把 Cursor 的模型通道改到 TaoToken，再对照 FastMCP 的 stdio 通信

把 Cursor 的模型通道改到 TaoToken，再对照 FastMCP 的 stdio 通信

把 Cursor 的模型通道改到 TaoToken 时，先到官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= 创建 Key，再把 Cursor 的模型 Base URL 填成https://taotoken.net/api。这一步解决的是 Cursor 作为模型客户端的出站请求问题；而 Cursor 作为 MCP 客户端启动 FastMCP 服务端，仍然走子进程的stdin/stdout，用 JSON-RPC 发rpc.discover，发现get_forecast、get_alerts等工具。两类配置经常被混在一起，于是出现一种典型错位：模型通道已经配到 TaoToken，但.cursor/mcp.json里的 Python 服务没有正常输出，或者反过来，MCP 工具能发现，但 Cursor 聊天请求一直 401/404。本文按接入配置视角，先把 Cursor 的模型 Base URL 和 Key 配通，再回到 FastMCP 的 stdio 通信，对照discovery-1请求、methods元数据和get_forecast调用。TaoToken 只提供 Key 和 Base URL，不参与 stdio、JSON-RPC，也不负责工具注册。

一、原问题与场景：Cursor 模型通道与 FastMCP stdio 通信是两条线

Cursor 在一个本地 MCP 天气服务示例里同时承担两个角色。

第一个角色是模型客户端。你在 Cursor 的 Chat、Composer 或 Agent 里发出的自然语言请求，需要先到某个模型 API。如果你要把模型通道改到 TaoToken，就需要在 Cursor 的 Models 设置里填 OpenAI 兼容的 Base URL 和 API Key。这里填的是https://taotoken.net/api，不是官网首页地址，也不要随手加/v1。模型通道是否正常，直接决定 Cursor 能不能正常对话、补全和发起 Agent 请求。

第二个角色是 MCP 客户端。Cursor 读取.cursor/mcp.json后，用子进程方式启动 Python MCP 程序，例如mcp_server.py或weather_mcp.py。这个 Python 程序内部调用：

mcp.run(transport="stdio")

于是 Cursor 和服务端之间的通信通道变成标准输入和标准输出。Cursor 向子进程的stdin写入 JSON-RPC 消息，子进程处理后将 JSON-RPC 响应写到stdout，Cursor 再从stdout读取。这个过程和 TaoToken 的模型请求没有共用链路：TaoToken 的 Key 不会进入 MCP 服务端，MCP 服务端也不应该尝试把工具调用转发到 TaoToken。TaoToken 只负责 Cursor 到模型 API 的那一段，FastMCP 负责 Cursor 到本地工具进程的那一段。

原文关注的是后者：Cursor 作为 MCP 客户端，通过子进程启动 Python MCP 程序，用rpc.discover发现工具，再调用get_forecast、get_alerts。本篇的接入配置视角则是先保证前者不成为干扰项。因为如果 Cursor 的模型请求一直报错，你很难判断 MCP 工具发现失败到底是模型通道问题，还是 stdio 通信问题。把模型通道先切到 TaoToken，再验证 MCP 服务端的stdout是否干净，排查路径会清晰很多。

完整链路可以拆成两段看：

1. Cursor Chat/Agent -> TaoToken API：使用 Base URLhttps://taotoken.net/api和 API Key。
2. Cursor MCP Client -> Python FastMCP 进程：使用子进程、stdin/stdout、JSON-RPC、rpc.discover、工具调用。

两段都成功，才是一个比较完整的 Cursor + MCP + FastMCP 本地调试环境。

二、TaoToken 前置：Key 与 Base URL 只服务 Cursor 模型请求

先处理 Cursor 的模型通道。打开 TaoToken 官网：

https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=

在控制台创建 API Key，得到类似：

YOUR_API_KEY

然后在 Cursor 的 Models 设置里选择 OpenAI 兼容或自定义 OpenAI 提供商，填写两个核心值：

Base URL: https://taotoken.net/api API Key: YOUR_API_KEY Model: MODEL_ID

这里的MODEL_ID不要凭记忆乱填，按你在 TaoToken 控制台里可用的模型 ID 填。不同模型 ID 会影响 Cursor 里能否正常对话，但接入路径本身不变。

需要特别强调三个容易写错的点：

第一，Base URL 是https://taotoken.net/api，不是官网首页。不要把带 UTM 的官网地址填进 Cursor：

错误示例：https://taotoken.net/?utm_source=... 错误示例：https://taotoken.net/

第二，不要给 Base URL 加/v1。本篇按 Cursor 的模型通道配置要求，填：

https://taotoken.net/api

不要写成：

https://taotoken.net/api/v1

第三，TaoToken 的 Key 只给 Cursor 的模型请求使用。它不需要写入.cursor/mcp.json，也不需要写入mcp_server.py的环境变量。FastMCP 的 stdio 服务端只处理本地 JSON-RPC 请求，工具注册和工具调用都在 Python 进程内完成。把 TaoToken Key 塞进 MCP 服务端，不但没有帮助，还会让排查方向跑偏。

你可以把配置关系记成一句话：TaoToken 管模型出口，FastMCP 管本地工具入口。两边都配好，Cursor 才能既正常对话，又通过 MCP 调用天气工具。

三、可复制配置：Cursor Models、.cursor/mcp.json 与 mcp_server.py

3.1 Cursor 模型通道配置

在 Cursor 中打开 Settings，找到 Models 相关区域。如果你的 Cursor 版本支持 OpenAI API Key 和 Base URL，就按下面方式填：

Provider: OpenAI Compatible / Custom OpenAI Base URL: https://taotoken.net/api API Key: YOUR_API_KEY Model: MODEL_ID

保存后，建议先不要在复杂 Agent 任务里测试，而是新建一个普通 Chat，发一个最小请求，例如：

只回复：pong

如果返回pong或类似短文本，且没有 401、404、连接超时，那么 Cursor 到 TaoToken 的模型通道基本走通。此时还不要急着判断 MCP 是否正常，因为 MCP 是另一套配置。

3.2.cursor/mcp.json配置

假设你的 FastMCP 服务端文件叫weather_mcp.py，放在项目根目录。可以在项目下创建.cursor/mcp.json，内容类似：

{ "mcpServers": { "weather-fastmcp": { "command": "python", "args": [ "/absolute/path/to/weather_mcp.py" ], "env": { "PYTHONUNBUFFERED": "1" } } } }

要点：

• command是 Python 解释器路径。如果python不在 PATH，换成绝对路径，例如/usr/bin/python3或虚拟环境里的 Python。
• args指向 MCP 服务端文件。建议先用绝对路径，避免 Cursor 工作目录变化导致找不到文件。
• PYTHONUNBUFFERED=1可以减少 Python 输出缓冲带来的日志延迟，但不要把调试内容打印到 stdout。
• 不需要把 TaoToken 的 Key 放进env。MCP 服务端不依赖 TaoToken。

3.3 FastMCP 服务端文件weather_mcp.py

服务端使用 FastMCP 时，核心是注册工具并启用 stdio。下面是一个简化骨架：

from mcp.server.fastmcp import FastMCP mcp = FastMCP("weather-demo") @mcp.tool() def get_forecast(latitude: float, longitude: float) -> str: """根据经纬度返回未来天气信息。""" return f"forecast for {latitude},{longitude}: sunny" @mcp.tool() def get_alerts(state: str) -> str: """根据州代码返回天气警报。""" return f"alerts for {state}: none" if __name__ == "__main__": mcp.run(transport="stdio")

这里有两个工具：

• get_forecast(latitude: float, longitude: float)
• get_alerts(state: str)

FastMCP 会根据函数签名和文档字符串生成工具元数据。函数名会成为 JSON-RPC 方法名，参数类型会进入 schema。这样 Cursor 在工具发现阶段拿到methods后，才知道每个工具需要什么参数。注意，调试信息不要用print()输出到 stdout。因为stdout是 JSON-RPC 响应通道，任何额外文本都可能破坏协议消息。需要日志时写到stderr，或使用 logging 配置到文件。

四、验证请求与成功结果：模型请求走通且 rpc.discover 正常返回

配置完成后，分成两个验证动作，不要混在一起。

4.1 验证 Cursor 模型请求

在 Cursor 新建 Chat，选择刚刚配置的模型，发送：

只回复：model-ok

成功结果：

• 没有 401 Unauthorized。
• 没有 404 Not Found。
• 没有提示 Base URL 无效。
• 模型返回model-ok或类似内容。

这说明 Cursor 的模型请求已经走https://taotoken.net/api。如果这里失败，先回到第二节检查 Base URL 和 Key，不要先怀疑 FastMCP。

4.2 验证 FastMCP stdio 与工具发现

在 Cursor 的 MCP 面板或日志中，重新加载.cursor/mcp.json，让 Cursor 启动weather_mcp.py。如果连接成功，工具列表里应该能看到：

get_forecast get_alerts

在日志中，Cursor 会向 Python 子进程的 stdin 写入工具发现请求，类似：

{ "jsonrpc": "2.0", "id": "discovery-1", "method": "rpc.discover", "params": {} }

服务端处理完后，会从 stdout 返回methods元数据。响应可以简化成：

{ "jsonrpc": "2.0", "id": "discovery-1", "result": { "methods": { "get_forecast": { "description": "按经纬度返回天气", "parameters": { "type": "object", "properties": { "latitude": { "type": "number" }, "longitude": { "type": "number" } }, "required": ["latitude", "longitude"] } }, "get_alerts": { "description": "按州代码返回警报", "parameters": { "type": "object", "properties": { "state": { "type": "string" } }, "required": ["state"] } } } } }

如果 Cursor 日志里出现了discovery-1的响应，并且methods中有get_forecast和get_alerts，说明 stdio 通信和工具发现正常。接下来可以触发工具调用。Cursor 会发送类似：

{ "jsonrpc": "2.0", "id": "call-1", "method": "get_forecast", "params": { "latitude": 37.7749, "longitude": -122.4194 } }

服务端从 stdout 返回：

{ "jsonrpc": "2.0", "id": "call-1", "result": "forecast for 37.7749,-122.4194: sunny" }

成功的标准是两条线同时成立：

• Cursor 的模型请求能正常返回，说明 TaoToken 模型通道已通。
• Cursor 的 MCP 服务端仍能正常输出rpc.discover响应，并能调用get_forecast，说明 FastMCP stdio 通道正常。

五、本篇常见错排查：Base URL 加 /v1、stdio 日志污染与 get_forecast 参数

5.1 Cursor 模型请求 401 或 404

现象：Cursor 聊天报 401、404，或者提示模型不可用。

优先检查：

Base URL 是否为 https://taotoken.net/api 是否误填为官网首页 是否误加了 /v1 API Key 是否复制完整 Model ID 是否在 TaoToken 控制台可用

特别注意：官网地址带 UTM 参数，是给人打开控制台用的，不是给 Cursor 当 Base URL 用的。

5.2 MCP 服务端连接失败

现象：Cursor MCP 面板显示失败，或者根本没有weather-fastmcp。

检查.cursor/mcp.json：

• command是否能执行。
• args路径是否存在。
• Python 依赖是否安装，比如 MCP/FastMCP 相关包。
• 服务端是否有mcp.run(transport="stdio")。
• 修改配置后是否重启或重新加载 Cursor MCP。

5.3rpc.discover没有响应或 JSON 解析失败

常见原因是 stdout 被污染。FastMCP 的 stdio 模式把 stdout 当作 JSON-RPC 响应通道，如果代码里写了：

print("server started")

Cursor 读到的就是“非 JSON 文本 + JSON-RPC 响应”，协议解析就会失败。把调试输出改到 stderr：

import sys print("server started", file=sys.stderr)

或者使用 logging。不要用print()往 stdout 打日志。

5.4 工具列表里没有get_forecast

现象：MCP 服务连上了，但工具发现返回的methods为空，或者缺少get_forecast。

检查：

• 函数上方是否加了@mcp.tool()。
• 函数名是否就是get_forecast。
• 服务端是否真的重启，旧进程是否还在。
• Python 文件是否与.cursor/mcp.json指向的一致。
• 是否有导入错误导致装饰器没有执行。

5.5 调用get_forecast参数错误

现象：工具被发现，但调用时报参数缺失或类型错误。

检查 JSON-RPC 请求中的params：

{ "latitude": 37.7749, "longitude": -122.4194 }

latitude和longitude应该是 number，不是字符串。调用get_alerts时，state是字符串。参数名必须和 Python 函数签名一致。FastMCP 生成的 schema 就是依据函数签名来的，所以函数参数名不要随意改。

5.6 把 TaoToken Key 填进 MCP 服务端

这是概念错位。TaoToken Key 用于 Cursor 的模型请求，不用于 MCP stdio 工具调用。MCP 服务端是本进程工具注册与 JSON-RPC 处理，不需要 TaoToken 的 Base URL，也不需要 TaoToken 的 Key。只需要保证 Cursor 模型通道和 MCP 子进程通道各自正常。

六、语义一致 CTA：接入、排障、模型对话与 Coding Plan

如果你正在配置 Cursor 的模型通道，或者已经遇到 401、404、Base URL 无效、rpc.discover无响应这类问题，建议先到 API Keys 页面确认 Key，再对照接入文档检查 Base URL、模型 ID 和 OpenAI 兼容配置：

• API Keys：https://taotoken.net/console/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api-keys&utm_campaign=rewrite
• 接入文档：https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite

模型通道配好后，如果你想先用最小请求验证模型是否可用，可以到模型对话页发一条短消息，确认返回正常后再回到 Cursor 里继续调试 MCP：

• 模型对话：https://taotoken.net/console/chat?utm_source=taotoken_aicg_blog_end&utm_content=model-chat&utm_campaign=rewrite

如果你要把 Cursor 长期作为编码 Agent 使用，并且会频繁接入 FastMCP 工具链、反复调试 stdio 通信和 JSON-RPC 工具发现，可以进一步查看 Coding Plan：

• Coding Plan：https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding-plan&utm_campaign=rewrite

回到这篇的主题：Cursor 的模型通道填https://taotoken.net/api和YOUR_API_KEY，FastMCP 服务端继续用mcp.run(transport="stdio")。前者负责 Cursor 到模型 API，后者负责 Cursor 到 Python 子进程。把这两条线分开配置、分开验证，discovery-1、methods、get_forecast和get_alerts的调试就会清楚很多。