在云平台上创建爆火的AI MCP架构详细教程+全部代码（上）：TaoToken统一Key接入与Bedrock配置骨架

1. 从零搭建 MCP 架构为什么第一步总是卡在 Key 和凭证上如果你最近在折腾 Anthropic 的 Model Context ProtocolMCP大概率会遇到一个很现实的问题协议本身不复杂真正让人头大的是「模型怎么调、Key 怎么管、云上凭证怎么配」。MCP 说白了就是给大模型装一个标准化的 USB-C 接口让模型能通过统一的 JSON-RPC 2.0 消息去调用外部工具比如查天气、抓网页、读数据库。它解决的是「模型和工具之间各写各的适配层」这个老毛病适合想用 Python 快速搭 AI Agent 服务端的开发者也适合已经在用 Amazon Bedrock 托管模型、想把工具调用标准化的团队。但入门阶段最容易翻车的地方往往不是 MCP 的代码而是接入层一边是 Anthropic 协议要求的工具描述格式一边是 Bedrock 的 Converse API 消息结构中间还夹着模型访问凭证。很多人第一次跑就报AccessDeniedException或者ValidationException排查半天发现是 Key 没配对、区域写错、或者模型 ID 不支持工具调用。这篇是「上篇」只做一件事把环境打通交付一个能跑起来的 MCP 服务端骨架。我会用 TaoToken 的统一 Key 来收敛模型访问入口用 Amazon Bedrock 作为模型托管底座用 Python 写一个最小可运行的 MCP Server注册第一个工具并完成本地启动和连通性验证。下篇再补具体的业务工具逻辑比如博客摘要和链接检查。你跟着做完应该能拿到一个「客户端能连上、工具能列出、模型能回话」的骨架。2. TaoToken 统一 Key 接入把模型访问收敛成一个入口在正式写 MCP 代码之前先把模型访问这层理顺。MCP 服务端本身不直接跟模型对话它负责暴露工具真正调模型的是 MCP 客户端。但客户端要调 Bedrock 上的 Claude就得有凭证。传统做法是把 AWS 的 Access Key / Secret Key 写进环境变量问题是多项目、多环境、多人协作时凭证管理会变得很碎而且一旦要换模型或换区域改动面很大。我这里的做法是用 TaoToken 做统一 Key 接入层。它的定位是给 AI 应用提供一个统一的模型访问入口你拿一个 Key就能对接包括 Anthropic 系列在内的模型能力不用在每个项目里重复配一套云凭证。对 MCP 这种「客户端 服务端 模型」三段式架构来说统一 Key 的好处是客户端侧只需要认一个入口Bedrock 的底层凭证由接入层处理代码里少一堆boto3.Session的初始化逻辑。具体操作上先去控制台创建一个 API Key。地址是https://taotoken.net/console登录后在 API Keys 页面新建一个复制出来先存好后面配置环境变量要用。注意这个 Key 只显示一次丢了就重新建。拿到 Key 之后你需要确认两件事一是接入文档里的 Base URL 和鉴权方式文档在https://taotoken.net/doc二是模型列表里哪些模型支持工具调用tool use因为 MCP 的核心就是工具调用选错模型会直接报不支持。Anthropic 的 Claude 系列在工具调用上支持比较完整建议优先选带 tool use 能力的版本。提示不要把 Key 硬编码进 Python 文件也不要把带 Key 的代码提交到 Git。用环境变量或者本地.env文件并且把.env加进.gitignore。如果你后面要做长期编码或者 Agent 类项目可以考虑 Coding Plan它在调用额度和并发上更适合持续跑任务入口在https://taotoken.net/coding-plan。这一步不是必须的但如果你打算把 MCP 服务端挂在一个常驻 Agent 上提前规划额度会省事。3. 可复制配置Bedrock 凭证与模型参数骨架环境打通的关键是把「模型访问」和「MCP 服务端」两套配置分开管。下面这套配置你可以直接抄。先建项目目录用 uv 管理依赖uv 装依赖比 pip 快很多而且锁版本更干净mkdir mcp-bedrock-demo cd mcp-bedrock-demo uv init uv add mcp boto3 python-dotenv然后在项目根目录建一个.env文件把模型访问相关的配置集中放这里# .env TAOTOKEN_API_KEY你的_taotoken_key TAOTOKEN_BASE_URLhttps://taotoken.net/api BEDROCK_REGIONus-east-1 BEDROCK_MODEL_IDanthropic.claude-3-sonnet-20240229-v1:0这里解释一下每个参数的作用。TAOTOKEN_API_KEY是统一 Key客户端调模型时用它鉴权TAOTOKEN_BASE_URL是接入地址注意 API 地址不带多余的路径后缀BEDROCK_REGION是 Bedrock 的区域工具调用对区域有要求选一个支持 Claude 工具调用的区域us-east-1是比较稳的选择BEDROCK_MODEL_ID是模型 ID必须选支持 tool use 的版本否则 MCP 的工具描述传过去会被忽略。接着写一个配置加载模块把环境变量读进来并做基本校验。这一步别省很多「跑不起来」的问题就是环境变量没加载或者拼错了# config.py import os from dotenv import load_dotenv load_dotenv() TAOTOKEN_API_KEY os.getenv(TAOTOKEN_API_KEY) TAOTOKEN_BASE_URL os.getenv(TAOTOKEN_BASE_URL, https://taotoken.net/api) BEDROCK_REGION os.getenv(BEDROCK_REGION, us-east-1) BEDROCK_MODEL_ID os.getenv(BEDROCK_MODEL_ID) def validate(): missing [] if not TAOTOKEN_API_KEY: missing.append(TAOTOKEN_API_KEY) if not BEDROCK_MODEL_ID: missing.append(BEDROCK_MODEL_ID) if missing: raise EnvironmentError(f缺少必要环境变量: {, .join(missing)}) print(配置校验通过) print(f区域: {BEDROCK_REGION}) print(f模型: {BEDROCK_MODEL_ID}) if __name__ __main__: validate()跑一下python config.py如果输出「配置校验通过」并打印出区域和模型说明配置这层没问题。如果报缺少环境变量检查.env是否在项目根目录、load_dotenv()是否能找到它。关于 Bedrock 凭证这里有个容易踩的坑Bedrock 的boto3客户端默认会去读~/.aws/credentials或者环境变量里的AWS_ACCESS_KEY_ID/AWS_SECRET_ACCESS_KEY。如果你用 TaoToken 统一 Key 做模型访问客户端侧就不需要再单独配一套 AWS 凭证去直连 Bedrock避免了两套凭证打架。但如果你确实要直连 Bedrock 做对比测试那就得确保 AWS 凭证和区域都配对否则会报NoCredentialsError。4. MCP 服务端最小可运行代码与首个工具注册配置好了开始写 MCP 服务端。MCP 的传输方式有两种stdio 和 HTTP SSE。本地开发用 stdio 最省事客户端和服务端在同一台机器上通过标准输入输出通信消息格式是 JSON-RPC 2.0。下面这个服务端注册一个最简单的工具get_server_time返回当前时间用来验证整条链路是否通。# server.py import asyncio from datetime import datetime from mcp.server import Server from mcp.server.stdio import stdio_server from mcp.types import Tool, TextContent app Server(mcp-bedrock-demo) app.list_tools() async def list_tools() - list[Tool]: return [ Tool( nameget_server_time, description获取当前服务器时间用于验证 MCP 工具调用链路是否连通, inputSchema{ type: object, properties: {}, required: [] } ) ] app.call_tool() async def call_tool(name: str, arguments: dict) - list[TextContent]: if name get_server_time: now datetime.now().strftime(%Y-%m-%d %H:%M:%S) return [TextContent(typetext, textf当前服务器时间: {now})] raise ValueError(f未知工具: {name}) async def main(): async with stdio_server() as (read_stream, write_stream): await app.run(read_stream, write_stream, app.create_initialization_options()) if __name__ __main__: asyncio.run(main())这段代码有几个关键点。app.list_tools()装饰器负责向客户端暴露工具清单客户端连上来第一件事就是调list_tools拿到工具名、描述和输入 schema。inputSchema用的是 JSON Schema 格式这里没有参数所以properties为空对象、required为空数组。app.call_tool()是实际执行工具的地方客户端通过call_tool传工具名和参数进来你在这里分发到具体逻辑。stdio_server()是 stdio 传输的入口app.run()启动服务循环。注意inputSchema的字段名MCP 规范里是驼峰inputSchema不是input_schema。这个大小写问题在客户端做格式转换时特别容易出错后面排障会讲到。写完服务端先单独跑一下确认不报语法错python server.py如果它卡住不动、没有输出这是正常的因为 stdio 服务端在等客户端连接。按CtrlC退出即可。如果直接抛异常检查mcp包版本用uv add mcp装的是较新版本API 和旧版有差异。5. 连通性验证客户端连上服务端并列出工具服务端能启动还不够得验证客户端能连上、能列出工具、能调用工具。写一个最小的验证客户端用 MCP 的stdio_client去连刚才的服务端# verify_client.py import asyncio from mcp import ClientSession, StdioServerParameters from mcp.client.stdio import stdio_client async def main(): server_params StdioServerParameters( commandpython, args[server.py], envNone ) 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(已连接工具列表:) for tool in tools.tools: print(f - {tool.name}: {tool.description}) result await session.call_tool(get_server_time, {}) print(工具调用结果:) for content in result.content: print(f {content.text}) if __name__ __main__: asyncio.run(main())跑python verify_client.py预期输出是已连接工具列表: - get_server_time: 获取当前服务器时间用于验证 MCP 工具调用链路是否连通 工具调用结果: 当前服务器时间: 2025-01-01 12:00:00看到这个输出说明 MCP 服务端骨架、工具注册、stdio 传输、JSON-RPC 消息交换这一整条链路都通了。这一步是整个「上篇」的核心验证点过了这关下篇往里加业务工具就是纯逻辑的事了。如果你还想验证模型侧能不能正确识别工具可以打开模型对话页面用自然语言问「现在服务器几点」看模型是否会选择调用get_server_time。入口在https://taotoken.net/model-chat。这一步能帮你确认模型 ID 选对了、工具描述写得够清楚。6. 本篇常见报错排查报错一ModuleNotFoundError: No module named mcp说明依赖没装到当前环境。用 uv 的话确认是在项目目录下执行uv add mcp然后uv run python server.py而不是直接python server.py避免用到系统 Python。报错二ValidationException: The model returned an invalid tool use format大概率是inputSchema字段名写错或者 schema 结构不符合 JSON Schema 规范。检查是不是写成了input_schema以及properties和required是否都在。报错三AccessDeniedException或NoCredentialsError模型访问凭证没配对。如果你走 TaoToken 统一 Key确认.env里TAOTOKEN_API_KEY有值且没多余空格如果直连 Bedrock确认 AWS 凭证和区域都正确。区域写错也会报这个比如模型在us-east-1你写了us-west-2。报错四客户端连上但list_tools返回空检查app.list_tools()装饰器是否加上了以及返回的是不是Tool对象列表。返回空列表时客户端不会报错但模型就没有工具可用。报错五RuntimeError: Attempted to exit cancel scope in a different task这是 asyncio 和 MCP 版本兼容问题通常出现在旧版mcp包。升级到最新版uv add mcp --upgrade一般能解决。报错六工具调用返回Unknown toolcall_tool里的工具名和list_tools里注册的名字不一致。MCP 是精确匹配大小写、下划线都要对得上。排查顺序建议从下往上先确认服务端能单独启动再确认客户端能连上再看工具列表最后看工具调用。哪一步断了就停在哪一步查别跳着看。7. 下一步把 Key 和骨架用起来到这里你已经拿到了一个能跑的 MCP 服务端骨架TaoToken 统一 Key 配好了Bedrock 模型参数骨架搭好了第一个工具注册并验证通过了。接下来要做的是把这个骨架接到真实的模型调用上让客户端把工具清单转成 Bedrock Converse API 的toolSpec格式再把模型的toolUse消息转发给 MCP 服务端执行。如果你要接着往下做建议先把 API Key 和接入文档过一遍确认鉴权和消息格式的细节入口在https://taotoken.net/api-keys和https://taotoken.net/doc。长期跑编码或 Agent 任务的话Coding Plan 的额度规划也值得提前看一眼。下篇我会把博客摘要和链接检查这两个真实工具补上并给出完整的客户端消息映射代码。