0.1 测试。RAGflow 的 API Key 和 TaoToken 的 Key 是两套不要混用。MongoDB 写入失败确认 MongoDB 服务已启动uri里的数据库名和集合名不要带特殊字符。如果用的是副本集uri需要加replicaSet参数。LangChain 的MongoDBChatMessageHistory会自动创建集合不需要手动建表。排查顺序建议先单独验证 LLM 通道再验证 MCP 工具加载最后跑完整链路。每步用独立脚本避免一个报错掩盖另一个。7. 统一 Key 后的维护建议与下一步配置骨架搭好后日常维护只需要关注config.toml一个文件。换模型时改[llm]和[embedding]的model字段Key 不用动。新增 MCP 工具时在[mcp]下加一段load_mcp_tools会自动读取。如果你要把这套配置用到 Coding Plan 场景比如让 Agent 长时间跑代码生成任务可以在 TaoToken 控制台查看用量按需调整max_tokens和timeout。模型对话页面可以用来快速测试新模型是否支持工具调用确认后再写入配置。下一步可以做的把ragflow_search换成多知识库路由根据 query 类型选择不同 dataset给 MongoDB 加 TTL 索引自动清理旧对话把 MCP 工具按权限分组生产环境只加载必要工具。这些都在现有骨架上扩展不需要改模型层配置。接入文档在 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API Keys 管理在 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 。配置过程中遇到通道问题先回到verify_llm.py确认模型层通了再往下查。