1. 扣子空间自定义 MCP 到底解决什么问题扣子空间自定义 MCP简单说就是让扣子空间这个 AI Agent 平台能调用你自己写的工具服务。扣子空间本身内置了搜索、文档处理、数据分析等十几种官方 MCP 服务但每个人的学习场景不一样——你可能需要查特定数据库、读自己的笔记系统、调用某个学科的计算工具。自定义 MCP 就是把这些私有能力接进扣子空间的入口。它适合谁三类人最需要一是正在准备数据挖掘比赛的学生需要 AI 帮你理解赛题、读 baseline 代码、生成优化思路二是做技术笔记的开发者想让 AI 自动把检索结果整理进飞书文档三是任何有重复性信息处理流程的人比如每周整理论文、汇总行业数据、生成学习周报。我拿一个真实场景走完全程用扣子空间搭一个新能源发电功率预测竞赛的学习搭子它能读赛题背景、解释 baseline 代码、给出优化方向最后自动把笔记写进飞书文档。整个过程不需要你写一行 Python但需要你理解 MCP 的配置逻辑——这正是本文的重点。先说清楚一个概念区分。扣子空间里的MCP 扩展和自定义 MCP是两回事。官方 MCP 扩展是扣子已经封装好的工具你在界面上点扩展就能添加比如飞书文档、搜索、代码解释器。自定义 MCP 则是你自己在扣子开发平台创建一个 MCP Server定义工具名称、描述、参数然后发布再在扣子空间里引用。前者开箱即用后者需要你写工具描述和参数 schema。为什么工具描述这么关键因为 AI Agent 决定要不要调用某个工具完全依赖描述文本。描述写得模糊Agent 就不知道该在什么场景下调用参数 schema 写错调用就会失败。这是自定义 MCP 最容易踩的坑后面会专门讲。还有一个背景值得说扣子空间有探索和规划两种模式。探索模式适合一步到位出结果规划模式适合你逐步把控。自定义 MCP 在两种模式下都能用但规划模式下你能看到 Agent 每一步调用了哪个工具、传了什么参数调试自定义 MCP 时特别有用。2. TaoToken 前置给学习搭子接上稳定模型能力扣子空间本身提供模型能力但当你想让学习搭子处理更复杂的推理任务——比如逐行解释 baseline 代码、生成三个优化方向并对比——模型的质量和稳定性就很关键。TaoToken 在这里的角色是提供一个统一的 API 入口让你在扣子开发平台配置自定义 MCP 时可以指定模型调用走 TaoToken 的接口。你需要先拿到两样东西API Key 和 Base URL。API Key 在 TaoToken 控制台的 API Keys 页面创建Base URL 是https://taotoken.net/api。注意这里不要加任何多余路径MCP 配置里填的就是这个根地址。模型 ID 怎么选如果你做的是代码解释、赛题分析这类需要长上下文和强推理的任务选 Claude 系列模型比较合适如果是快速的信息提取和格式化输出轻量模型就够。具体模型 ID 以 TaoToken 文档页的模型列表为准配置时直接填模型名称字符串。这里有个容易混淆的点扣子空间里的模型设置和自定义 MCP 里的模型设置是两层。扣子空间任务本身用哪个模型在任务创建时选自定义 MCP Server 内部如果也要调模型比如你的工具需要做一次摘要那是在 MCP Server 代码里配置 TaoToken 的 Base URL 和 Key。两层可以都用 TaoToken也可以只用一层。我建议的做法是扣子空间任务用平台默认模型自定义 MCP 里的模型调用走 TaoToken。这样你的工具逻辑和模型能力解耦换模型不用改扣子空间的配置。配置前确认三件事API Key 有余额、Base URL 能通、模型 ID 拼写正确。这三个任何一个出错后面调用都会报 401 或 model not found。验证方法很简单用 curl 发一个最小请求curl https://taotoken.net/api/v1/chat/completions \ -H Authorization: Bearer sk-你的Key \ -H Content-Type: application/json \ -d { model: claude-sonnet-4-20250514, messages: [{role: user, content: 回复OK}], max_tokens: 10 }返回里有choices数组且 content 是 OK说明 Key 和 Base URL 都没问题。这一步过了再往下走能省很多排查时间。3. 可复制配置自定义 MCP Server 的 JSON 与工具描述这一节是核心。你要在扣子开发平台创建一个 MCP Server定义工具然后发布。下面给出可直接复制的配置片段。先看 MCP Server 的基础配置。在扣子开发平台创建 MCP Server 时需要填写服务名称、描述、以及工具列表。工具列表用 JSON Schema 描述。以下是一个读取飞书文档并写入学习笔记的工具配置示例{ name: write_study_note, description: 将学习内容写入指定的飞书文档。当用户要求记录笔记、保存学习成果、或整理资料到飞书时调用此工具。输入需要包含文档标题和正文内容。, inputSchema: { type: object, properties: { doc_title: { type: string, description: 飞书文档的标题例如发电功率预测竞赛学习笔记 }, content: { type: string, description: 要写入文档的正文内容支持 Markdown 格式 }, folder_token: { type: string, description: 目标文件夹的 token留空则写入根目录 } }, required: [doc_title, content] } }注意description的写法第一句说清楚做什么第二句说清楚什么时候调用。这是给 AI Agent 看的不是给人看的。我试过把描述写成写入文档结果 Agent 在需要保存笔记时经常不调用这个工具因为它不确定这个工具是否适合当前场景。改成当用户要求记录笔记、保存学习成果时调用之后命中率明显提升。再看 MCP Server 运行时的环境配置。如果你用 Node.js 写 MCP Serverpackage.json里需要声明依赖和启动命令{ name: study-buddy-mcp, version: 1.0.0, type: module, scripts: { start: node server.js }, dependencies: { modelcontextprotocol/sdk: ^1.0.0, node-fetch: ^3.3.0 } }如果你用 Python对应的pyproject.toml片段[project] name study-buddy-mcp version 1.0.0 dependencies [ mcp1.0.0, httpx0.27.0 ] [project.scripts] study-buddy-mcp study_buddy_mcp.server:mainMCP Server 内部调用 TaoToken 模型时配置这样写const TAOTOKEN_BASE https://taotoken.net/api; const TAOTOKEN_KEY process.env.TAOTOKEN_API_KEY; async function callModel(prompt) { const res await fetch(${TAOTOKEN_BASE}/v1/chat/completions, { method: POST, headers: { Authorization: Bearer ${TAOTOKEN_KEY}, Content-Type: application/json }, body: JSON.stringify({ model: claude-sonnet-4-20250514, messages: [{ role: user, content: prompt }], max_tokens: 2000 }) }); const data await res.json(); return data.choices[0].message.content; }三件套对照Base URL 是https://taotoken.net/apiKey 从环境变量读Model ID 填claude-sonnet-4-20250514以文档页实际列表为准。这三个值在 MCP Server 代码、扣子开发平台配置、以及扣子空间任务设置里要保持一致。工具描述写完后在扣子开发平台点发布然后回到扣子空间在扩展里搜索你发布的 MCP Server 名称添加即可。添加成功后扩展图标上会显示数字1表示成功加载了一个工具。4. 验证请求从赛题理解到飞书文档写入的端到端跑通配置完成后必须做一次端到端验证。我用的验证任务是让学习搭子读取新能源发电功率预测赛题的背景页面用小白能懂的话解释然后生成一个动态网页对比原文和解释最后把内容写入飞书文档。第一步在扣子空间新建任务粘贴提示词赛题背景http://competition.sais.com.cn/competitionDetail/532315/format baselinehttps://www.modelscope.cn/datasets/loutianao/new_energy_power_forecast/file/view/master?id91148status1fileNamepower_pred_baseline.ipynb 1. 用小白能听懂的话解释赛题背景用比喻和讲故事的方式200字左右 2. 用赛题背景原文和解释后的文字生成一个动态网页 3. 新建一个飞书文档标题发电功率预测竞赛学习笔记将上述内容写入文档第二步在扩展里确认飞书文档和你的自定义 MCP 都已添加。第一次用飞书文档需要授权点一下授权按钮即可。第三步点击执行。观察 Agent 的思考过程它会先调用搜索工具读取赛题页面然后调用模型生成解释再调用代码工具生成网页最后调用飞书文档工具写入。如果自定义 MCP 配置正确你会在执行日志里看到write_study_note被调用参数里包含doc_title和content。验证成功的标志有三个一是飞书文档里出现了标题为发电功率预测竞赛学习笔记的新文档二是文档内容包含赛题背景解释和 baseline 代码说明三是扣子空间任务面板显示所有步骤完成没有红色报错。如果只验证模型调用是否通可以用更简单的方式在扣子空间新建任务输入用一句话解释什么是 MCP看返回是否正常。这验证的是扣子空间本身的模型能力。要验证自定义 MCP必须走上面那个包含工具调用的完整流程。我实测下来从点击执行到飞书文档生成大约需要 40 到 90 秒取决于赛题页面加载速度和模型响应时间。如果超过 3 分钟没动静大概率是某个工具调用卡住了去执行日志里看最后一步停在哪个工具。5. 常见报错排查401、local proxy failed、reading choices这一节列真实会遇到的报错和排查路径。报错一401 Unauthorized{error:{message:Invalid API key,type:authentication_error}}原因通常是 API Key 填错、Key 已过期、或者 Base URL 多了路径。排查顺序先确认 Key 复制时没有多余空格再用第 2 节的 curl 命令直接测 TaoToken 接口如果 curl 通但 MCP 里不通检查 MCP Server 代码里读环境变量的逻辑是不是process.env.TAOTOKEN_API_KEY没设置。注意 Base URL 必须是https://taotoken.net/api不要写成https://taotoken.net/api/v1SDK 会自动拼/v1/chat/completions。报错二local proxy failedError: local proxy failed to connect to upstream这个报错通常出现在 MCP Server 本地调试时。原因是 MCP Server 进程没有正常启动或者端口被占用。排查确认npm start或python -m study_buddy_mcp能独立跑起来检查端口是否被其他进程占用如果是容器环境确认网络模式允许出站请求。这个报错和 TaoToken 无关是本地服务的问题。报错三reading choices of undefinedTypeError: Cannot read properties of undefined (reading choices)这是模型调用返回结构不符合预期。原因可能是模型 ID 拼写错误导致接口返回错误对象而不是正常响应或者请求体格式不对。排查打印完整的res对象看返回了什么确认model字段的值在 TaoToken 模型列表里存在确认messages数组格式正确。修复方式是在取choices之前加一层判断if (!data.choices || !data.choices[0]) { console.error(模型返回异常:, JSON.stringify(data)); throw new Error(模型调用失败); } return data.choices[0].message.content;报错四OAuth 授权失败OAuth token exchange failed: invalid_grant飞书文档 MCP 需要 OAuth 授权。如果授权失败先检查扣子空间里的飞书扩展是否已添加再检查授权时登录的飞书账号是否有目标文档的写入权限如果之前授权过但换了账号需要在扩展设置里重新授权。这个报错和自定义 MCP 无关是飞书侧权限问题。报错五工具未被调用Agent 执行完任务但没有调用你的自定义 MCP。原因几乎总是工具描述不够明确。修复在description里加入触发场景关键词比如当用户要求记录笔记时调用同时检查inputSchema的required字段是否合理如果必填参数太多Agent 可能因为凑不齐参数而放弃调用。排查时记住一个原则先分层再定位。扣子空间层、MCP Server 层、TaoToken 层、飞书层四层各自独立验证。哪层报错就查哪层不要混在一起猜。6. 把学习搭子用起来从单次任务到长期工作流验证跑通之后你可以把这个学习搭子固化成工作流。扣子空间支持保存任务模板下次直接调用。我的做法是建三个模板一个用于赛题理解输入赛题链接输出解释网页和笔记一个用于代码解读输入代码文件输出逐行注释一个用于优化思路输入 baseline 和数据描述输出三个优化方向。自定义 MCP 的价值在长期使用中才真正体现。官方 MCP 扩展覆盖通用场景但你的学习流程里总有特定环节——比如从某个固定数据源拉取最新赛题、按你的笔记模板格式化输出、把结果同步到你的知识库。这些用自定义 MCP 封装一次之后每次任务都能复用。如果你要长期跑编码类 Agent 任务比如让学习搭子持续帮你读代码、改代码、跑实验可以考虑 TaoToken 的 Coding Plan在模型调用上有更稳定的配额和更低的延迟。日常的模型对话验证用模型对话页面就够。接入文档在文档页有完整的参数说明和示例。最后给一个实用技巧在 MCP Server 里加日志。每次工具被调用时把入参和出参写到本地文件。这样当 Agent 行为不符合预期时你能看到它到底传了什么参数、工具返回了什么。日志比猜测快得多。 1. 扣子空间自定义 MCP 到底解决什么问题扣子空间自定义 MCP简单说就是让扣子空间这个 AI Agent 平台能调用你自己写的工具服务。扣子空间本身内置了搜索、文档处理、数据分析等十几种官方 MCP 服务但每个人的学习场景不一样——你可能需要查特定数据库、读自己的笔记系统、调用某个学科的计算工具。自定义 MCP 就是把这些私有能力接进扣子空间的入口。它适合谁三类人最需要一是正在准备数据挖掘比赛的学生需要 AI 帮你理解赛题、读 baseline 代码、生成优化思路二是做技术笔记的开发者想让 AI 自动把检索结果整理进飞书文档三是任何有重复性信息处理流程的人比如每周整理论文、汇总行业数据、生成学习周报。我拿一个真实场景走完全程用扣子空间搭一个新能源发电功率预测竞赛的学习搭子它能读赛题背景、解释 baseline 代码、给出优化方向最后自动把笔记写进飞书文档。整个过程不需要你写一行 Python但需要你理解 MCP 的配置逻辑——这正是本文的重点。先说清楚一个概念区分。扣子空间里的MCP 扩展和自定义 MCP是两回事。官方 MCP 扩展是扣子已经封装好的工具你在界面上点扩展就能添加比如飞书文档、搜索、代码解释器。自定义 MCP 则是你自己在扣子开发平台创建一个 MCP Server定义工具名称、描述、参数然后发布再在扣子空间里引用。前者开箱即用后者需要你写工具描述和参数 schema。为什么工具描述这么关键因为 AI Agent 决定要不要调用某个工具完全依赖描述文本。描述写得模糊Agent 就不知道该在什么场景下调用参数 schema 写错调用就会失败。这是自定义 MCP 最容易踩的坑后面会专门讲。还有一个背景值得说扣子空间有探索和规划两种模式。探索模式适合一步到位出结果规划模式适合你逐步把控。自定义 MCP 在两种模式下都能用但规划模式下你能看到 Agent 每一步调用了哪个工具、传了什么参数调试自定义 MCP 时特别有用。2. TaoToken 前置给学习搭子接上稳定模型能力扣子空间本身提供模型能力但当你想让学习搭子处理更复杂的推理任务——比如逐行解释 baseline 代码、生成三个优化方向并对比——模型的质量和稳定性就很关键。TaoToken 在这里的角色是提供一个统一的 API 入口让你在扣子开发平台配置自定义 MCP 时可以指定模型调用走 TaoToken 的接口。你需要先拿到两样东西API Key 和 Base URL。API Key 在 TaoToken 控制台的 API Keys 页面创建Base URL 是https://taotoken.net/api。注意这里不要加任何多余路径MCP 配置里填的就是这个根地址。模型 ID 怎么选如果你做的是代码解释、赛题分析这类需要长上下文和强推理的任务选 Claude 系列模型比较合适如果是快速的信息提取和格式化输出轻量模型就够。具体模型 ID 以 TaoToken 文档页的模型列表为准配置时直接填模型名称字符串。这里有个容易混淆的点扣子空间里的模型设置和自定义 MCP 里的模型设置是两层。扣子空间任务本身用哪个模型在任务创建时选自定义 MCP Server 内部如果也要调模型比如你的工具需要做一次摘要那是在 MCP Server 代码里配置 TaoToken 的 Base URL 和 Key。两层可以都用 TaoToken也可以只用一层。我建议的做法是扣子空间任务用平台默认模型自定义 MCP 里的模型调用走 TaoToken。这样你的工具逻辑和模型能力解耦换模型不用改扣子空间的配置。配置前确认三件事API Key 有余额、Base URL 能通、模型 ID 拼写正确。这三个任何一个出错后面调用都会报 401 或 model not found。验证方法很简单用 curl 发一个最小请求curl https://taotoken.net/api/v1/chat/completions \ -H Authorization: Bearer sk-你的Key \ -H Content-Type: application/json \ -d { model: claude-sonnet-4-20250514, messages: [{role: user, content: 回复OK}], max_tokens: 10 }返回里有choices数组且 content 是 OK说明 Key 和 Base URL 都没问题。这一步过了再往下走能省很多排查时间。3. 可复制配置自定义 MCP Server 的 JSON 与工具描述这一节是核心。你要在扣子开发平台创建一个 MCP Server定义工具然后发布。下面给出可直接复制的配置片段。先看 MCP Server 的基础配置。在扣子开发平台创建 MCP Server 时需要填写服务名称、描述、以及工具列表。工具列表用 JSON Schema 描述。以下是一个读取飞书文档并写入学习笔记的工具配置示例{ name: write_study_note, description: 将学习内容写入指定的飞书文档。当用户要求记录笔记、保存学习成果、或整理资料到飞书时调用此工具。输入需要包含文档标题和正文内容。, inputSchema: { type: object, properties: { doc_title: { type: string, description: 飞书文档的标题例如发电功率预测竞赛学习笔记 }, content: { type: string, description: 要写入文档的正文内容支持 Markdown 格式 }, folder_token: { type: string, description: 目标文件夹的 token留空则写入根目录 } }, required: [doc_title, content] } }注意description的写法第一句说清楚做什么第二句说清楚什么时候调用。这是给 AI Agent 看的不是给人看的。我试过把描述写成写入文档结果 Agent 在需要保存笔记时经常不调用这个工具因为它不确定这个工具是否适合当前场景。改成当用户要求记录笔记、保存学习成果时调用之后命中率明显提升。再看 MCP Server 运行时的环境配置。如果你用 Node.js 写 MCP Serverpackage.json里需要声明依赖和启动命令{ name: study-buddy-mcp, version: 1.0.0, type: module, scripts: { start: node server.js }, dependencies: { modelcontextprotocol/sdk: ^1.0.0, node-fetch: ^3.3.0 } }如果你用 Python对应的pyproject.toml片段[project] name study-buddy-mcp version 1.0.0 dependencies [ mcp1.0.0, httpx0.27.0 ] [project.scripts] study-buddy-mcp study_buddy_mcp.server:mainMCP Server 内部调用 TaoToken 模型时配置这样写const TAOTOKEN_BASE https://taotoken.net/api; const TAOTOKEN_KEY process.env.TAOTOKEN_API_KEY; async function callModel(prompt) { const res await fetch(${TAOTOKEN_BASE}/v1/chat/completions, { method: POST, headers: { Authorization: Bearer ${TAOTOKEN_KEY}, Content-Type: application/json }, body: JSON.stringify({ model: claude-sonnet-4-20250514, messages: [{ role: user, content: prompt }], max_tokens: 2000 }) }); const data await res.json(); return data.choices[0].message.content; }三件套对照Base URL 是https://taotoken.net/apiKey 从环境变量读Model ID 填claude-sonnet-4-20250514以文档页实际列表为准。这三个值在 MCP Server 代码、扣子开发平台配置、以及扣子空间任务设置里要保持一致。工具描述写完后在扣子开发平台点发布然后回到扣子空间在扩展里搜索你发布的 MCP Server 名称添加即可。添加成功后扩展图标上会显示数字1表示成功加载了一个工具。4. 验证请求从赛题理解到飞书文档写入的端到端跑通配置完成后必须做一次端到端验证。我用的验证任务是让学习搭子读取新能源发电功率预测赛题的背景页面用小白能懂的话解释然后生成一个动态网页对比原文和解释最后把内容写入飞书文档。第一步在扣子空间新建任务粘贴提示词赛题背景http://competition.sais.com.cn/competitionDetail/532315/format baselinehttps://www.modelscope.cn/datasets/loutianao/new_energy_power_forecast/file/view/master?id91148status1fileNamepower_pred_baseline.ipynb 1. 用小白能听懂的话解释赛题背景用比喻和讲故事的方式200字左右 2. 用赛题背景原文和解释后的文字生成一个动态网页 3. 新建一个飞书文档标题发电功率预测竞赛学习笔记将上述内容写入文档第二步在扩展里确认飞书文档和你的自定义 MCP 都已添加。第一次用飞书文档需要授权点一下授权按钮即可。第三步点击执行。观察 Agent 的思考过程它会先调用搜索工具读取赛题页面然后调用模型生成解释再调用代码工具生成网页最后调用飞书文档工具写入。如果自定义 MCP 配置正确你会在执行日志里看到write_study_note被调用参数里包含doc_title和content。验证成功的标志有三个一是飞书文档里出现了标题为发电功率预测竞赛学习笔记的新文档二是文档内容包含赛题背景解释和 baseline 代码说明三是扣子空间任务面板显示所有步骤完成没有红色报错。如果只验证模型调用是否通可以用更简单的方式在扣子空间新建任务输入用一句话解释什么是 MCP看返回是否正常。这验证的是扣子空间本身的模型能力。要验证自定义 MCP必须走上面那个包含工具调用的完整流程。我实测下来从点击执行到飞书文档生成大约需要 40 到 90 秒取决于赛题页面加载速度和模型响应时间。如果超过 3 分钟没动静大概率是某个工具调用卡住了去执行日志里看最后一步停在哪个工具。5. 常见报错排查401、local proxy failed、reading choices这一节列真实会遇到的报错和排查路径。报错一401 Unauthorized{error:{message:Invalid API key,type:authentication_error}}原因通常是 API Key 填错、Key 已过期、或者 Base URL 多了路径。排查顺序先确认 Key 复制时没有多余空格再用第 2 节的 curl 命令直接测 TaoToken 接口如果 curl 通但 MCP 里不通检查 MCP Server 代码里读环境变量的逻辑是不是process.env.TAOTOKEN_API_KEY没设置。注意 Base URL 必须是https://taotoken.net/api不要写成https://taotoken.net/api/v1SDK 会自动拼/v1/chat/completions。报错二local proxy failedError: local proxy failed to connect to upstream这个报错通常出现在 MCP Server 本地调试时。原因是 MCP Server 进程没有正常启动或者端口被占用。排查确认npm start或python -m study_buddy_mcp能独立跑起来检查端口是否被其他进程占用如果是容器环境确认网络模式允许出站请求。这个报错和 TaoToken 无关是本地服务的问题。报错三reading choices of undefinedTypeError: Cannot read properties of undefined (reading choices)这是模型调用返回结构不符合预期。原因可能是模型 ID 拼写错误导致接口返回错误对象而不是正常响应或者请求体格式不对。排查打印完整的res对象看返回了什么确认model字段的值在 TaoToken 模型列表里存在确认messages数组格式正确。修复方式是在取choices之前加一层判断if (!data.choices || !data.choices[0]) { console.error(模型返回异常:, JSON.stringify(data)); throw new Error(模型调用失败); } return data.choices[0].message.content;报错四OAuth 授权失败OAuth token exchange failed: invalid_grant飞书文档 MCP 需要 OAuth 授权。如果授权失败先检查扣子空间里的飞书扩展是否已添加再检查授权时登录的飞书账号是否有目标文档的写入权限如果之前授权过但换了账号需要在扩展设置里重新授权。这个报错和自定义 MCP 无关是飞书侧权限问题。报错五工具未被调用Agent 执行完任务但没有调用你的自定义 MCP。原因几乎总是工具描述不够明确。修复在description里加入触发场景关键词比如当用户要求记录笔记时调用同时检查inputSchema的required字段是否合理如果必填参数太多Agent 可能因为凑不齐参数而放弃调用。排查时记住一个原则先分层再定位。扣子空间层、MCP Server 层、TaoToken 层、飞书层四层各自独立验证。哪层报错就查哪层不要混在一起猜。6. 把学习搭子用起来从单次任务到长期工作流验证跑通之后你可以把这个学习搭子固化成工作流。扣子空间支持保存任务模板下次直接调用。我的做法是建三个模板一个用于赛题理解输入赛题链接输出解释网页和笔记一个用于代码解读输入代码文件输出逐行注释一个用于优化思路输入 baseline 和数据描述输出三个优化方向。自定义 MCP 的价值在长期使用中才真正体现。官方 MCP 扩展覆盖通用场景但你的学习流程里总有特定环节——比如从某个固定数据源拉取最新赛题、按你的笔记模板格式化输出、把结果同步到你的知识库。这些用自定义 MCP 封装一次之后每次任务都能复用。如果你要长期跑编码类 Agent 任务比如让学习搭子持续帮你读代码、改代码、跑实验可以考虑 TaoToken 的 Coding Plan在模型调用上有更稳定的配额和更低的延迟。日常的模型对话验证用模型对话页面就够。接入文档在文档页有完整的参数说明和示例。最后给一个实用技巧在 MCP Server 里加日志。每次工具被调用时把入参和出参写到本地文件。这样当 Agent 行为不符合预期时你能看到它到底传了什么参数、工具返回了什么。日志比猜测快得多。