企业官网建设流程全解析

1. 为什么要在 Cherry Studio 里折腾 MCP 服务

Cherry Studio 是一款支持多模型接入的桌面 AI 客户端，它最大的价值在于把不同厂商的大模型统一到一个聊天界面里。而 MCP（Model Context Protocol，模型上下文协议）是 Anthropic 在 2024 年底推出的一套接口协议，作用是让大模型用一种通用语言去调用外部工具——读本地文件、抓网页、查数据库、跑脚本都行。把这两者结合起来，你就能在 Cherry Studio 里让 AI 自动调用工具处理任务，而不是只会在对话框里"纸上谈兵"。

这篇面向的是需要在本地让 AI 自动调用外部工具的开发者。核心链路是：Cherry Studio 作为客户端 → 配置 MCP 服务器（SSE 远程或 STDIO 本地）→ 通过 TaoToken 统一 Key 和 API 通道调用支持函数调用的模型 → AI 真正触发工具并返回结果。如果你之前被"每个模型配一个 Key、每个工具配一套环境"搞得很烦，那统一 Key 的思路会省掉大量重复劳动。

我试过把 fetch、filesystem 这类 MCP 服务接进来，再配合内网穿透做远程调用，整个流程踩过几个坑，下面按可复制的步骤拆开讲。

2. TaoToken 前置：统一 Key 与 API 通道准备

在配置 MCP 之前，先把模型调用这一层理顺。Cherry Studio 本身支持自定义 API 地址，所以你可以把模型请求统一指向 TaoToken 的 API 通道，用一个 Key 管理多个模型的调用，避免在客户端里反复切换厂商配置。

TaoToken 官网地址是 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，API 基础地址是 https://taotoken.net/api （这个不加 UTM 参数，直接填进客户端即可）。

你需要先拿到一个 API Key。进入控制台创建：

• 控制台入口：https://taotoken.net/console?utm_source=taotoken_aicg_blog_end&utm_content=console&utm_campaign=rewrite
• API Keys 管理：https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api-keys&utm_campaign=rewrite

创建好 Key 之后，在 Cherry Studio 的"设置 → 模型服务"里新增一个自定义服务商，把 API 地址填成https://taotoken.net/api，Key 粘贴进去。这里有个关键点：MCP 要能自动调用工具，模型必须支持函数调用（Function Calling），所以选模型时认准名称后带扳手图标的那些。如果你不确定某个模型是否支持，可以先去模型对话页快速验证一下：

• 模型对话验证：https://taotoken.net/models?utm_source=taotoken_aicg_blog_end&utm_content=model-chat&utm_campaign=rewrite

注意：MCP 服务本身不负责模型推理，它只是"工具层"。模型调用走的是 TaoToken 的 API 通道，工具执行走的是 MCP 服务器。两层分开配置，排障时才能快速定位是哪一层出了问题。

如果你后续要做长期编码或 Agent 类任务，可以考虑 Coding Plan，把模型调用和工具链固定下来：

• Coding Plan：https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding-plan&utm_campaign=rewrite

3. 可复制的 MCP 服务端配置骨架

Cherry Studio 的 MCP 服务器配置分两种类型：SSE（远程）和 STDIO（本地）。SSE 配置简单，适合快速上手；STDIO 能直接访问本机文件和程序，适合深度集成。下面给出两种类型的配置骨架。

3.1 SSE 类型配置（以 fetch 为例）

SSE 类型的 MCP 服务器运行在远程，你只需要填一个 URL。在 Cherry Studio 的"设置 → MCP 服务器"里点击添加服务器，填写：

配置完成后客户端会提示添加成功。SSE 的优点是无需本地环境，缺点是没法直接读你本机的文件。

3.2 STDIO 类型配置（以 filesystem 为例）

STDIO 类型需要在本地跑一个进程，所以要先装好 Node.js 和 Python 环境。Cherry Studio 的 MCP 配置界面里会提示安装 UV 与 Bun，直接点安装即可。如果 UV 一直装不上，可能是提示的 BUG，可以先跳过继续。

添加 filesystem 服务时，在 NPX 包列表搜索@modelcontextprotocol/server-filesystem，点击添加服务器。弹出的配置框里大部分内容会自动填好，你只需要在参数里加上要操作的目录地址，比如D:\ai。每个参数单独占一行，这点很容易忽略，写在同一行会导致服务启动失败。

一个典型的 STDIO 配置片段（对应 Cherry Studio 内部生成的 settings 结构）大致是这样：

{ "mcpServers": { "filesystem": { "command": "npx", "args": [ "-y", "@modelcontextprotocol/server-filesystem", "D:\\ai" ] } } }

如果你用的是 TaoToken 统一 Key 的模型服务，模型侧的 settings 片段类似：

{ "provider": "custom", "apiBase": "https://taotoken.net/api", "apiKey": "你的_TaoToken_API_Key", "model": "支持函数调用的模型名称" }

提示：apiBase填https://taotoken.net/api，不要带多余路径。Key 建议单独管理，不要和 MCP 服务配置混在同一个文件里，方便轮换。

4. 验证请求：从启动服务到 AI 成功调用工具

配置写完不代表能用，必须走一遍验证。下面是我实测下来比较稳的检查顺序。

第一步，确认 MCP 服务器已启动。回到 Cherry Studio 聊天助手界面，聊天框底部有 MCP 服务器图标，点开能看到已添加的服务列表。每次使用前都要手动打开对应服务的开关，这个开关不会自动保持，是最容易忘的一步。

第二步，确认模型支持函数调用。在模型服务里选中带扳手图标的模型，如果模型名称后没有扳手图标，可以点设置按钮，在"更多设置"里手动勾选"支持函数调用"，保存后再试。

第三步，发一个会触发工具调用的请求。比如让 AI 在D:\ai路径下创建一个名为mcp学习笔记.txt的文档。如果配置正确，AI 会先调用 filesystem 工具，再返回执行结果。去对应路径看，文件确实被创建了，说明整条链路通了。

第四步，验证 SSE 类型的远程调用。用 fetch 服务让 AI 抓取一个网页内容并分析。如果返回错误代码，大概率是目标网站禁止 AI 抓取，换一个允许抓取的网站再试即可，不是配置问题。

第五步，内网穿透场景下的连通性验证。如果你用 cpolar 把本地 Ollama 服务暴露到公网，需要先设置环境变量：

setx OLLAMA_HOST "0.0.0.0" setx OLLAMA_ORIGINS "*"

然后在 cpolar 里创建隧道，本地地址填11434，协议选 http。隧道创建成功后，在在线隧道列表里拿到公网地址，把它粘贴到另一台电脑 Cherry Studio 的 Ollama 服务 API 地址里。验证方法是：在远程客户端里选中本地部署的模型，打开 MCP 服务开关，发一个创建文件的请求，看本地路径下是否真的生成了文件。如果生成了，说明内网穿透 + MCP 的远程调用链路是通的。

5. 本篇常见错排查

配置 MCP 服务时，报错大多集中在几个固定位置。下面按现象归类。

服务添加成功但 AI 不调用工具。先检查聊天框底部的 MCP 开关是否打开，再确认模型是否支持函数调用。两个条件缺一个，AI 都只会用普通对话回复，不会触发工具。

STDIO 服务启动失败。九成是参数格式问题。filesystem 的目录参数必须单独占一行，写成一行会被当成一个参数解析，导致路径错误。另外确认 Node.js 和 Python 环境已装好，UV 和 Bun 的安装提示如果一直不消失，可以先跳过，不影响大部分服务。

SSE 服务返回错误代码。先确认 URL 是否完整复制，SSE 地址通常以/sse/开头。如果 URL 没问题，多半是目标网站的反爬策略，换网站测试即可。

内网穿透后远程调用失败。检查三处：Ollama 的环境变量是否设置并重启了服务；cpolar 隧道是否处于在线状态；远程客户端填的 API 地址是否是当前有效的公网地址。cpolar 免费版的随机地址 24 小时会变，如果第二天连不上，先去看隧道列表里的新地址。

模型列表里看不到本地模型。在 Cherry Studio 的 Ollama 服务里点"管理"，确认模型已添加。如果模型名称后没有扳手图标，手动勾选"支持函数调用"再保存。

注意：排障时按"模型层 → MCP 层 → 网络层"的顺序查，不要一上来就改配置。大部分问题出在开关没开或模型不支持函数调用这两个点上。

6. 把 Key 和工具链固定下来

走到这一步，你应该已经能在 Cherry Studio 里让 AI 自动调用工具了。接下来值得做的是把配置固化：模型调用统一走 TaoToken 的 API 通道，用一个 Key 管理；MCP 服务按用途分类，本地文件操作走 STDIO，在线数据获取走 SSE；远程访问用内网穿透补上，但记得把随机地址换成固定二级子域名，避免每天改配置。

如果你要长期跑编码或 Agent 任务，建议把模型和工具链的配置沉淀成一份可复用的 settings 文件，配合 Coding Plan 使用：

• Coding Plan：https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding-plan&utm_campaign=rewrite

接入文档里有更细的参数说明，配置卡住时可以对照查：

• 接入文档：https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite

需要新建或轮换 Key 时，直接去 API Keys 页面操作：

• API Keys：https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api-keys&utm_campaign=rewrite

最后留一个实用习惯：每次改完 MCP 配置，先发一个最简单的文件创建请求做冒烟测试，确认链路通了再去跑复杂任务。这样出问题时，你能立刻判断是新配置引入的，还是任务本身的问题。