1. 企业级 Agent 为什么需要 MCP 中间层如果你正在做企业级 Agent 架构大概率会遇到这样一个尴尬局面Agent 数量从 3 个涨到 30 个工具从 5 个涨到 50 个代码库开始失控。每接一个新工具就要在 Agent 里写一遍适配逻辑每换一个模型供应商Function Calling 的 schema 又要重写一遍。这就是典型的 N×M 扩展性问题——Agent 数量乘以工具数量复杂度指数级上升。MCPModel Context Protocol中间层的价值就在这里。它把 Agent 和工具彻底解耦Agent 只认 MCP 协议工具只暴露 MCP Server 接口双方通过标准化的 JSON-RPC 通信。这样一来新增工具不用改 Agent 代码替换 Agent 框架也不用重写工具层。企业级场景下MCP 中间层还承担了权限管控、调用审计、限流熔断这些职责相当于给 Agent 和工具之间加了一道可控的网关。这篇文章我会用 Google ADK 作为 Agent 框架、FastMCP 作为 Server 实现搭一个可运行的文件系统访问中间层原型。同时把 LLM 接入通道统一到 TaoToken这样你只需要维护一套 Key 和 API 地址就能在 ADK、Coding Plan、模型对话之间自由切换。整套代码可以直接收藏改改路径就能跑。2. TaoToken 前置准备统一 Key 与 API 通道在动手写 MCP Server 之前先把 LLM 接入通道固定下来。企业级项目最怕的就是每个模块各接一套模型 APIKey 散落在各个配置文件里。我的做法是统一走 TaoToken 的 API 通道ADK 里的 LiteLLM 只需要指向一个 base_url。第一步登录 TaoToken 控制台创建 API Key。地址是 https://taotoken.net/api-keys 创建后复制保存后面 config.toml 和 settings.json 都要用。第二步确认 API 基础地址。TaoToken 的 API 入口是 https://taotoken.net/api 兼容 OpenAI 格式所以 LiteLLM 可以直接用 openai/ 前缀调用。如果你用的是 Claude 系列模型走 https://taotoken.net/api 的 Anthropic 兼容端点即可。第三步把 Key 写进环境变量不要硬编码在代码里。Linux/macOS 下export TAOTOKEN_API_KEYsk-你的key export TAOTOKEN_BASE_URLhttps://taotoken.net/apiWindows PowerShell$env:TAOTOKEN_API_KEYsk-你的key $env:TAOTOKEN_BASE_URLhttps://taotoken.net/api这样 ADK 里的 LiteLLM 配置就能直接读取环境变量MCP Server 本身不需要感知 Key职责边界清晰。如果你还没决定用哪个模型可以先去 https://taotoken.net/models 看看模型对话能力确认工具调用Function Calling支持情况再定。3. 可复制配置config.toml 与 settings.json企业级项目讲究配置与代码分离。我把 MCP Server 的启动参数、ADK 的模型配置、TaoToken 的接入信息分别放在 config.toml 和 settings.json 里这样换环境不用改代码。先看 config.toml放在项目根目录# config.toml - MCP 中间层配置 [mcp_server] name filesystem-mcp transport sse host 0.0.0.0 port 3000 sse_path /sse [mcp_server.security] # 企业级必配允许访问的根目录白名单 allowed_roots [/data/workspace, /tmp/agent_sandbox] # 单次调用超时秒 call_timeout 30 # 是否开启调用审计日志 audit_log true [llm] provider openai model deepseek-chat base_url https://taotoken.net/api api_key_env TAOTOKEN_API_KEY temperature 0.2 max_tokens 2048 [agent] name file_agent description 自然语言驱动的文件访问 Agent max_tool_calls 5再看 settings.json这是 ADK 读取的 Agent 配置{ agent: { name: file_agent, model: openai/deepseek-chat, instruction: 你是一个文件管理助手通过 MCP 工具访问文件系统。只允许操作白名单目录。, tools: [ { type: mcp, transport: sse, url: http://localhost:3000/sse, name: filesystem } ] }, litellm: { api_base: https://taotoken.net/api, api_key: ${TAOTOKEN_API_KEY}, drop_params: true } }这里有个关键点drop_params: true必须开。因为不同模型对 Function Calling 的参数支持不一致LiteLLM 会自动丢弃不支持的字段避免报 400。TaoToken 的 API 通道兼容 OpenAI 格式所以api_base直接填 https://taotoken.net/api 就行不需要加/v1后缀。注意allowed_roots 白名单是企业级 MCP 中间层的核心安全边界。没有这个配置Agent 理论上可以读写任意路径这是生产环境绝对不能接受的。4. FastMCP Server 实现与 ADK Client 接入配置就绪后开始写代码。整个项目结构如下mcp-agent-demo/ ├── config.toml ├── settings.json ├── filesystem_server.py ├── agent.py └── requirements.txt先装依赖pip install fastmcp google-adk litellm4.1 FastMCP Server封装文件系统访问filesystem_server.py 的核心是把文件操作暴露成 MCP 工具同时加上白名单校验# filesystem_server.py import os import tomllib from pathlib import Path from fastmcp import FastMCP # 读取配置 with open(config.toml, rb) as f: cfg tomllib.load(f) ALLOWED_ROOTS [Path(p).resolve() for p in cfg[mcp_server][security][allowed_roots]] mcp FastMCP(cfg[mcp_server][name]) def _check_path(target: str) - Path: 校验路径是否在白名单内防止越权访问 p Path(target).resolve() for root in ALLOWED_ROOTS: if root p or root in p.parents: return p raise PermissionError(f路径 {p} 不在允许的白名单目录内) mcp.tool() def list_directory(path: str) - list[str]: 列出指定目录下的文件和子目录 safe _check_path(path) if not safe.is_dir(): raise NotADirectoryError(f{safe} 不是目录) return sorted([item.name for item in safe.iterdir()]) mcp.tool() def read_file(path: str, max_bytes: int 4096) - str: 读取文件内容默认最多读取 4096 字节 safe _check_path(path) if not safe.is_file(): raise FileNotFoundError(f{safe} 不存在) with open(safe, r, encodingutf-8, errorsignore) as f: return f.read(max_bytes) mcp.tool() def write_file(path: str, content: str) - str: 写入文件内容仅允许白名单目录 safe _check_path(path) safe.parent.mkdir(parentsTrue, exist_okTrue) with open(safe, w, encodingutf-8) as f: f.write(content) return f已写入 {len(content)} 字符到 {safe} if __name__ __main__: mcp.run( transportcfg[mcp_server][transport], hostcfg[mcp_server][host], portcfg[mcp_server][port], )启动 Serverpython filesystem_server.py看到Uvicorn running on http://0.0.0.0:3000就说明 MCP Server 起来了。这里用 SSE 传输因为 ADK 的 MCPToolset 对 SSE 支持最稳定。4.2 ADK Agent作为 MCP Client 调用agent.py 里构建 Agent通过 MCPToolset 连接上面的 Server# agent.py import os import json from google.adk.agents import Agent from google.adk.tools.mcp_tool import MCPToolset, SseServerParams with open(settings.json, r, encodingutf-8) as f: settings json.load(f) # 从环境变量注入 TaoToken Key os.environ[OPENAI_API_KEY] os.environ[TAOTOKEN_API_KEY] mcp_toolset MCPToolset( connection_paramsSseServerParams( urlsettings[agent][tools][0][url] ) ) root_agent Agent( namesettings[agent][name], modelsettings[agent][model], instructionsettings[agent][instruction], tools[mcp_toolset], )启动 ADK Web UIadk web --port 8000浏览器打开 http://localhost:8000 选择 file_agent输入「列出 /data/workspace 下的所有文件」你会看到 Agent 先做一次 LLM 调用筛选出list_directory工具然后通过 MCP 发起实际调用最后再调一次 LLM 组装自然语言回复。整个链路里Agent 完全不知道文件系统是怎么实现的它只认 MCP 协议。5. 验证请求与成功结果配置和代码都就位后做一次端到端验证。我习惯分三层验证从下往上排查。第一层直接测 MCP Server。用 curl 发一个 SSE 连接请求curl -N http://localhost:3000/sse正常会返回event: endpoint和data: /messages/?session_idxxx。如果连不上说明 Server 没起来或端口被占。第二层用 MCP Inspector 可视化验证。这是官方调试工具npx modelcontextprotocol/inspector浏览器打开后Transport Type 选 SSEURL 填http://localhost:3000/sse点 Connect。然后在 Tools 页面点 List Tools应该能看到list_directory、read_file、write_file三个工具。点开list_directory参数填/data/workspace执行后返回文件列表说明工具层没问题。第三层走完整 Agent 链路。在 ADK Web UI 里输入帮我看看 /data/workspace 下有哪些文件然后读取第一个文件的前 100 个字符预期结果Agent 会连续调用list_directory和read_file两个 MCP 工具最后用自然语言汇总。如果这一步成功说明 ADK MCP TaoToken 三层全部打通。实测下来从输入到返回大概 3-5 秒取决于模型响应速度。TaoToken 的 API 通道在这里的作用是统一了 LLM 调用入口你换模型只需要改 config.toml 里的 model 字段MCP 层完全不用动。6. 本篇常见错排查搭这套中间层我踩过的坑主要集中在几个地方列出来帮你省时间。报错一MCPToolset connection refused原因通常是 MCP Server 没启动或者 host 配成了127.0.0.1而 ADK 在容器里跑。解决确认python filesystem_server.py在运行host 改成0.0.0.0ADK 侧 URL 用http://host.docker.internal:3000/sse容器场景。报错二PermissionError: 路径不在白名单这是安全校验生效了不是 bug。检查 config.toml 里的allowed_roots是否包含你操作的目录。注意路径要写绝对路径~不会被自动展开。报错三400 Bad Request - unsupported parameterLiteLLM 转发时带了模型不支持的参数。解决settings.json 里确保drop_params: true同时把temperature、max_tokens这些放在 config.toml 的[llm]段让 LiteLLM 统一处理。报错四Agent 不调用工具直接瞎编答案模型不支持 Function Calling或者 instruction 没写清楚。解决去 https://taotoken.net/models 确认模型支持工具调用instruction 里明确写「必须通过 MCP 工具访问文件系统不要凭记忆回答」。报错五SSE 连接频繁断开企业级场景下长连接容易被中间设备掐断。解决在 MCP Server 侧加心跳FastMCP 支持ping_interval参数或者改用 stdio 传输适合单机部署。排查顺序建议从下往上先 curl 测 Server再 Inspector 测工具最后 ADK 测 Agent。哪一层断了就修哪一层不要跳着查。如果你在接入过程中遇到 Key 或通道问题可以直接去 https://taotoken.net/api-keys 重新生成一个然后在 https://taotoken.net/doc 对照接入文档检查 base_url 和 header 格式。长期做编码类 Agent 的话Coding Plan 的额度模型更适合高频工具调用场景可以去 https://taotoken.net/coding-plan 看看配额策略。整套中间层骨架跑通后你只需要往 FastMCP 里加新工具Agent 侧零改动这就是 MCP 中间层在企业级架构里的真正价值。
