企业官网建设流程全解析

1. 为什么要在 Trae 里接 MCP Servers 做技术资源推荐

技术资源推荐这件事，单独写个脚本也能做，但真正落地时会遇到三个绕不开的问题：第一，资源散落在 GitHub、技术博客、官方文档、问答社区，靠人工整理永远追不上更新速度；第二，推荐逻辑一旦写死，换个技术栈就得重写一遍；第三，推荐结果没有记忆，每次都要从头描述需求。Trae 结合 MCP Servers 的价值就在于，它把「工具调用」和「模型推理」拆开了——MCP Server 负责抓取、存储、检索这些确定性动作，Trae 里的智能体负责理解你的关键词、判断资源质量、组织推荐列表。你不需要在 Trae 里写爬虫，也不需要自己维护向量库，只要把 MCP Server 挂上去，用 Prompt 把推荐规则说清楚，就能跑通一条从关键词到推荐列表的链路。

这套方案适合谁？如果你经常需要给团队整理学习资料、给新人找入门项目、或者自己收藏了一堆链接却从来没看过，那这个智能体就是为你准备的。它不追求「全网最全」，而是追求「你输入一个关键词，它给你一份能直接点开看的短列表」。我实测下来，整个配置过程大概二十分钟，其中大部分时间花在确认 MCP Server 的启动参数上，真正写 Prompt 和调推荐规则反而很快。

先明确一下本文要用的两个 MCP Server。一个是 memory，基于知识图谱的持久化内存系统，用来存你推荐过的资源、你的偏好标签、以及资源之间的关联关系；另一个是 playwright，浏览器自动化服务器，让模型能在真实浏览器环境里打开页面、截图、执行 JavaScript，用来抓取资源页面的标题、摘要、Star 数这些元信息。这两个组合起来，刚好覆盖「收集」和「记忆」两个环节，推荐算法本身交给 Trae 的模型去推理。

需要提前说明的是，MCP Server 本身不绑定任何特定模型，它只是一个工具协议。你在 Trae 里配置好之后，模型会根据你的 Prompt 决定什么时候调用哪个工具。所以配置的重点不是「连上就行」，而是让模型知道：遇到关键词先查 memory 里有没有历史记录，没有再去 playwright 抓取，抓完把结果写回 memory。这个流程需要在 Prompt 里写清楚，否则模型可能每次都重新抓，既慢又浪费。

另外，TaoToken 在这里的角色是提供模型调用能力。如果你的 Trae 环境需要配置模型 API，可以用 TaoToken 的 API 地址和 Key，它兼容常见的 OpenAI 格式接口，配置起来比较直接。下面会先讲前置准备，再给可复制的配置片段。

2. TaoToken 前置准备与 Trae 侧模型接入配置

在 Trae 里接 MCP Servers 之前，先确认模型调用通道是通的。Trae 本身支持多种模型接入方式，如果你用的是自定义 API，需要填 Base URL、API Key 和 Model ID 这三件套。TaoToken 的 API 地址是https://taotoken.net/api，注意这个地址不带任何查询参数，直接填在 Base URL 里就行。API Key 在 TaoToken 控制台的 API Keys 页面生成，生成后复制保存，后面配置里会用到。

模型 ID 这块，TaoToken 支持多种模型，你在控制台或者模型对话页面能看到可用列表。选一个适合做工具调用的模型，因为 MCP 场景下模型需要理解工具描述并决定调用时机，纯文本模型可能会忽略工具。我一般选带 function calling 能力的模型，具体名称以你控制台显示的为准。

配置路径在 Trae 的设置里，找到模型配置或者 API 配置区域，填入：

{ "base_url": "https://taotoken.net/api", "api_key": "你的_TaoToken_API_Key", "model": "你的模型ID" }

注意base_url后面不要加/v1或者斜杠，TaoToken 的接口路径已经处理好了。填完之后点测试连接，如果返回正常，说明模型通道没问题。这一步看起来简单，但后面 MCP Server 调用失败时，有一半概率是这里没配对，所以先确认。

接下来是 MCP Servers 的配置。Trae 的 MCP 配置通常放在项目根目录或者用户配置目录下的mcp.json文件里，具体路径看你使用的 Trae 版本。文件结构是一个 JSON 对象，mcpServers字段下面挂各个 Server 的定义。每个 Server 需要指定启动命令、参数和环境变量。

memory Server 的配置大概长这样：

{ "mcpServers": { "memory": { "command": "npx", "args": [ "-y", "@modelcontextprotocol/server-memory" ], "env": { "MEMORY_FILE_PATH": "./memory.json" } } } }

MEMORY_FILE_PATH是知识图谱的持久化文件路径，建议放在项目目录下，这样换项目时记忆是隔离的。如果你希望跨项目共享记忆，可以改成绝对路径。

playwright Server 的配置：

{ "mcpServers": { "playwright": { "command": "npx", "args": [ "-y", "@modelcontextprotocol/server-playwright" ] } } }

两个 Server 可以放在同一个mcp.json里，合并后就是完整的配置。注意npx命令需要本地有 Node.js 环境，版本建议 18 以上。如果启动时报command not found，检查 Node 是否在 PATH 里。

配置写完后，在 Trae 里重新加载 MCP 配置，或者重启 Trae。加载成功后，你会在工具列表里看到 memory 和 playwright 提供的工具，比如create_entities、create_relations、browser_navigate、browser_snapshot这些。看到这些工具名，说明 MCP Server 已经挂上了。

这里有个容易踩的坑：有些 Trae 版本要求 MCP Server 的配置写在特定的 settings 文件里，而不是mcp.json。如果你在mcp.json里配了但工具列表没出现，去 Trae 的设置界面找 MCP 或者 Tools 相关选项，看看是不是需要在那里手动添加。另外，playwright Server 第一次启动会下载浏览器内核，可能需要几分钟，耐心等一下。

模型通道和 MCP Server 都配好之后，就可以进入下一步：写推荐规则和调用参数。

3. 可复制的 MCP 配置片段与推荐规则模板

这一节给出一份可以直接复制的配置和 Prompt 模板。配置部分包括mcp.json的完整内容和 Trae 侧调用参数，Prompt 部分包括推荐规则、输出格式和工具调用顺序。

先看mcp.json完整内容：

{ "mcpServers": { "memory": { "command": "npx", "args": [ "-y", "@modelcontextprotocol/server-memory" ], "env": { "MEMORY_FILE_PATH": "./tech-recommend-memory.json" } }, "playwright": { "command": "npx", "args": [ "-y", "@modelcontextprotocol/server-playwright" ], "env": { "PLAYWRIGHT_HEADLESS": "true" } } } }

PLAYWRIGHT_HEADLESS设为true表示无头模式，抓取时不会弹出浏览器窗口。如果你需要看抓取过程，改成false。

Trae 侧调用参数主要是在智能体配置里指定使用的 MCP Server 和模型。如果你用的是 Trae 的 Agent 配置界面，勾选 memory 和 playwright 两个 Server，模型选你在 TaoToken 里配置的那个。如果是通过配置文件，大概是这样：

{ "agent": { "name": "tech-resource-recommender", "model": "你的模型ID", "mcpServers": ["memory", "playwright"], "systemPrompt": "见下方推荐规则模板" } }

推荐规则模板是核心，直接决定推荐质量。下面这份 Prompt 你可以复制到 Trae 的 System Prompt 或者对话开头：

你是一个技术资源推荐助手。你的任务是根据用户输入的关键词，推荐 3-5 个高质量技术资源。 工作流程： 1. 收到关键词后，先调用 memory 的 search_nodes 工具，查询是否已有相关资源记录。 2. 如果 memory 中有记录，直接基于记录推荐，并说明来源是历史记忆。 3. 如果 memory 中没有记录，调用 playwright 的 browser_navigate 打开搜索页，抓取资源列表。 4. 对每个候选资源，调用 browser_snapshot 获取页面摘要，提取标题、描述、Star 数（如果是 GitHub）。 5. 按以下规则筛选： - 优先选择最近一年内有更新的资源 - GitHub 项目 Star 数低于 100 的降权 - 官方文档和知名博客优先于个人转载 - 同一类型资源最多推荐 2 个 6. 将筛选后的资源写入 memory，使用 create_entities 创建资源节点，使用 create_relations 建立关键词与资源的关联。 7. 输出推荐列表，每个资源包含：名称、链接、一句话推荐理由、适合人群。 输出格式： ## 推荐列表 1. [资源名称](链接) - 推荐理由（适合：xxx） 2. ... 注意：不要编造链接，所有链接必须来自 playwright 抓取结果或 memory 记录。

这份 Prompt 的关键点在于把工具调用顺序写死了：先查 memory，再抓取，再写回。如果不写清楚，模型可能会跳过 memory 直接抓取，导致每次都是冷启动。另外，筛选规则要具体，比如「Star 数低于 100 降权」比「选择高质量资源」可执行得多。

还有一个细节：memory 的create_entities需要指定实体类型和观察值。你可以在 Prompt 里补充：

创建资源实体时，entityType 设为 "TechResource"，observations 包含：关键词、链接、推荐理由、抓取时间。

这样后续查询时可以通过关键词快速定位。

配置和 Prompt 都准备好后，就可以跑一次验证流程了。

4. 从关键词到推荐列表的验证请求与成功结果

这一节演示一次完整调用。我用的关键词是「Rust 异步编程」，你可以换成任何你关心的技术方向。

在 Trae 的对话窗口输入：

帮我推荐 Rust 异步编程的学习资源

模型收到后，按照 Prompt 的流程，第一步会调用 memory 的search_nodes，查询参数是Rust 异步编程。因为是第一次运行，memory 里没有记录，返回空结果。

第二步，模型调用 playwright 的browser_navigate，打开一个搜索页。这里具体打开哪个页面取决于模型的选择，可能是 GitHub 搜索、也可能是技术社区。我实测时模型打开了 GitHub 搜索Rust async programming，然后调用browser_snapshot获取页面内容。

第三步，模型从快照里提取候选资源，比如tokio-rs/tokio、async-rs/async-std、rust-lang/async-book这些。对每个候选，模型会再调用一次browser_navigate打开项目主页，用browser_snapshot抓取 Star 数和最近更新时间。

第四步，按规则筛选。tokioStar 数很高，保留；async-book是官方文档，保留；某个 Star 数只有 30 的小项目被降权，没有进入最终列表。

第五步，模型调用 memory 的create_entities，创建三个资源节点，然后调用create_relations，建立「Rust 异步编程」到这三个资源的关联。

最后输出：

## 推荐列表 1. [tokio-rs/tokio](https://github.com/tokio-rs/tokio) - Rust 异步运行时的事实标准，生态最完整（适合：需要生产级异步运行时的开发者） 2. [rust-lang/async-book](https://github.com/rust-lang/async-book) - 官方异步编程教程，从 Future 讲到 executor（适合：想系统理解异步原理的初学者） 3. [async-rs/async-std](https://github.com/async-rs/async-std) - 标准库风格的异步运行时，API 更接近 std（适合：偏好标准库风格的开发者）

整个过程大概十几秒，其中 playwright 抓取占了大头。如果你觉得慢，可以在 Prompt 里限制只抓取前 5 个候选，减少浏览器调用次数。

验证成功的标志有三个：第一，推荐列表里的链接能点开，不是编造的；第二，memory 文件里多了三个实体节点；第三，再次输入同样的关键词时，模型直接返回历史记录，不再调用 playwright。第三点很重要，说明记忆生效了。

你可以打开tech-recommend-memory.json看看内容，大概长这样：

{ "entities": [ { "name": "tokio-rs/tokio", "entityType": "TechResource", "observations": ["关键词: Rust 异步编程", "链接: https://github.com/tokio-rs/tokio", "推荐理由: Rust 异步运行时的事实标准"] } ], "relations": [ { "from": "Rust 异步编程", "to": "tokio-rs/tokio", "relationType": "recommends" } ] }

看到这个文件，说明整条链路跑通了。接下来可以试试换个关键词，比如「Go 微服务」，看看模型是否能复用同样的流程。

5. 常见报错排查：401、local proxy failed、reading choices、OAuth

这一节整理几个我实际遇到过的报错，以及对应的排查方向。这些报错不一定都出现在你的环境里，但遇到了可以对照看看。

401 Unauthorized

这个报错通常出现在模型调用环节，不是 MCP Server 本身的问题。原因一般是 TaoToken 的 API Key 没填对，或者 Key 过期了。排查步骤：打开 Trae 的模型配置，确认api_key字段填的是完整的 Key，没有多余空格；确认base_url是https://taotoken.net/api，没有拼错；去 TaoToken 控制台的 API Keys 页面确认这个 Key 还在有效期内。如果 Key 没问题，试试在模型对话页面直接发一条消息，看是否能正常返回。如果模型对话正常但 Trae 里报 401，可能是 Trae 的配置没保存，重新加载一下。

local proxy failed

这个报错一般和网络环境有关，但不要往代理方向想。更常见的原因是 MCP Server 启动失败，Trae 尝试连接本地进程时超时。排查步骤：先确认npx命令能正常运行，在终端执行npx -y @modelcontextprotocol/server-memory，看是否能启动；如果报command not found，检查 Node.js 是否安装、是否在 PATH 里；如果启动后立刻退出，检查MEMORY_FILE_PATH指向的目录是否存在，路径不要用~，用相对路径或绝对路径。另外，playwright Server 第一次启动需要下载浏览器，如果下载卡住，也会表现为连接超时。可以手动执行npx playwright install chromium先装好浏览器。

reading choices 报错

这个报错通常出现在模型返回结果解析阶段，提示读取choices字段失败。原因可能是模型返回的格式不符合 OpenAI 兼容格式，或者返回内容为空。排查步骤：确认你选的模型支持 function calling，纯文本模型在工具调用场景下可能返回非标准格式；检查 TaoToken 控制台里该模型的状态，是否正常；如果只在特定关键词下报错，可能是 Prompt 太长导致截断，试着精简 Prompt 或者减少候选资源数量。另外，有些模型在工具调用后会返回tool_calls而不是choices，如果你的 Trae 版本对这块处理不完善，可以换一个模型试试。

OAuth 相关报错

如果你在配置 MCP Server 时看到 OAuth 字样，通常是因为某个 Server 需要授权访问外部服务。memory 和 playwright 这两个 Server 不需要 OAuth，所以如果你遇到 OAuth 报错，检查一下是不是配置里混入了其他 Server。另外，Trae 本身如果开启了账号同步功能，偶尔会弹 OAuth 授权，这个和 MCP 无关，按提示操作即可。如果 OAuth 报错导致 MCP 加载失败，先禁用其他 Server，只保留 memory 和 playwright，确认基础链路能跑通再逐个加回。

除了这些具体报错，还有一个通用排查方法：打开 Trae 的日志面板，看 MCP Server 的启动日志和工具调用日志。大部分问题在日志里都有线索，比如「tool not found」说明 Server 没挂上，「timeout」说明抓取超时。日志比报错信息更详细，遇到问题先看日志。

6. 长期使用建议与 CTA

这套配置跑通之后，你可以把它当成一个长期的技术资源入口。几个实用建议：第一，定期清理 memory 文件，如果某个关键词下的资源已经过时，手动删掉对应实体，或者在 Prompt 里加一条「推荐前检查资源更新时间，超过两年的标记为过时」；第二，如果你有多个技术方向，可以给每个方向建一个独立的 memory 文件，通过环境变量切换，避免记忆混乱；第三，playwright 抓取比较慢，如果只是查历史记录，可以在 Prompt 里加一句「如果 memory 中有足够记录，跳过 playwright 抓取」，这样响应会快很多。

如果你想把推荐结果分享给团队，可以把 memory 文件放到共享目录，或者定期导出成 Markdown 列表。Trae 本身支持导出对话，但 memory 文件是独立的，需要手动同步。

需要 TaoToken 的 API Key 和模型配置，可以去控制台生成：

https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=api_keys

接入文档和 MCP 配置说明在这里：

https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=doc

如果你想先试试模型对话，确认模型能不能正常调用工具，可以打开：

https://taotoken.net/chat?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=model_chat

长期做编码和 Agent 开发的话，Coding Plan 更划算：

https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=coding_plan

配置过程中如果遇到 MCP Server 启动问题，先确认 Node 环境和路径，再看 Trae 日志。大部分问题都能在日志里找到答案。