1. 打工人做饭这件事卡点到底在哪每天 18:30 走出办公楼脑子里就开始循环播放同一个问题今晚吃什么。打开外卖软件翻了十分钟发现常点的那几家已经吃腻了想自己做又不知道从哪下手——做什么菜、要买什么、步骤记不住、做到一半发现少调料。最后大概率还是点了外卖然后一边吃一边后悔。这个场景我太熟了。问题不在于“不会做饭”本身而在于做饭这件事被拆成了太多零散决策决定吃什么、查菜谱、列采购清单、记住步骤、控制时间预算。每一步单独看都不难但叠在一起就变成了心理负担于是大脑自动选择最省力的方案——点外卖。Doubao-Seed-Evolving 这类长上下文模型出现之后我意识到它可以当“做饭私教”来用把菜谱查询、推荐、采购规划这些环节交给 Agent 去调度我只需要说一句“今天一个人吃微辣不要香菜”。再配合 MCP 把菜谱数据源接进来用 Streamlit 做一个能点按钮的页面一个真正能用的做饭助手就成型了。这篇就把从零到跑通的完整路径写清楚包括 MCP 配置骨架、Streamlit 页面结构以及用 TaoToken 统一 Key 接入模型的方式。适合谁看完全不会做饭但想开始学的打工人想拿一个真实小项目练手 Agent MCP Streamlit 的开发者以及已经会用 OpenAI 兼容接口、想找个场景把工具调用跑通的人。2. 前置准备TaoToken 统一 Key 与模型接入在写代码之前先把模型调用这条链路打通。我用的方式是 TaoToken 提供的 OpenAI 兼容接口好处是一个 Key 可以切换不同模型不用为每个模型单独维护一套鉴权和 SDK。先到 TaoToken 控制台创建一个 API Key地址是 https://taotoken.net/api-keys 。创建完复制出来后面配置环境变量用。模型对话调试可以在 https://taotoken.net/model-chat 里先试确认 Key 能用、模型能正常返回再去写代码能省掉很多“到底是网络问题还是代码问题”的排查时间。接入文档在 https://taotoken.net/doc 里面写了 OpenAI 兼容的 base_url 和调用方式。核心就两个值配置项值base_urlhttps://taotoken.net/apiapi_key你在控制台创建的 Keymodel按需选择做饭助手建议用长上下文模型注意base_url 后面不要手动加/v1SDK 会自己拼路径加了反而容易 404。这个坑我踩过。如果你打算长期跑编码类或 Agent 类任务可以了解一下 Coding Planhttps://taotoken.net/coding-plan 它更适合高频调用场景。做饭助手这种每天问几次的用量普通按量计费就够了。环境变量这样设Linux/macOS 用export TAOTOKEN_API_KEY你的Key export TAOTOKEN_BASE_URLhttps://taotoken.net/apiWindows PowerShell 用$env:TAOTOKEN_API_KEY你的Key $env:TAOTOKEN_BASE_URLhttps://taotoken.net/api3. 可复制配置MCP 菜谱服务 Agent 骨架3.1 MCP 配置骨架MCP 的作用是把“菜谱数据”这件事从 Agent 里解耦出去。Agent 不需要知道菜谱存在哪、怎么查它只需要知道有哪些工具可以调。项目根目录建一个mcp.json{ mcpServers: { howtocook: { command: npx, args: [-y, howtocook-mcp], disabled: false, autoApprove: [] } } }autoApprove留空是有意的菜谱查询是只读操作但保留人工确认能让调试阶段看清每次工具调用。等稳定了再按需放开。3.2 依赖清单requirements.txtopenai1.30.0 streamlit1.35.0 mcp1.0.0 pandas2.0.0 python-dotenv1.0.0安装pip install -r requirements.txt3.3 Agent 主循环核心agent/core.py里最关键的是 ReAct 循环模型返回 tool_calls 就执行工具把结果塞回消息列表再让模型继续推理直到它给出最终回答。简化后的骨架import json from openai import OpenAI class Agent: def __init__(self, client, model, tools, registry, max_steps20): self.client client self.model model self.tools tools # OpenAI 格式的工具描述 self.registry registry # 工具名 - 可执行函数 self.max_steps max_steps def run(self, messages): for step in range(self.max_steps): resp self.client.chat.completions.create( modelself.model, messagesmessages, toolsself.tools, tool_choiceauto, ) msg resp.choices[0].message messages.append(self._message_to_dict(msg)) if not msg.tool_calls: return msg.content for call in msg.tool_calls: fn self.registry.get(call.function.name) args json.loads(call.function.arguments or {}) result fn(**args) if fn else f未知工具: {call.function.name} messages.append({ role: tool, tool_call_id: call.id, content: str(result), }) return 达到最大步数仍未完成请缩小问题范围。_message_to_dict负责把模型返回的 message 对象转成可序列化的 dict尤其是 tool_calls 部分要保留 id、name、arguments 三个字段否则下一轮请求会报格式错误。3.4 模型客户端agent/clients/llm.pyimport os from openai import OpenAI def build_client(): return OpenAI( api_keyos.environ[TAOTOKEN_API_KEY], base_urlos.environ.get(TAOTOKEN_BASE_URL, https://taotoken.net/api), )这样模型来源和业务代码解耦换模型只改环境变量。4. Streamlit 页面结构与本地验证4.1 页面拆分app.py作为入口用st.tabs把五个场景拆开每个 Tab 对应一个真实做饭动作import streamlit as st st.set_page_config(page_title做饭助手, page_icon, layoutwide) st.title(做饭助手) tab_chat, tab_recipe, tab_today, tab_shopping, tab_progress st.tabs( [AI对话, 菜谱浏览, 今天吃什么, 购物清单, 学习进度] ) with tab_chat: st.subheader(像聊天一样问做饭问题) question st.text_input(比如完全不会做饭从哪道菜开始) if st.button(问助手) and question: st.write(run_agent(question)) with tab_today: st.subheader(今天吃什么) people st.selectbox(几个人吃, [1人, 2人, 3-4人, 5-6人]) taste st.selectbox(口味, [清淡, 微辣, 中辣, 重辣, 酸甜]) avoid st.text_input(忌口食材, 香菜) if st.button(摇一摇给我推荐): prompt f{people}吃口味{taste}忌口{avoid}推荐一道菜并说明理由 st.write(run_agent(prompt))run_agent是薄封装负责把用户输入拼成 messages 再交给 Agentdef run_agent(user_input: str) - str: agent create_agent() messages [ {role: system, content: SYSTEM_PROMPT}, {role: user, content: user_input}, ] return agent.run(messages)系统提示词里写清楚角色和约束比如“你是做饭私教面向零基础用户步骤要具体到火候和用量优先调用菜谱工具获取真实数据”。4.2 本地启动streamlit run app.py浏览器打开http://localhost:8501能看到五个 Tab。先点“AI对话”输入“我是新手只会煮泡面推荐第一道菜”观察终端有没有打印工具调用日志。4.3 命令行验证不想开浏览器时用 CLI 更快python agent_cli.py -v 查询宫保鸡丁的做法 python agent_cli.py 今天吃什么1个人微辣不要香菜 python agent_cli.py --max-steps 25 为2个人生成一周晚餐计划和购物清单-v会打印每一步的工具调用和返回这是确认 MCP 是否真的被调用的最直接方式。5. 本篇常见错排查报错一openai.AuthenticationError: 401Key 没读到或写错了。先确认环境变量在当前终端生效echo $TAOTOKEN_API_KEY。如果是 Streamlit 里报错注意 Streamlit 进程可能没继承你 export 的变量建议用.envpython-dotenv在代码里显式加载。报错二404 Not Found或路径重复base_url 写成了https://taotoken.net/api/v1。改成https://taotoken.net/api让 SDK 自己拼。报错三MCP 工具一直没被调用先看mcp.json里的disabled是不是true再确认npx能正常执行手动跑一次npx -y howtocook-mcp看有没有报错。如果工具描述没传给模型模型根本不知道有这些工具检查tools参数是否为空。报错四tool_call_id不匹配在追加 tool 结果消息时tool_call_id必须和模型返回的call.id完全一致。手动拼消息时最容易在这里出错建议统一走_message_to_dict转换。报错五Streamlit 页面改了不生效Streamlit 默认有缓存改完代码在页面右上角点 Rerun或者终端 CtrlC 重启。另外st.tabs里的内容每次交互都会重跑整个脚本耗时操作记得用st.cache_data包一层。报错六中文乱码或 CSV 读不出来学习记录用utf-8-sig编码读写Windows 下 Excel 打开才不乱码df.to_csv(notes/learning_record.csv, indexFalse, encodingutf-8-sig)6. 把这条链路用起来跑通之后日常使用路径其实很顺下班路上先在“今天吃什么”里选人数和口味让助手给个推荐到家打开“菜谱浏览”确认具体做法周末用“购物清单”生成一周菜单和采购列表做完菜在“学习进度”里记一笔。五个 Tab 串起来就是“问问题 → 查菜谱 → 做决定 → 买食材 → 记录进步”的闭环。如果你在接入过程中卡在鉴权或工具调用上先去 https://taotoken.net/api-keys 确认 Key 状态再对照 https://taotoken.net/doc 检查 base_url 和请求格式。想先验证模型本身能不能正常对话用 https://taotoken.net/model-chat 最快。打算把这个 Agent 扩展成长期跑的编码或自动化任务可以看 https://taotoken.net/coding-plan 。需要管理多个 Key 或查看用量控制台在 https://taotoken.net/console 。最后说个实际经验新手第一道菜别选宫保鸡丁选番茄炒蛋或青椒肉丝。前者容错率高翻车了也能吃后者能练刀工和火候但调料少。等这两道稳定了再让助手按你的口味往上加难度学习曲线会顺很多。