企业官网建设流程全解析

1. 从 FAQ 页面到能对话的知识库，中间卡在哪

很多团队做智能问答系统的起点都很像：官网有一堆 FAQ，客服每天重复回答同样的问题，于是想把 FAQ 变成知识库，让模型来答。方向没错，但真正动手时会发现，链路比想象中长——要爬网页、要抽问答对、要建向量库、要接模型，每一步都涉及不同的工具和鉴权。

Amazon Q CLI 加 Bedrock 知识库这套组合，恰好能把这条链路串起来。Q CLI 是命令行里的 AI 助手，从 1.9.0 版本开始支持 MCP，意味着它能调用外部工具；Bedrock 知识库负责把结构化数据变成可检索的向量存储。两者配合，理论上可以做到：用自然语言让 Q CLI 去爬 FAQ 页面，整理成 Excel，再导入知识库，最后用模型生成回答。

但我在实际搭这套东西时，最先撞上的不是技术难点，而是 Key 的管理问题。Q CLI 调 MCP Server 需要一套鉴权，Bedrock 知识库检索需要另一套凭证，模型推理又是第三套。三套 Key 分散在不同配置文件里，改一个环境就要同步改三处，调试时经常分不清是哪个环节的鉴权挂了。更麻烦的是，MCP 工具调用链一旦变长，报错信息往往只告诉你"鉴权失败"，不告诉你是哪一层失败。

这篇要解决的就是这个问题：把 MCP endpoint 和鉴权配置统一收口到 TaoToken，用一套 Key 打通 Q CLI 到 Bedrock 知识库的调用链。适合正在搭企业问答系统、被多 Key 配置折腾过的开发者。下面从环境准备开始，一步步给出可复制的配置片段，最后跑一次完整的问答链路验证。

2. 用 TaoToken 统一 MCP 调用链的鉴权入口

先说清楚 TaoToken 在这套架构里扮演什么角色。它提供的是统一的 API 接入层，把模型调用、MCP 工具调用的鉴权收敛到一个 Base URL 加一个 Key。你不需要在 Q CLI 的 mcp.json、Bedrock 的 SDK 配置、模型推理的客户端里分别填不同的凭证，而是让这些调用都指向同一个入口。

具体来说，Q CLI 通过 MCP 协议调用外部工具时，MCP Server 的 endpoint 可以配置成 TaoToken 的 API 地址；Bedrock 知识库检索和模型推理，同样走这个统一入口。这样做的直接好处是：换环境时只改一处 Key，排查鉴权问题时只需要看一个地方。

TaoToken 的 API 地址是https://taotoken.net/api，注意这个地址不带任何查询参数，直接作为 Base URL 使用。官网入口在https://taotoken.net/?utm_source=taotoken_aicg_blog_end，注册和查看文档都从这里进。

在开始配置之前，你需要先拿到 Key。进入控制台的 API Keys 页面创建一个，建议按用途命名，比如qcli-bedrock-kb，方便后续区分。创建后 Key 只显示一次，复制保存好。

这里有个容易踩的坑：很多人会把官网地址和 API 地址搞混。官网地址带 UTM 参数，是给人看的；API 地址是给程序调用的，不要带任何多余参数。配置 MCP Server 时如果填了带参数的地址，请求会直接失败。

另外，TaoToken 支持模型对话、Coding Plan、控制台管理等多个入口。如果你后续要做长期编码或 Agent 任务，可以了解 Coding Plan；如果只是验证模型连通性，用模型对话页面就够了。但本篇的重点是 MCP 调用链的鉴权统一，所以配置都围绕 API 地址展开。

配置前还需要确认 Q CLI 的版本。MCP 支持是从 1.9.0 开始的，用q --version检查一下。如果版本过低，先升级。Bedrock 知识库那边，确保你的知识库已经创建好，并且有可用的数据源，这部分不在本篇展开，假设你已经有一个待接入的知识库。

3. 可复制的 MCP 与 Bedrock 配置片段

这一节给出具体的配置文件。Q CLI 的 MCP 配置在~/.aws/amazonq/mcp.json，Bedrock 相关的凭证通过环境变量注入。两处都指向 TaoToken 的统一入口。

先看 MCP 配置。原来的 Playwright MCP Server 配置里，command 和 args 是固定的，但如果你要通过 TaoToken 代理 MCP 调用，需要在环境变量里注入 Base URL 和 Key。下面这个片段可以直接复制，把YOUR_TAOTOKEN_KEY替换成你实际的 Key：

{ "mcpServers": { "playwright": { "command": "npx", "args": ["-y", "@executeautomation/playwright-mcp-server"], "env": { "TAOTOKEN_BASE_URL": "https://taotoken.net/api", "TAOTOKEN_API_KEY": "YOUR_TAOTOKEN_KEY" } } } }

注意env字段里的两个变量。TAOTOKEN_BASE_URL固定为https://taotoken.net/api，不要加斜杠结尾，也不要加任何查询参数。TAOTOKEN_API_KEY填你创建的那个 Key。

接下来是 Bedrock 知识库检索和模型推理的配置。这部分不走 mcp.json，而是通过 Python SDK 的客户端配置。下面是一个完整的配置片段，包含 Base URL、Key 和 Model ID 三件套：

import boto3 import os # TaoToken 统一入口配置 TAOTOKEN_BASE_URL = "https://taotoken.net/api" TAOTOKEN_API_KEY = os.environ.get("TAOTOKEN_API_KEY") # Bedrock 知识库配置 KNOWLEDGE_BASE_ID = "YOUR_KB_ID" MODEL_ID = "anthropic.claude-3-sonnet-20240229-v1:0" # 构建 bedrock-agent-runtime 客户端 bedrock_agent_runtime = boto3.client( service_name="bedrock-agent-runtime", endpoint_url=TAOTOKEN_BASE_URL, aws_access_key_id=TAOTOKEN_API_KEY, aws_secret_access_key=TAOTOKEN_API_KEY, region_name="us-east-1" ) # 构建 bedrock-runtime 客户端（用于模型推理） bedrock_runtime = boto3.client( service_name="bedrock-runtime", endpoint_url=TAOTOKEN_BASE_URL, aws_access_key_id=TAOTOKEN_API_KEY, aws_secret_access_key=TAOTOKEN_API_KEY, region_name="us-east-1" )

这里有几个关键点。endpoint_url指向 TaoToken 的 API 地址，aws_access_key_id和aws_secret_access_key都填同一个 Key。Model ID 根据你实际使用的模型填写，上面给的是 Claude 3 Sonnet 的示例。如果你用的是其他模型，替换成对应的 ID。

如果你用的是 Codex 或 Cline 这类工具，配置方式类似，核心都是 Base URL 加 Key 加 Model ID 三件套。Codex 的auth.json里填 Base URL 和 Key，Cline 的 MCP 配置里同样注入这两个环境变量。CC Switch 切换配置时，也只需要切换这一组值。

配置完成后，启动 Q CLI 的 chat 模式，输入/mcp查看 MCP Server 状态。如果配置正确，会看到 playwright 处于 running 状态。如果显示 failed，先检查 Key 是否有效，再检查 Base URL 是否有多余字符。

4. 跑一次完整的问答链路验证

配置就绪后，用一次完整的问答来验证链路是否跑通。这个验证分两步：先用 Q CLI 通过 MCP 爬取 FAQ 页面并整理成结构化数据，再用 Bedrock 知识库检索加模型生成回答。

第一步，在 Q CLI 的 chat 里输入自然语言指令，让它去爬一个 FAQ 页面。指令可以这样写：

访问 https://www.example.com/faq，点击 [data-section="business"]，只获取页面的文字内容而非 html 内容，然后将文字内容保存到 faq_business.txt

Q CLI 会调用 Playwright MCP Server 的工具链：playwright_navigate打开页面，playwright_click点击指定元素，playwright_get_visible_text获取可见文本，最后用文件写入工具保存。整个过程在终端里能看到工具调用的日志。

这里有个细节值得注意：指令里明确写了[data-section="business"]这个 selector。如果不写，模型可能会自己猜一个 selector，猜错了就点不到正确的链接。获取准确 selector 的方法是在浏览器开发者工具里选中目标元素，右键复制 selector，然后放进指令里。

爬取完成后，继续让 Q CLI 把文本整理成 Excel。指令类似：

读取 faq_business.txt，将内容按问答对拆分成结构化数据，每个问答对包含 Category、Sub-Category、Question、Answer 四列，保存为 faq_business.xlsx

Q CLI 会调用文件读取和数据处理工具，几分钟内生成 Excel 文件。这一步的产出是后续知识库导入的数据源。

第二步，验证 Bedrock 知识库检索和模型回答。用前面配置好的 Python 客户端，先做一次检索：

retrieval_config = { 'vectorSearchConfiguration': { 'numberOfResults': 3 } } # 如果问题分类明确，添加元数据过滤 category = "Business" if category != "others": retrieval_config['vectorSearchConfiguration']['filter'] = { 'equals': { 'key': 'Category', 'value': category } } response = bedrock_agent_runtime.retrieve( retrievalQuery={'text': '如何修改订单'}, knowledgeBaseId=KNOWLEDGE_BASE_ID, retrievalConfiguration=retrieval_config ) print(response['retrievalResults'])

如果检索返回了结果，说明知识库链路通了。接下来做模型推理：

system_prompt = "你是一个客服助手，根据提供的知识库内容回答用户问题。如果知识库中没有相关信息，直接告知用户。" user_message = f"用户问题：如何修改订单\n\n知识库内容：{response['retrievalResults']}" messages = [{ "role": "user", "content": [{"text": user_message}] }] inference_config = {"temperature": 0} model_response = bedrock_runtime.converse( modelId=MODEL_ID, messages=messages, system=[{"text": system_prompt}], inferenceConfig=inference_config ) print(model_response['output']['message']['content'][0]['text'])

如果模型返回了基于知识库内容的回答，整条链路就跑通了。从 Q CLI 爬取数据，到知识库检索，再到模型生成回答，全部走 TaoToken 的统一入口。

实测下来，这套配置最省心的地方是排查问题。以前三套 Key 的时候，报错要看三个地方；现在只需要确认一个 Key 是否有效，Base URL 是否正确。如果检索返回空，先检查知识库 ID 和过滤条件；如果模型不返回，先检查 Model ID 和推理参数。

5. 常见报错与排查对照

配置和验证过程中，有几类报错出现频率最高。下面按报错信息对照排查，都是实际遇到过的。

401 Unauthorized：这是最常见的鉴权失败。先检查TAOTOKEN_API_KEY是否填对，有没有多余空格。然后确认 Base URL 是不是https://taotoken.net/api，不要带 UTM 参数，不要加斜杠结尾。如果 Key 是在控制台刚创建的，确认复制完整了，Key 只显示一次。

local proxy failed / connection refused：这个报错通常出现在 MCP Server 启动阶段。检查mcp.json里的env字段是否正确注入，特别是TAOTOKEN_BASE_URL有没有拼错。另外确认 Q CLI 版本在 1.9.0 以上，低版本不支持 MCP 的 env 注入。

reading choices 相关报错：这个一般出现在模型推理返回解析阶段。检查converse调用的返回结构，不同模型的返回字段可能略有差异。如果用的是 Claude 系列，output.message.content[0].text是标准路径。如果报错说找不到 choices，说明你可能在用 OpenAI 格式的返回解析，但实际调用的是 Bedrock 格式，两者结构不同。

OAuth 相关报错：如果你在配置里混用了 OAuth 凭证和 API Key，会出现这个报错。TaoToken 的接入用的是 API Key，不需要 OAuth 流程。检查auth.json或环境变量里有没有残留的 OAuth 配置，清掉即可。

知识库检索返回空：这不是鉴权问题，而是检索配置问题。先确认KNOWLEDGE_BASE_ID正确，再检查元数据过滤条件。如果Category过滤值写错了，检索会返回空。可以先把过滤条件去掉，用纯向量检索测试，确认知识库本身有数据。

MCP 工具调用超时：Playwright 爬取网页时，如果页面加载慢或元素找不到，会超时。检查 selector 是否正确，页面是否需要登录。可以在指令里加等待时间，或者先用playwright_navigate单独测试页面能否打开。

排查时有个原则：先确认鉴权层通不通，再确认业务层对不对。鉴权层的检查很简单，用 curl 直接请求 TaoToken 的 API 地址，看返回状态码。如果 401，就是 Key 或 Base URL 的问题；如果 200，说明鉴权没问题，再去查业务配置。

6. 把 Key 收口之后，链路才真正可维护

搭完这套系统，最大的感受是：智能问答系统的难点不在模型，而在链路的可维护性。Q CLI 加 Bedrock 知识库的组合本身能力很强，MCP 让工具调用变得灵活，元数据过滤让检索更精准。但如果鉴权分散在三四个地方，每次调试都像在拆盲盒。

把 MCP endpoint 和 Bedrock 凭证统一到 TaoToken 之后，配置从三套变成一套，排查从三个地方变成一个地方。这不是功能上的增强，而是工程上的减负。对于要长期维护的问答系统来说，这种减负比多接一个模型更有价值。

如果你正在搭类似的系统，建议先把鉴权收口做好，再往上叠功能。MCP 调用链越长，鉴权统一带来的收益越大。后续如果要加新的 MCP Server，或者换模型，只需要改一处配置，不用动整条链路。

最后留一个实用技巧：在mcp.json和 Python 配置里，把 Base URL 和 Key 都通过环境变量注入，不要硬编码在文件里。这样切换环境时只需要改环境变量，配置文件可以纳入版本管理，团队协作时也不会因为 Key 泄露而返工。