企业官网建设流程全解析

1. 为什么我要自己动手写一个 MCP

1.1 从一次崩溃的 Excel 处理经历说起

上个月帮朋友处理一批销售数据，大概三百多个 Excel 文件，每个文件结构类似但列名有细微差异，需要统一格式后合并汇总。我一开始想的是写个 Python 脚本批量跑一遍就完事了，结果打开第一个文件就发现，列名有中文有英文，有的表头在第一行，有的在第三行，还有几个文件里混着合并单元格。纯脚本处理不是不行，但每遇到一种新情况就得改代码、重跑、再检查，来回折腾了整整一个下午。

后来我换了个思路：能不能让 AI 来帮我判断这些乱七八糟的表格结构，然后自动生成处理逻辑？试了几个现成的方案，要么是上传文件到网页端手动操作，要么是写死的规则引擎，灵活性都不够。直到我认真研究了一下 MCP 这个东西，才发现它正好能解决我的问题——把 Excel 处理能力封装成一个 AI 可以调用的工具，让 AI 根据实际数据情况动态决定怎么处理。

这就是我开发第一个 MCP 项目的起点。说白了，MCP 就是一套让 AI 模型能够调用外部工具的协议标准，你可以把它理解成 AI 和你的代码之间的一座桥。桥这边是 AI 的对话界面，桥那边是你写的 Python 函数，AI 说“帮我读一下这个 Excel 的列名”，你的函数就去读，然后把结果返回给 AI，AI 再决定下一步做什么。

1.2 这个项目适合谁来参考

如果你符合下面任意一条，这篇内容应该对你有用：

• 经常需要处理 Excel 数据，但每次遇到格式不统一的文件就头疼
• 有 Python 基础，想试试怎么把自己的代码接入 AI 工作流
• 听说过 MCP 但还没动手写过，想找一个完整的入门项目练手
• 已经在用一些 AI 编程工具，想进一步扩展 AI 能做的事情

不需要你是什么 AI 专家，也不需要你懂什么大模型原理。只要你会写基本的 Python 函数，知道 Excel 大概是怎么回事，就能跟着走下来。我尽量把每一步都拆开讲清楚，包括我踩过的坑和后来想明白的道理。

1.3 整体方案是怎么设计的

我的核心思路很简单：把 Excel 处理拆成若干个原子操作，每个操作封装成一个 MCP 工具，让 AI 根据任务需要自己组合调用。

具体来说，我定义了这么几个工具：

这样设计的好处是，AI 不需要一次性理解整个复杂任务，它可以先读信息、再判断、再操作、再验证，像人一样一步步来。比如遇到列名不统一的情况，AI 可以先读所有文件的列名，然后自己判断哪些列是同一个意思，再决定怎么对齐。

为什么不用一个大而全的函数搞定所有事情？因为 AI 调用工具的次数是有限的，每次调用都有开销。如果工具粒度太粗，AI 很难精确控制；如果粒度太细，调用次数又会爆炸。我试了几轮之后发现，按“读、写、转换、合并”这四个维度来拆分，颗粒度刚刚好。

2. 动手之前先把这些概念理清楚

2.1 MCP 到底是个什么东西

MCP 全称是 Model Context Protocol，翻译过来叫“模型上下文协议”。这个名字听起来很唬人，但其实概念特别简单。

你可以把它想象成 USB 接口。以前每个设备都有自己的充电口，诺基亚的、摩托罗拉的、索尼的都不一样，出门得带一堆线。后来有了 USB-C，一个口就能搞定所有设备。MCP 做的事情类似：以前每个 AI 平台接入外部工具的方式都不一样，OpenAI 有一套、Claude 有一套、其他平台又有一套，开发者要适配很多遍。MCP 就是想让大家都用同一个标准，你按这个标准写一次工具，所有支持 MCP 的 AI 平台都能用。

具体到技术层面，MCP 定义了一套通信规则：AI 端叫 Client，工具端叫 Server，两者之间通过标准化的消息格式来交互。Server 端需要声明自己提供哪些工具、每个工具需要什么参数、返回什么结果。Client 端负责把 AI 的意图翻译成对工具的调用请求，再把结果传回给 AI。

我一开始以为 MCP 是什么高深的技术，实际写下来发现，核心就是定义一个工具列表，然后实现每个工具的处理函数。协议本身帮你处理了通信、序列化、错误传递这些事情，你只需要关注业务逻辑。

2.2 为什么选 Python 来写

选 Python 的理由很直接：Excel 处理生态最成熟。openpyxl、pandas、xlrd 这些库经过多年打磨，各种边界情况都处理得差不多了。你要是用 JavaScript 或者 Go 来写，光是处理 Excel 的各种格式兼容性就够喝一壶的。

另外 Python 写 MCP Server 的入门门槛确实低。官方提供了 SDK，你装好包之后，定义一个函数、加个装饰器、声明一下参数类型，基本上就能跑了。不需要你懂什么异步编程、网络协议，SDK 都帮你封装好了。

还有一个实际考虑：我平时做数据分析、自动化脚本都是用 Python，Excel 处理这块的代码积累比较多，直接复用起来方便。如果你主力语言是别的，也不用担心，MCP 协议本身是语言无关的，用你熟悉的语言写 Server 完全没问题，只是 Python 的现成轮子最多。

2.3 环境准备：装什么、怎么装

先把基础环境搭好。我假设你已经装了 Python，如果还没装，去官网下载最新稳定版就行，安装的时候记得勾选“Add Python to PATH”，不然后面命令行里调不到 python 命令。

装好 Python 之后，打开终端或命令行，依次执行下面几个命令：

pip install mcp pip install openpyxl pip install pandas

这三个包分别是 MCP 的 Python SDK、Excel 读写库、数据处理库。版本方面，mcp 建议用 1.0 以上的，openpyxl 用 3.1 以上，pandas 用 2.0 以上。如果你之前装过旧版本，可以先升级一下：

pip install --upgrade mcp openpyxl pandas

装完之后可以验证一下：

import mcp import openpyxl import pandas print(mcp.__version__) print(openpyxl.__version__) print(pandas.__version__)

能正常打印出版本号就说明环境没问题了。

注意：如果你用的是 Windows 系统，建议在 WSL 或者 Git Bash 里操作，原生 CMD 和 PowerShell 有时候会有路径和编码的坑。我一开始在 CMD 里跑，中文路径死活读不出来，换成 Git Bash 就正常了。

2.4 项目目录结构怎么安排

我习惯把 MCP 项目按下面这个结构来组织：

excel-mcp-server/ ├── server.py # MCP Server 主入口 ├── tools/ │ ├── __init__.py │ ├── read_tools.py # 读取相关工具 │ ├── write_tools.py # 写入相关工具 │ └── transform_tools.py # 转换相关工具 ├── utils/ │ ├── __init__.py │ └── excel_helper.py # Excel 操作辅助函数 ├── requirements.txt └── README.md

这样分的好处是，工具多了之后不会全挤在一个文件里。每个工具模块只负责一类操作，改起来方便，也容易测试。utils 里放一些公共的辅助函数，比如路径处理、数据类型判断、异常封装这些。

requirements.txt 里把依赖列清楚：

mcp>=1.0.0 openpyxl>=3.1.0 pandas>=2.0.0

3. 核心工具的实现细节

3.1 读取表格信息：让 AI 先“看一眼”数据

这是最基础也最重要的一个工具。AI 在处理任何 Excel 之前，都需要先了解这个文件长什么样：有多少行、多少列、列名叫什么、每列大概是什么类型的数据。

实现思路很直接，用 openpyxl 打开文件，读第一行作为列名，然后统计行数，再对每列做一下类型推断。

from openpyxl import load_workbook from mcp.server import Server from mcp.types import Tool, TextContent server = Server("excel-mcp") @server.tool() async def read_excel_info(file_path: str, sheet_name: str = None) -> str: """读取 Excel 文件的基本信息，包括列名、行数、数据类型""" try: wb = load_workbook(file_path, read_only=True, data_only=True) if sheet_name: ws = wb[sheet_name] else: ws = wb.active # 读第一行作为列名 headers = [] for cell in ws[1]: headers.append(cell.value if cell.value else f"列{cell.column}") # 统计行数 row_count = ws.max_row - 1 # 对每列做类型推断 column_types = {} for idx, header in enumerate(headers): sample_values = [] for row in ws.iter_rows(min_row=2, max_row=min(12, ws.max_row), min_col=idx+1, max_col=idx+1): for cell in row: if cell.value is not None: sample_values.append(cell.value) if not sample_values: column_types[header] = "空列" elif all(isinstance(v, (int, float)) for v in sample_values): column_types[header] = "数值" elif all(isinstance(v, str) for v in sample_values): column_types[header] = "文本" else: column_types[header] = "混合" wb.close() result = f"文件: {file_path}\n" result += f"工作表: {ws.title}\n" result += f"数据行数: {row_count}\n" result += f"列数: {len(headers)}\n\n" result += "列信息:\n" for header in headers: result += f" - {header} ({column_types[header]})\n" return result except Exception as e: return f"读取失败: {str(e)}"

这里有几个细节值得说一下。

为什么用 read_only=True：只读模式打开文件速度快很多，尤其是大文件。我们只是读信息，不需要写入，用只读模式最合适。data_only=True 是为了拿到公式计算后的值，而不是公式本身。

为什么只采样前 10 行做类型推断：全量扫描太慢，而且实际数据里经常有异常值。采样前 10 行基本能判断出这一列的主要类型。如果前 10 行都是数字，第 11 行突然来个文本，那属于数据质量问题，不是类型推断要解决的。

列名为空怎么处理：实际 Excel 里经常有列没有表头，我用“列+序号”来兜底，保证每个列都有个标识符，AI 后续引用的时候不会搞混。

3.2 读取数据：按需取数，不要一次全读

AI 有时候只需要看几行数据来确认格式，有时候需要读整列来做分析。所以读取工具要支持灵活的范围指定。

@server.tool() async def read_excel_data( file_path: str, sheet_name: str = None, columns: list = None, start_row: int = 2, max_rows: int = 100 ) -> str: """读取 Excel 指定范围的数据""" try: wb = load_workbook(file_path, read_only=True, data_only=True) ws = wb[sheet_name] if sheet_name else wb.active # 获取所有列名 all_headers = [cell.value for cell in ws[1]] # 确定要读的列索引 if columns: col_indices = [] for col in columns: if col in all_headers: col_indices.append(all_headers.index(col)) else: return f"列 '{col}' 不存在，可用列: {all_headers}" else: col_indices = list(range(len(all_headers))) # 读取数据 data_rows = [] for row in ws.iter_rows(min_row=start_row, max_row=start_row + max_rows - 1, values_only=True): selected = [row[i] if i < len(row) else None for i in col_indices] data_rows.append(selected) wb.close() # 格式化为表格文本 selected_headers = [all_headers[i] for i in col_indices] result = " | ".join(str(h) for h in selected_headers) + "\n" result += "-" * 40 + "\n" for row in data_rows: result += " | ".join(str(v) if v is not None else "" for v in row) + "\n" return result except Exception as e: return f"读取失败: {str(e)}"

这个工具的关键在于参数设计要符合 AI 的使用习惯。AI 不会一次性告诉你“我要第 3 到第 15 行、第 2 和第 5 列”，它更可能说“帮我看看‘销售额’这一列的前 20 个值”。所以我把参数设计成列名列表 + 起始行 + 最大行数，AI 理解起来更自然。

max_rows 默认给 100，是防止 AI 不小心把整个大表都读出来，导致返回内容过长。如果确实需要更多数据，AI 可以自己调大这个参数，但至少有个默认的安全边界。

3.3 写入数据：小心再小心

写入操作比读取危险得多，因为一旦写错就可能覆盖原始数据。我的做法是默认不覆盖原文件，而是写入新文件，除非调用方明确指定要覆盖。

import shutil from datetime import datetime @server.tool() async def write_excel_data( file_path: str, data: list, sheet_name: str = None, start_cell: str = "A1", create_backup: bool = True ) -> str: """向 Excel 写入数据，默认创建备份""" try: # 创建备份 if create_backup: timestamp = datetime.now().strftime("%Y%m%d_%H%M%S") backup_path = f"{file_path}.backup_{timestamp}" shutil.copy2(file_path, backup_path) wb = load_workbook(file_path) ws = wb[sheet_name] if sheet_name else wb.active # 解析起始单元格 from openpyxl.utils import coordinate_to_tuple start_row, start_col = coordinate_to_tuple(start_cell) # 写入数据 for i, row_data in enumerate(data): for j, value in enumerate(row_data): ws.cell(row=start_row + i, column=start_col + j, value=value) wb.save(file_path) wb.close() return f"写入成功，共 {len(data)} 行，起始位置 {start_cell}" except Exception as e: return f"写入失败: {str(e)}"

备份机制是必须的。我在这上面吃过亏，有一次测试的时候不小心把客户给的原始数据覆盖了，还好之前手动复制过一份。从那以后，所有写入操作我都强制加备份，哪怕多占点磁盘空间也值得。

start_cell 参数用 Excel 的坐标格式（如“A1”、“C5”），而不是行号列号分开传，是因为 AI 对 Excel 坐标更熟悉，它生成坐标比生成两个数字更不容易出错。

3.4 列转换：最常用的数据处理操作

实际工作中，大部分 Excel 处理需求都可以归结为“对某一列做某种转换”。比如把文本转成数字、把日期格式化、把分类值映射成另一组值、对数值做计算等等。

@server.tool() async def transform_column( file_path: str, column_name: str, operation: str, params: dict = None, output_column: str = None ) -> str: """对指定列执行转换操作""" try: wb = load_workbook(file_path) ws = wb.active headers = [cell.value for cell in ws[1]] if column_name not in headers: return f"列 '{column_name}' 不存在" col_idx = headers.index(column_name) + 1 output_idx = headers.index(output_column) + 1 if output_column in headers else len(headers) + 1 if output_column and output_column not in headers: ws.cell(row=1, column=output_idx, value=output_column) params = params or {} for row in range(2, ws.max_row + 1): cell = ws.cell(row=row, column=col_idx) value = cell.value if operation == "to_number": try: new_value = float(value) if value else 0 except (ValueError, TypeError): new_value = params.get("default", 0) elif operation == "to_text": new_value = str(value) if value is not None else "" elif operation == "multiply": factor = params.get("factor", 1) new_value = (value or 0) * factor elif operation == "replace": old = params.get("old", "") new = params.get("new", "") new_value = str(value).replace(old, new) if value else "" elif operation == "extract": import re pattern = params.get("pattern", "") match = re.search(pattern, str(value)) if value else None new_value = match.group(0) if match else "" else: return f"不支持的操作: {operation}" ws.cell(row=row, column=output_idx, value=new_value) wb.save(file_path) wb.close() return f"转换完成: {column_name} -> {operation}" except Exception as e: return f"转换失败: {str(e)}"

operation 参数我设计成了字符串枚举，而不是让 AI 直接传 Python 代码。这样做更安全，也更容易控制。AI 只需要说“把这一列转成数字”或者“把这一列里的‘元’字去掉”，我来负责翻译成具体的操作。

params 用字典传额外参数，这样不同操作可以有自己的参数集，扩展起来方便。比如 multiply 需要 factor，replace 需要 old 和 new，extract 需要 pattern。

3.5 合并多个表格：处理列名不一致的情况

这是我最常用的功能，也是最能体现 AI 价值的地方。传统脚本合并表格，要求所有表格列名完全一致，但实际数据里列名经常有差异。有了 AI 参与，它可以先读所有表格的列名，判断哪些列是同一个意思，然后决定怎么对齐。

@server.tool() async def merge_excel_files( file_paths: list, output_path: str, column_mapping: dict = None ) -> str: """合并多个 Excel 文件，支持列名映射""" try: all_data = [] all_headers = set() # 第一遍：收集所有列名 for fp in file_paths: wb = load_workbook(fp, read_only=True, data_only=True) ws = wb.active headers = [cell.value for cell in ws[1] if cell.value] all_headers.update(headers) wb.close() all_headers = sorted(all_headers) # 第二遍：读取数据并按统一列名对齐 for fp in file_paths: wb = load_workbook(fp, read_only=True, data_only=True) ws = wb.active headers = [cell.value for cell in ws[1]] # 应用列名映射 if column_mapping: headers = [column_mapping.get(h, h) for h in headers] for row in ws.iter_rows(min_row=2, values_only=True): row_dict = {} for h, v in zip(headers, row): if h: row_dict[h] = v all_data.append(row_dict) wb.close() # 写入合并结果 wb_out = Workbook() ws_out = wb_out.active ws_out.append(all_headers) for row_dict in all_data: ws_out.append([row_dict.get(h) for h in all_headers]) wb_out.save(output_path) wb_out.close() return f"合并完成: {len(file_paths)} 个文件 -> {output_path}，共 {len(all_data)} 行" except Exception as e: return f"合并失败: {str(e)}"

column_mapping 参数是关键。AI 可以先调用 read_excel_info 读取所有文件的列名，然后自己判断“销售额”和“销售金额”是同一个意思、“产品名称”和“商品名”是同一个意思，生成一个映射字典传进来。

这个设计把“判断列名是否等价”这个最需要智能的环节交给了 AI，而把“按映射对齐数据”这个纯机械操作留给了代码。各司其职，效率最高。

4. 把 Server 跑起来并接入 AI

4.1 启动脚本怎么写

所有工具定义好之后，需要一个入口来启动 Server。MCP 的 Python SDK 提供了 stdio 和 SSE 两种传输方式，本地开发用 stdio 最简单。

# server.py import asyncio from mcp.server import Server from mcp.server.stdio import stdio_server # 导入所有工具模块，触发装饰器注册 from tools import read_tools, write_tools, transform_tools async def main(): server = Server("excel-mcp") async with stdio_server() as (read_stream, write_stream): await server.run(read_stream, write_stream, server.create_initialization_options()) if __name__ == "__main__": asyncio.run(main())

这里有个容易踩的坑：工具模块必须被导入，装饰器才会执行注册。如果你只写了 tools/read_tools.py 但没在 server.py 里 import，那些工具就不会出现在工具列表里。我一开始就犯了这个错误，调试了半天才发现是导入的问题。

4.2 怎么测试工具能不能用

在接入 AI 之前，先单独测试每个工具函数，确保逻辑正确。可以写一个简单的测试脚本：

import asyncio from tools.read_tools import read_excel_info async def test(): result = await read_excel_info("test.xlsx") print(result) asyncio.run(test())

准备一个测试用的 Excel 文件，包含各种情况：有中文列名、有英文列名、有数字列、有文本列、有空值。跑一遍看看输出是否符合预期。

实操心得：测试文件一定要包含“脏数据”。我专门做了一个测试文件，里面有合并单元格、有空行、有公式、有日期格式、有超长文本。每次改完代码都拿这个文件跑一遍，能提前发现很多边界问题。

4.3 接入 AI 客户端的配置方法

不同 AI 客户端的配置方式略有差异，但核心都是告诉客户端“去哪里启动这个 MCP Server”。以配置文件为例，通常需要指定命令、参数和环境变量：

{ "mcpServers": { "excel-tools": { "command": "python", "args": ["/path/to/excel-mcp-server/server.py"], "env": { "PYTHONPATH": "/path/to/excel-mcp-server" } } } }

配置好之后重启客户端，AI 就能看到你定义的那些工具了。你可以直接对 AI 说“帮我看看 test.xlsx 里有哪些列”，它就会自动调用 read_excel_info 工具。

如果工具没有出现，按下面这个顺序排查：

1. 确认 server.py 能独立运行不报错
2. 确认所有工具模块都被导入了
3. 确认配置文件路径写对了
4. 查看客户端日志，看有没有连接错误信息

4.4 一个完整的处理流程演示

假设我有三个销售数据文件，列名分别是：

• 文件A：日期、产品、销售额、数量
• 文件B：日期、商品名、销售金额、数量
• 文件C：日期、产品名称、销售额、销售数量

我想把它们合并成一个表。整个交互过程是这样的：

第一步，我对 AI 说：“帮我看看这三个文件分别有哪些列。”

AI 依次调用 read_excel_info，返回三个文件的列信息。

第二步，AI 自己判断：“产品”、“商品名”、“产品名称”是同一个意思，“销售额”、“销售金额”是同一个意思，“数量”、“销售数量”是同一个意思。然后生成映射：

{ "商品名": "产品", "产品名称": "产品", "销售金额": "销售额", "销售数量": "数量" }

第三步，AI 调用 merge_excel_files，传入三个文件路径和映射字典，生成合并后的文件。

整个过程我只需要说一句话，AI 自己完成了信息收集、判断、执行。这就是 MCP 的价值所在——把 AI 的理解能力和代码的执行能力结合起来。

5. 踩过的坑和对应的解决方案

5.1 中文编码问题

Windows 系统下用 openpyxl 读中文 Excel，有时候会遇到编码错误。表现是读出来的中文变成乱码，或者直接抛 UnicodeDecodeError。

根本原因是 Windows 默认编码是 GBK，而 Excel 文件内部用的是 UTF-8。解决方案是在打开文件时显式指定编码，或者用二进制模式读取：

wb = load_workbook(file_path, read_only=True, data_only=True)

openpyxl 本身处理编码没问题，问题往往出在文件路径上。如果路径里有中文，在某些终端环境下会出问题。我的做法是统一用绝对路径，并且在代码里做一次路径规范化：

import os file_path = os.path.abspath(os.path.normpath(file_path))

5.2 大文件处理超时

有一次处理一个 50MB 的 Excel 文件，read_excel_info 跑了快两分钟才返回，AI 客户端直接超时了。

后来我做了两个优化：一是 read_only 模式必须开，这个前面说过了；二是类型推断的采样行数从 10 行降到 5 行，并且加了缓存机制，同一个文件第二次读取时直接返回缓存结果。

_info_cache = {} async def read_excel_info(file_path: str, sheet_name: str = None) -> str: cache_key = f"{file_path}:{sheet_name}" if cache_key in _info_cache: return _info_cache[cache_key] # ... 读取逻辑 ... _info_cache[cache_key] = result return result

缓存的有效期我设的是当前会话，不持久化。因为文件可能在两次调用之间被修改，持久化缓存会导致读到旧数据。

5.3 工具调用参数格式错误

AI 有时候会传一些意料之外的参数格式。比如 columns 参数，我期望的是["列A", "列B"]，但 AI 可能传成"列A,列B"或者[["列A"], ["列B"]]。

解决办法是在工具函数入口做参数规范化：

def normalize_columns(columns): if columns is None: return None if isinstance(columns, str): return [c.strip() for c in columns.split(",")] if isinstance(columns, list): result = [] for c in columns: if isinstance(c, list): result.extend(c) else: result.append(c) return result return columns

这个函数看起来简单，但能避免很多莫名其妙的报错。永远不要相信 AI 传过来的参数格式完全符合你的预期，做好防御性编程。

5.4 常见问题速查表

6. 后续可以怎么扩展

6.1 增加更多实用工具

目前只实现了最基础的读写和转换，实际用下来还有几个工具很值得加：

• 数据校验工具：检查某列是否有空值、重复值、格式异常
• 透视表生成工具：按指定维度做分组汇总
• 图表生成工具：根据数据自动生成柱状图、折线图
• 条件格式工具：对满足条件的单元格设置格式

每加一个工具，AI 能做的事情就多一分。但也不要贪多，工具太多会让 AI 选择困难，反而降低效率。我的经验是保持在 10 到 15 个工具左右比较合适。

6.2 支持更多文件格式

Excel 只是起点。同样的思路可以扩展到 CSV、JSON、甚至数据库。把“读数据”和“写数据”这两个底层操作抽象出来，上层工具就可以复用。

比如加一个 read_csv_info 工具，内部实现和 read_excel_info 几乎一样，只是换了个读取库。AI 不需要知道底层是 Excel 还是 CSV，它只需要知道“读信息”和“读数据”这两个操作。

6.3 加入错误恢复机制

现在的工具遇到错误就直接返回错误信息，AI 收到后需要自己判断怎么处理。可以进一步优化，让工具在遇到可恢复错误时自动重试。

比如读取文件时遇到临时锁定，可以等一秒后重试；写入时遇到权限问题，可以尝试用只读方式打开再另存。这些逻辑封装在工具内部，AI 就不用操心这些细节了。

6.4 性能优化方向

如果经常处理大文件，可以考虑这几个优化：

• 用 pandas 替代 openpyxl 做批量数据处理，速度更快
• 对频繁读取的文件做内存缓存
• 把耗时的操作改成异步执行，避免阻塞
• 支持分块读取，不要一次性加载整个文件

我在实际使用中的体会是，大部分 Excel 处理场景的数据量都在几千行以内，性能不是瓶颈。真正花时间的是 AI 的理解和判断过程，而不是代码执行。所以优化重点应该放在减少 AI 调用次数上，而不是单纯提升代码速度。

最后分享一个小技巧：如果你也在开发 MCP 工具，建议从最简单的“读信息”工具开始，先跑通整个链路，确认 AI 能正常调用，然后再逐步增加复杂工具。我一开始想一口气把所有工具都写完再测试，结果调试的时候根本不知道是哪个环节出了问题。后来改成写一个测一个，效率反而高了很多。