1. 从 Skill 到 MCP Server：为什么我要做这次迁移
如果你手里已经攒了一堆 Skill，比如 OCR 识别、文档解析、数据清洗，每个都跑在某个特定平台里，那你大概也遇到过这个场景：换一个客户端，所有 Key 要重新配一遍；换一个工具，Skill 逻辑要重新接一次。Skill 本身没问题，问题是它被绑死在某个宿主环境里。
MCP Server 解决的正是这件事。MCP 是 Model Context Protocol 的缩写，你可以把它理解成 AI 工具之间的“USB-C 接口”——只要你的能力按这个协议暴露出来，Claude Desktop、OpenClaw、各类支持 MCP 的客户端都能直接调用，不需要为每个平台写适配层。而 Skill 更像是某个软件内部的宏，换个软件就失效。
这次迁移的目标很明确：把已有的 Python Skill 逻辑封装成标准 MCP Server，同时用 TaoToken 统一管理 API Key 和调用通道，让一套能力集在多端稳定运行。适合谁看？已经写过 Skill、想升级成跨平台服务的开发者；或者刚开始接触 MCP、想找一个能跑通的完整示例的人。
我试过把三个 Skill 分别迁移，踩过的坑主要集中在配置格式和传输模式上，下面会把可复制的骨架都给你。
2. TaoToken 前置：统一 Key 与 API 通道
迁移之前先把“钥匙”这件事理顺。原来每个 Skill 各自读环境变量、各自配 Key，迁移到 MCP Server 后如果还这么干，只是把碎片化从 Skill 层搬到了 Server 层。我的做法是让所有 MCP Server 统一走 TaoToken 的 API 通道。
TaoToken 在这里的角色是统一入口：你只需要在 TaoToken 控制台创建一个 API Key，所有 MCP Server 都引用同一个 Key，模型调用、额度管理、通道切换都在一处完成。官网地址是 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，API 基址是 https://taotoken.net/api 。
操作路径不复杂：进控制台创建 Key，然后把它写进 MCP Server 的配置里。如果你还没建 Key，直接去 API Keys 页面：https://taotoken.net/console/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api_keys&utm_campaign=rewrite 。建好之后先别急着写代码，把 Key 存到环境变量里，后面 config.toml 和 settings.json 都会引用它。
注意：不要把 Key 硬编码进源码提交到仓库。用环境变量或本地配置文件，配置文件加进 .gitignore。
3. 可复制配置：config.toml 与 settings.json 骨架
MCP Server 的配置分两层：一层是 Server 自身的运行参数（config.toml），一层是客户端如何找到并启动这个 Server（settings.json）。很多人卡住是因为把这两层混在一起写。
先看 config.toml，放在项目根目录：
[server] name = "unified-skill-server" version = "0.1.0" transport = "stdio" [taotoken] base_url = "https://taotoken.net/api" api_key_env = "TAOTOKEN_API_KEY" default_model = "claude-sonnet-4-20250514" timeout = 60 [skills] enabled = ["ocr", "doc_parse", "data_clean"]这里的关键是 api_key_env 指向环境变量名，而不是 Key 本身。default_model 按你实际可用的模型填，timeout 给足，OCR 这类任务容易超时。
再看 settings.json，这是给客户端（比如 Claude Desktop）读的：
{ "mcpServers": { "unified-skill-server": { "command": "python", "args": ["-m", "server.main"], "env": { "TAOTOKEN_API_KEY": "你的Key", "TAOTOKEN_BASE_URL": "https://taotoken.net/api" } } } }两个文件的职责要分清：config.toml 管 Server 内部行为，settings.json 管客户端怎么拉起 Server。改传输模式、改模型，动 config.toml；换 Python 路径、加环境变量，动 settings.json。
4. Python 实现：把 Skill 逻辑封装为 MCP Tool
配置就绪后开始写代码。核心思路是三层分离：业务逻辑层保留你原来的 Skill 代码不动，接口层用 mcp 库把函数映射成 Tool，传输层决定用 stdio 还是 HTTP。
先装依赖：
pip install mcp httpx pydantic然后写 Server 主体。下面这个骨架把原来的 OCR Skill 包了进来，同时通过 TaoToken 通道调用模型：
import os import httpx from mcp.server.fastmcp import FastMCP from pydantic import BaseModel mcp = FastMCP("unified-skill-server") TAOTOKEN_BASE = os.environ.get("TAOTOKEN_BASE_URL", "https://taotoken.net/api") TAOTOKEN_KEY = os.environ["TAOTOKEN_API_KEY"] class OcrResult(BaseModel): company_name: str reg_no: str raw_text: str @mcp.tool() async def recognize_business_license(image_url: str) -> str: """通过 URL 识别营业执照，返回结构化 JSON 字符串。""" async with httpx.AsyncClient(timeout=60) as client: resp = await client.post( f"{TAOTOKEN_BASE}/v1/chat/completions", headers={"Authorization": f"Bearer {TAOTOKEN_KEY}"}, json={ "model": "claude-sonnet-4-20250514", "messages": [ {"role": "user", "content": f"识别这张营业执照并返回JSON：{image_url}"} ], }, ) resp.raise_for_status() data = resp.json() return data["choices"][0]["message"]["content"] @mcp.resource("info://server/status") def get_status() -> str: """返回服务运行状态。""" return "unified-skill-server: online, transport: stdio" if __name__ == "__main__": mcp.run(transport="stdio")几个要点。第一，@mcp.tool() 装饰的函数就是暴露给 AI 的能力，docstring 会被当作工具描述，写清楚输入输出。第二，@mcp.resource() 暴露的是只读资源，适合状态查询、配置读取这类场景。第三，所有模型调用都走 TAOTOKEN_BASE，换模型只改 config.toml 里的 default_model，不用动业务代码。
如果你原来的 Skill 是同步函数，直接改成 async 或者用 asyncio.to_thread 包一层即可，逻辑本身不用重写。
5. 验证请求：一次调用跑通全链路
写完代码先别急着接客户端，用 mcp-inspector 本地验证最快：
npx @modelcontextprotocol/inspector python -m server.main启动后浏览器会打开调试界面，你能看到所有注册的 Tool 和 Resource，点进去手动传参调用。如果 recognize_business_license 返回了结构化 JSON，说明 Server 本身没问题。
接着验证 TaoToken 通道是否通。单独发一个请求：
curl -X POST https://taotoken.net/api/v1/chat/completions \ -H "Authorization: Bearer $TAOTOKEN_API_KEY" \ -H "Content-Type: application/json" \ -d '{"model":"claude-sonnet-4-20250514","messages":[{"role":"user","content":"ping"}]}'返回里有 choices 字段就说明 Key 和通道都正常。最后把 settings.json 配到客户端，重启后 AI 应该能自动识别到 Tool 并调用。成功的结果是：你在对话里说“识别这张营业执照”，AI 自动触发 recognize_business_license，返回结构化结果，全程不需要你手动指定用哪个 Skill。
想直接在网页里验证模型对话是否正常，可以用模型对话页面：https://taotoken.net/model-chat?utm_source=taotoken_aicg_blog_end&utm_content=model_chat&utm_campaign=rewrite 。
6. 本篇常见错排查
报错一：ModuleNotFoundError: No module named 'mcp'多半是 Python 环境不对。settings.json 里的 command 写的是 python，但你的 mcp 装在虚拟环境里。改成虚拟环境的绝对路径，比如 /Users/you/venv/bin/python。
报错二：401 UnauthorizedKey 没传进去。检查 settings.json 的 env 字段里 TAOTOKEN_API_KEY 是否填了真实值，或者环境变量名和代码里读的是否一致。注意 config.toml 里写的是变量名，不是值。
报错三：Tool 不显示 / AI 不调用docstring 太模糊。AI 靠描述判断什么时候调用，把“识别营业执照”改成“通过图片 URL 识别营业执照并返回企业名称、注册号等结构化信息”，命中率会明显提升。
报错四：stdio 模式下日志污染如果你在代码里 print 了调试信息，stdio 传输会被污染导致客户端解析失败。所有日志走 stderr，或者用 logging 模块写文件。
报错五：超时OCR 和长文档任务容易超 60 秒。config.toml 里把 timeout 调到 120，httpx 客户端的 timeout 也要同步调。
7. 长期编码与 Agent 场景的接入建议
如果你不只是做一次性验证，而是要把这套 MCP Server 长期跑在编码助手或 Agent 工作流里，建议把 Key 管理和额度规划放到 Coding Plan 层面统一处理：https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding_plan&utm_campaign=rewrite 。这样多个 Server、多个客户端共享同一套通道，不会出现某个端额度用完另一个端还不知道的情况。
接入文档在 https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite ，里面有完整的 API 参数说明和错误码对照。Claude Code 相关的接入细节可以看 https://taotoken.net/claude-code-anthropic?utm_source=taotoken_aicg_blog_end&utm_content=claude_code&utm_campaign=rewrite 。
迁移完成后你会发现，Skill 不再是某个平台的附属品，而是一个可以被任何支持 MCP 的客户端调用的标准节点。一套代码，多端运行，Key 只配一次。
