GUI-MCP 的 5.3 节「模型分发」是整套架构里最实用、也最容易被忽略的一节。它允许agent_loop_config里的caption_config和model_config各自独立配模型：图像摘要走低延迟本地模型，任务规划走强推理云端模型。如果你也在用 TaoToken 管理 API 通道，先到 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 创建一把 Key，再把这把 Key 填进model_config的api_base和api_key，云端规划模型立刻可用，而caption_config仍然指向原有本地模型。这样同一套 GUI-MCP 不用改代码逻辑，只改配置就完成了本地与云端的模型分发。
1. 从 model_config.yaml 看起：GUI-MCP 的模型分发到底分了什么
1.1 配置分离是分发的前提
原文 5.3.1 说得很清楚：model_config.yaml是模型配置的总入口，它要能同时描述多个模型提供者。本地模型和云端模型都有各自的api_base与api_key，而所有代码路径最终都收敛到ask_llm_anything这一个调用接口，用model_provider字段决定这次请求走本地还是云端。这就是模型分发在架构层面的基础——没有配置分离，就没有后面按功能模块分发模型的可能性。
实际改配置时你会发现，这个设计带来的好处很具体：想换云端模型，不用动 GUI-MCP 的 Python 代码，只需改 yaml 里的model_provider、api_base、api_key、model_name四个字段。想保留某个任务走本地模型，那就让对应模块的model_provider保持local。分发的灵活性完全由配置文件承担，这也正是 5.3 节能单独拿出一节来写的原因。
1.2 caption_current_screenshot 与 automate_step 读的是两套配置
功能层面，分发发生在两个函数里：caption_current_screenshot负责给当前截图生成图像摘要，automate_step负责根据截图和任务信息规划下一个动作。前者读取caption_config.model_config，后者读取主model_config。两个函数在同一轮 Agent 循环里都会被执行，但读取的配置互不干扰。
这里有一个容易踩的坑：原文 5.3.3 写了caption_config是可选的，如果没配，会回退到主model_config。也就是说，默认状态下图像摘要和任务规划用的是同一个模型。很多项目跑起来后没有达到「本地摘要 + 云端规划」的预期，原因往往不是代码没实现分发，而是 yaml 里根本没有单独写caption_config，所有请求都落到了同一个模型上。
2. 本地摘要加云端规划，为什么需要收拢到一把 Key
2.1 多供应商 Key 会吃掉配置分层的好处
模型分发解决了「不同任务用不同模型」，但没有解决「不同云端模型服务商各自要一套 Key」。如果按原文的扩展方式，每接一个云端模型提供者，就要在model_config.yaml里新增一组api_base和api_key。这些 Key 分别来自不同平台，有的要环境变量，有的要文件存储，有的有独立控制台和 IP 白名单。等到本地配置里堆了七八个 Key，分发的边界又会模糊——改需求时你根本分不清某个请求到底走的是哪套密钥。
这也是我建议把云端侧收拢到一个统一 API 通道的原因：本地模型仍然走 localhost 的既有服务，所有需要上云的模型请求都通过同一把 Key 发出。原文 5.3.3 引用的豆包手机案例也是同样的思路：云端模型负责图像与文字理解，本地模型负责 OCR、实体识别、Embedding。云端理解这一侧涉及的服务越多，统一密钥的价值越明显。
2.2 TaoToken 只接管云端这一侧，不替代本地模型
TaoToken 提供的是统一 API 通道，定位是兼容接入。它不负责本地模型推理，也不替代 GUI-MCP 原有的本地服务。你只需要把云端模型那一侧的api_base填成 https://taotoken.net/api，api_key填成从官网创建的同一个 Key；本地模型侧保持原样。这样model_config与caption_config之间的分发关系不变，只是把原先分散的云端 Key 换成了同一把 TaoToken Key。
这么做的好处是「一次创建，多处复用」：之后不管是给主模型换模型 ID，还是在reply_config里增加一个自动回复通道，都只需要在 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 模型广场确认可用的 ID，然后复制到 yaml 里。云端模型供应商切换对 GUI-MCP 完全透明。
3. 准备材料：注册、创建 Key、确认模型 ID
3.1 在官网落地页创建 API Key
打开 TaoToken，完成注册后进入控制台，找到 API Keys 页面创建一把新 Key。创建后立刻复制保存，之后不会再次完整显示。本文所有配置示例里的YOUR_API_KEY只是占位符，实际使用时要替换成你从 TaoToken 控制台复制下来的真实 Key。
有一点值得注意：创建 Key 时不要在页面停留太久再复制。部分控制台会在关闭弹窗后只显示脱敏字符串，与其事后花时间找 Key，不如创建完就存进本地密码管理器。整个过程和你在其他模型平台申请 Key 没有区别，只是后续所有云端模型的请求都会统一走这一把 Key。
3.2 在模型广场确认当前模型 ID
不要在 yaml 里凭记忆填模型名。登录之后打开模型广场，找到你计划用于「任务规划」的云端模型 ID，记下来。不同时期模型列表会变化，所以下文示例中model_name统一写成「以模型广场为准」，你替换成实际看到的 ID 即可。图像摘要侧如果继续用本地模型，model_name保持原有本地模型名。
3.3 记录一张速查表
配置前把下面这行信息放在手边，避免改 yaml 时来回切页面：
| 内容 | 值 |
|---|---|
| 官网落地页 | https://taotoken.net/?utm_source=taotoken_aicg_blog_end |
| Base URL | https://taotoken.net/api |
| API Key | YOUR_API_KEY（TaoToken 控制台创建） |
| 模型 ID | 以 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 模型广场当前列表为准 |
注意 Base URL 末尾不要加/v1，官网落地页也不能当 API 地址填。网页给人看，接口给程序用，两者别混。
4. 改写 model_config.yaml：model_config 走 TaoToken，caption_config 留本地
4.1 完整配置示例
下面是一份可直接修改的model_config.yaml。核心思路：主model_config指向 TaoToken 云端模型，caption_config保持本地模型。
agent_loop_config: task_type: parser_0922_summary # 主模型：任务规划，走云端强推理模型 model_config: model_name: "以 TaoToken 模型广场为准" model_provider: taotoken api_base: https://taotoken.net/api api_key: YOUR_API_KEY args: temperature: 0.1 top_p: 0.95 frequency_penalty: 0.0 max_tokens: 4096 image_preprocess: is_resize: true target_image_size: [728, 728] max_steps: 400 delay_after_capture: 2 debug: false # 图像摘要模型：保持本地低延迟模型 caption_config: model_config: model_name: "gelab-zero-4b-preview" model_provider: local args: temperature: 0.5 top_p: 0.95 frequency_penalty: 0.0 max_tokens: 512如果你的ask_llm_anything还不认识taotoken这个 provider，需要在模型调用层加一个分支：当model_provider为taotoken时，把请求发到api_base所指向的地址即可。
4.2 三个字段决定一次请求的去向
| 配置项 | model_config（任务规划） | caption_config（图像摘要） |
|---|---|---|
| 调用函数 | automate_step | caption_current_screenshot |
| model_provider | taotoken | local |
| api_base | https://taotoken.net/api | 保持原本地服务地址 |
| api_key | YOUR_API_KEY | 保持原配置 |
model_provider决定ask_llm_anything走哪条客户端分支；api_base决定请求发到哪个地址；api_key决定认证身份。三者组合在一起，就构成了 GUI-MCP 的模型分发。任务规划请求发往 TaoToken，图像摘要请求发往本地服务，两条通道互不相碰。切换模型时，优先确认这三个字段是否和目标通道匹配，不要只改model_name。
4.3 reply_config 的回退逻辑要注意
如果你没有在 yaml 里单独写reply_config，原文的逻辑是回退到主model_config。也就是说，Agent 循环里遇到 INFO 动作需要自动回复时，请求也会走 TaoToken 云端模型。如果希望自动回复也走本地，可以像caption_config一样单独加一段reply_config，把model_provider设成local。
这段回退逻辑在实际运行中影响很大。图像摘要、任务规划、自动回复三个通道如果只有主模型配了 TaoToken，其余两个都会在缺省时误入云端，导致本来想省成本的地方也刷了云端 Token。配完之后把 yaml 完整读一遍，确认每一段model_config的model_provider都符合预期。
5. 跑一次 ask_agent 验证分发是否生效
5.1 最小验证脚本
配置改完后，重启 MCP server，然后用下面的脚本连 localhost:8704 发一条任务：
import asyncio from fastmcp import Client async def main(): async with Client("http://localhost:8704/mcp") as client: result = await client.call_tool( "ask_agent", { "task": "打开设置并截图", "reset_environment": False, "kill_app_when_awake": False, "max_steps": 1, }, ) print(result) asyncio.run(main())max_steps设为 1 是为了让 Agent 只执行一步就返回，不会真的在设备上跑完一整个流程。返回结果里如果包含动作指令，说明 MCP server 正常启动，配置已被加载。
5.2 用日志确认请求去向
验证的关键不在返回结果，而在日志。观察 MCP server 的运行日志，确认以下两点：
本地模型进程是否收到截图摘要请求。如果caption_current_screenshot确实走了本地，你会看到本地模型服务在处理图像输入；同时是否出现发往 https://taotoken.net/api 的请求记录。如果任务规划走了 TaoToken，这条记录会出现在云端侧日志或 TaoToken 控制台的调用记录里。
两条请求各归各的，分发就生效了。若所有请求都集中在同一地址，说明配置里有一侧没有生效，通常是caption_config没被单独配置，回退到了主模型。回到第 4 节对照 yaml 检查。
6. 分发常见的三种报错
6.1 401 Unauthorized：Key 没复制完整或已失效
检查model_config.yaml中的api_key是否等于你在控制台复制的真实 Key，不要把YOUR_API_KEY占位符原样保留。如果 Key 已经丢失或过期，回到 控制台 API Keys 页面重新创建。复制时注意别把末尾的空格或换行带进 yaml，YAML 对这类隐形字符很敏感。
6.2 400 model_not_found：模型 ID 不在模型广场列表中
不要凭直觉填模型名，也不要沿用旧教程里写死的 ID。回到 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 的模型广场，按当前列表复制模型 ID，再替换 yaml 里的model_name。模型广场的列表会更新，凡是提示模型不存在，优先去广场核对，而不是怀疑 Base URL 写错。
6.3 Base URL 多加了 /v1 或填了网页地址
这个报错最常见。Base URL 必须是 https://taotoken.net/api，末尾不要加/v1；官网落地页 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 也不能当作 API 地址填进 yaml。两者一个是给人注册和控制台用的网页，一个是给程序发请求的接口。如果日志里出现 403 或 404，先检查api_base是否被拼成了/api/v1或直接把落地页地址塞了进去。
7. 跑通之后去控制台对一下这次调用
分发生效后，建议先在 TaoToken 模型对话 里用同一把 Key 发一条测试消息，确认模型 ID 和 Base URL 都没填错；再到 控制台 API Keys 页面核对这把 Key 的调用记录，确认 GUI-MCP 的请求确实被记上了。
如果之后要长期跑 Agent 循环，任务规划每一次都要消耗云端 Token，可以打开 Coding Plan 评估套餐是否够用。后面若想把同一把 Key 用到 Claude Code 等工具，参考 Claude Code 接入文档 里的环境变量写法即可。分发配置这件事，一次改对，后续换模型就只是改一行 ID 的事了。
