LangChain Agent集成MCP与Skills：构建可调用外部工具的AI智能体

这次我们来看一个能显著提升AI Agent工作效率的技术组合LangChain Agent接入MCP与Skills。如果你正在开发或使用基于大模型如Claude的智能助手并且希望它能像人类一样调用各种工具、访问数据库、操作文件系统那么这个技术栈值得你深入了解。它不是某个单一的模型而是一套让AI Agent变得更“能干”的协议和框架。简单来说MCPModel Context Protocol是一个新兴的开放协议它定义了AI模型如何安全、标准化地访问外部工具和数据源。而Skills则可以理解为基于MCP协议封装好的、开箱即用的具体能力比如读取数据库、操作Figma设计稿、管理Git仓库等。LangChain作为目前最流行的AI应用开发框架其Agent模块是连接大模型与这些外部能力的“大脑”和“调度中心”。这个组合的核心价值在于将大模型的推理规划能力与海量、安全的外部工具执行能力无缝结合。你不再需要为每一个新功能去编写复杂的适配代码而是可以通过标准的MCP协议让Agent动态发现并调用所需的Skills从而处理更复杂、更实际的工作流比如自动分析数据并生成报告、根据需求修改UI设计稿、或者管理你的待办事项。本文将带你深入这套技术栈的原理并通过实践演示如何搭建一个具备多种Skills的智能Agent。我们会重点关注其架构设计、环境搭建、Skill接入与调用、以及如何在实际项目中提升效率。无论你是想为自己的Claude助手增加“超能力”还是正在构建企业级的AI应用这篇文章都能提供清晰的路径。1. 核心能力速览在深入细节之前我们先通过一个表格快速了解LangChain Agent、MCP和Skills这个技术组合的核心特性与门槛。能力项说明技术栈类型AI应用开发框架LangChain 工具调用协议MCP 标准化工具包Skills核心功能让大模型驱动的Agent能够安全、标准化地发现、理解并调用外部工具Skills以完成复杂任务。主要受益场景自动化工作流、智能数据分析助手、跨平台内容创作与管理、代码辅助开发、企业内部知识问答与操作。硬件/环境门槛极低。核心是Python开发环境运行依赖主要是LangChain库和MCP Server。推理本身依赖后端大模型API如Claude、GPT或本地模型因此对本地硬件无特殊要求。“启动”方式通过Python脚本启动一个集成了MCP Client的LangChain Agent。需要同时运行提供Skills的MCP Server。是否支持API是。LangChain Agent本身可封装为API服务。更重要的是它通过MCP协议以标准化方式调用各种Skills的API。是否支持批量/队列任务是。可通过LangChain的链Chain或LangGraph来编排复杂、多步骤的批量任务工作流。关键优势解耦与标准化模型、Agent框架、具体工具三者分离通过MCP协议通信。动态能力扩展无需修改Agent核心代码通过启动新的MCP Server即可增加Skills。开发效率高使用现成的Skills避免重复造轮子。2. 适用场景与使用边界2.1 谁适合使用这套技术AI应用开发者希望快速构建功能强大的、能操作真实世界工具的智能助手。效率工具爱好者想为自己常用的Claude、ChatGPT等聊天机器人添加文件处理、数据分析等“超能力”。企业IT与自动化团队需要创建能安全访问内部系统如数据库、CRM、项目管理工具的AI助手提升员工效率。产品经理与设计师希望通过自然语言指令直接操作Figma、蓝湖等设计工具快速生成或修改原型。2.2 能解决什么问题打破信息孤岛Agent可以通过Skills直接查询数据库、Confluence文档、Jira任务给出综合性的答案和建议。自动化复杂流程例如用户说“帮我分析上周的销售数据并生成一份PPT概要”Agent可以协调“数据库查询”、“数据分析”、“PPT生成”等多个Skills顺序执行。降低使用门槛用户无需学习各种软件的具体操作用自然语言描述需求Agent代为执行。提升开发体验开发者无需为每个外部工具编写特定的适配层使用统一的MCP协议即可集成。2.3 不适合什么场景简单问答如果需求只是纯文本对话和知识问答直接使用大模型API即可引入Agent和MCP会增加不必要的复杂度。对延迟极其敏感每次工具调用都会增加网络往返与大模型API、与MCP Server的开销不适合毫秒级响应的场景。缺乏稳定工具API的环境如果目标工具没有稳定的API或无法被封装成MCP Server则无法接入。完全离线的环境当前主流方案仍需连接大模型API如Claude、GPT进行推理规划。2.4 安全与合规边界至关重要Agent获得了调用工具的权限等同于赋予了它操作系统的能力。必须严格设定边界。权限最小化为MCP Server配置严格的访问权限。例如文件系统Skill只允许访问特定目录数据库Skill只拥有只读权限或访问特定视图。操作确认对于高风险操作如删除文件、修改生产数据应在Agent执行前加入人工确认环节或仅在测试环境使用。输入输出审查对Agent接收的用户指令和将要执行的工具调用参数进行安全检查防止注入攻击。审计日志完整记录Agent的决策过程、调用的每一个Skill及其参数、执行结果便于事后追溯和复盘。3. 环境准备与前置条件开始实践前请确保你的开发环境满足以下要求。这套组合对本地算力要求不高重点在于开发环境和网络配置。3.1 基础软件环境操作系统Windows 10/11, macOS, 或 Linux (Ubuntu 20.04 推荐)。本文演示以 macOS/Linux 命令行环境为主。Python版本 3.8 至 3.11。推荐使用 3.10 以获得最佳兼容性。使用python --version检查。包管理工具pip最新版。建议使用venv或conda创建独立的虚拟环境避免包冲突。代码编辑器VS Code (推荐便于调试) 或任何你熟悉的 IDE。网络连接能够稳定访问所选大模型的API如 Anthropic Claude API, OpenAI GPT API。3.2 核心账户与API密钥你需要准备以下关键凭据这是Agent的“大脑”和“手脚”能工作的基础大模型API密钥Anthropic Claude如果你选择Claude作为核心模型需要前往 Anthropic Console 注册并获取API Key。OpenAI GPT也可以使用GPT系列模型需前往 OpenAI Platform 获取API Key。将API Key保存在环境变量中切勿硬编码在代码里。可选其他工具凭证如果你要接入的Skills需要特定账号如访问某个数据库、GitHub、Figma也需要提前准备好相应的Token或密钥。3.3 虚拟环境创建与激活强烈建议使用虚拟环境来管理依赖。# 创建虚拟环境 python -m venv langchain-mcp-env # 激活虚拟环境 # macOS/Linux: source langchain-mcp-env/bin/activate # Windows: # langchain-mcp-env\Scripts\activate # 激活后命令行提示符前应显示环境名如 (langchain-mcp-env)4. 安装部署与启动方式我们的目标是搭建一个由三部分组成的系统LangChain Agent (大脑)、MCP Server (工具提供方)和具体的Skills (工具本身)。安装过程就是为这三部分准备环境。4.1 安装LangChain及相关库首先安装LangChain框架以及我们计划使用的LLM这里以Claude为例和MCP集成包。# 升级pip pip install --upgrade pip # 安装LangChain核心库 pip install langchain langchain-core # 安装LangChain社区版包含更多社区工具和集成 pip install langchain-community # 安装Anthropic Claude的LangChain集成包 pip install langchain-anthropic # 安装MCP相关的LangChain集成包 (关键) # 这个包提供了LangChain与MCP Server通信的客户端 pip install langchain-mcp-adapters4.2 安装与配置MCP ServerMCP Server是一个独立的进程它对外提供标准的MCP接口内部封装了对具体工具如文件系统、数据库的操作。我们可以从社区寻找现成的Server也可以自己编写。这里以两个常用的、开源的MCP Server为例modelcontextprotocol/server-filesystem提供文件系统操作Skill。modelcontextprotocol/server-sqlite提供SQLite数据库操作Skill。这些Server通常用JavaScript/TypeScript编写我们可以通过npm或npx直接运行。# 确保你已安装Node.js (18) 和 npm node --version npm --version # 我们可以使用npx直接运行无需全局安装。例如启动文件系统Server # 注意--directory 参数指定了Agent可访问的根目录务必限制在安全范围内 npx modelcontextprotocol/server-filesystem /path/to/safe/directory # 在另一个终端启动SQLite Server # 需要指定一个SQLite数据库文件路径 npx modelcontextprotocol/server-sqlite /path/to/your/database.db启动后Server会在标准输出stdout上通过stdio方式提供MCP服务。LangChain的MCP Client将通过标准输入输出stdio与它们通信。这意味着你的Agent Python脚本需要以子进程方式启动这些Server。4.3 编写并启动LangChain Agent现在我们来编写一个Python脚本创建能够利用上述Skills的Agent。创建一个名为mcp_agent_demo.py的文件import asyncio import os from typing import Any, List from langchain.agents import AgentExecutor, create_openai_tools_agent from langchain_anthropic import ChatAnthropic from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder from langchain_mcp_adapters import MCPToolsClient, MCPServer # 1. 设置Claude API Key (请替换为你的真实Key或从环境变量读取) os.environ[ANTHROPIC_API_KEY] your-claude-api-key-here # 2. 定义要连接的MCP Servers # 每个MCPServer对象对应一个我们之前用npx启动的Server进程命令。 # 这里我们假设在同一个Python脚本内通过asyncio创建子进程来管理它们。 servers: List[MCPServer] [ MCPServer( commandnpx, args[modelcontextprotocol/server-filesystem, /tmp/agent_workspace], # 限制在/tmp下 ), MCPServer( commandnpx, args[modelcontextprotocol/server-sqlite, /tmp/test.db], ), ] async def main(): # 3. 创建MCPToolsClient它会管理所有Server连接并聚合工具 async with MCPToolsClient(serversservers) as client: # 获取所有从MCP Servers发现的工具 tools await client.get_tools() print(f发现 {len(tools)} 个可用工具。) for tool in tools: print(f - {tool.name}: {tool.description}) # 4. 初始化大模型这里使用Claude 3 Haiku速度快成本低 llm ChatAnthropic(modelclaude-3-haiku-20240307, temperature0) # 5. 构建Agent提示词 prompt ChatPromptTemplate.from_messages([ (system, 你是一个有帮助的AI助手可以调用工具来完成用户的请求。请根据工具的描述和用户的输入决定是否需要调用工具以及调用哪个工具。), MessagesPlaceholder(variable_namechat_history), (human, {input}), MessagesPlaceholder(variable_nameagent_scratchpad), ]) # 6. 创建Agent agent create_openai_tools_agent(llm, tools, prompt) # 7. 创建Agent执行器 agent_executor AgentExecutor(agentagent, toolstools, verboseTrue) # 8. 运行一个示例对话 print(\n--- 开始对话 ---) result await agent_executor.ainvoke({ input: 请在我可访问的文件系统根目录下创建一个名为‘hello_mcp.txt’的文件并在其中写入‘Hello from LangChain Agent with MCP!’这句话。, chat_history: [] }) print(f\nAgent回复: {result[output]}) # 9. 再测试一个数据库查询假设test.db中有一个‘users’表 print(\n--- 第二个任务 ---) result2 await agent_executor.ainvoke({ input: 请查询一下SQLite数据库里‘users’表中有多少条记录。, chat_history: [] }) print(f\nAgent回复: {result2[output]}) if __name__ __main__: asyncio.run(main())启动Agent# 在激活的虚拟环境中运行 python mcp_agent_demo.py这个脚本做了以下几件事定义了文件系统和SQLite两个MCP Server。启动MCPToolsClient连接这些Server并自动发现其提供的所有工具如read_file,write_file,sql_query等。将这些工具提供给LangChain Agent。Agent根据用户指令“创建文件并写入内容”、“查询数据库”自动规划并调用相应的工具来完成任务。5. 功能测试与效果验证上面我们已经看到了一个简单的创建文件和查询数据库的例子。现在让我们设计更全面的测试用例来验证Agent与MCP Skills协同工作的能力。5.1 测试1多步骤任务规划与执行测试目的验证Agent是否能理解复杂指令并正确编排多个工具的执行顺序。操作步骤修改脚本中的用户输入使用更复杂的任务。运行脚本观察Agent的思考过程verboseTrue会输出详细日志和最终结果。示例输入input_text 请执行以下任务 1. 在文件系统的工作目录中创建一个名为‘data_analysis’的文件夹。 2. 在这个新文件夹里创建一个名为‘sales.csv’的CSV文件并写入以下内容 date,product,revenue 2024-01-01,Product_A,1000 2024-01-02,Product_B,1500 3. 然后读取这个‘sales.csv’文件告诉我总营收(revenue列的和)是多少。 预期结果Agent应依次调用create_directory、write_file、read_file等工具。最终输出应包含创建成功的确认信息以及计算出的总营收2500。成功判断Agent成功创建了文件夹和文件并正确读取文件内容进行了计算。5.2 测试2工具选择与参数理解测试目的验证Agent是否能根据工具描述正确选择工具并传入参数。操作步骤接入一个提供更多工具类型的MCP Server例如modelcontextprotocol/server-github(GitHub操作) 或modelcontextprotocol/server-figma(Figma设计稿操作)。给Agent一个需要特定工具的任务。示例输入假设已接入GitHub Skillinput_text “查看我的GitHub仓库‘my-project’中最近3个提交的日志。”预期结果Agent应调用类似list_repository_commits的工具并正确传入owner、repo、limit等参数。输出应包含提交的哈希、作者、日期和消息。成功判断Agent调用了正确的GitHub相关工具并返回了结构化的提交信息。5.3 测试3错误处理与恢复测试目的验证Agent在工具调用失败时的反应。操作步骤让Agent执行一个必然失败的操作如读取一个不存在的文件或向没有写入权限的目录写文件。观察Agent的日志和最终输出。示例输入input_text “请读取一个名为‘non_existent_file.txt’的文件内容。”预期结果工具调用应返回错误如FileNotFoundError。Agent应能接收到这个错误并在其“思考”中体现出来。根据模型和提示词的设计它可能会尝试其他方法或直接向用户报告错误。最终输出应包含工具执行失败的信息而不是一个胡编乱造的文件内容。成功判断Agent没有产生幻觉或错误答案而是如实反映了工具层的错误。这证明了MCP协议将工具执行结果包括错误清晰地传递给了Agent。6. 接口API与批量任务LangChain Agent本身可以很容易地封装成Web API服务供其他系统调用。结合MCP Skills这个API就具备了操作外部系统的强大能力。6.1 将Agent封装为FastAPI服务我们可以使用FastAPI快速创建一个Agent服务端点。创建一个agent_api.py文件from fastapi import FastAPI, HTTPException from pydantic import BaseModel import asyncio import os from contextlib import asynccontextmanager from typing import List, Optional # 导入之前定义的Agent创建逻辑 (需要稍作调整) from mcp_agent_demo import create_agent_executor, close_client # 假设我们将核心逻辑模块化了 app FastAPI(titleMCP-Enabled AI Agent API) class AgentRequest(BaseModel): input: str chat_history: Optional[List[dict]] None class AgentResponse(BaseModel): output: str tool_calls: Optional[List[dict]] None # 可选返回调用了哪些工具用于审计 # 全局Agent执行器实例 agent_executor None asynccontextmanager async def lifespan(app: FastAPI): # 启动时初始化Agent global agent_executor agent_executor await create_agent_executor() # 这是一个异步函数封装了之前的初始化代码 yield # 关闭时清理资源 await close_client() app FastAPI(lifespanlifespan) app.post(/query, response_modelAgentResponse) async def query_agent(request: AgentRequest): if agent_executor is None: raise HTTPException(status_code503, detailAgent not initialized) try: result await agent_executor.ainvoke({ input: request.input, chat_history: request.chat_history or [] }) return AgentResponse(outputresult[output], tool_callsresult.get(intermediate_steps)) except Exception as e: raise HTTPException(status_code500, detailfAgent execution failed: {str(e)}) if __name__ __main__: import uvicorn uvicorn.run(app, host0.0.0.0, port8000)启动API服务uvicorn agent_api:app --reload --host 0.0.0.0 --port 8000调用示例 (使用curl)curl -X POST http://127.0.0.1:8000/query \ -H Content-Type: application/json \ -d {input: 在workspace目录下创建test.txt并写入hello, chat_history: []}6.2 批量任务处理对于批量任务例如处理一个文件夹下的所有图片或者分析数据库中的多张报表我们可以通过两种方式实现方式一在Agent外部编排循环在调用Agent API的上游服务中组织批量任务列表循环调用Agent API。这种方式简单但每次调用都是独立的不适合需要跨任务保持状态的场景。import aiohttp import asyncio async def batch_process(tasks: List[str], api_url: str): async with aiohttp.ClientSession() as session: for task in tasks: payload {input: task, chat_history: []} async with session.post(api_url, jsonpayload) as resp: result await resp.json() print(fTask: {task[:50]}... - Result: {result[output][:100]}...)方式二利用LangChain/LangGraph构建工作流对于更复杂的、有状态的批量任务可以使用LangGraph来定义工作流。例如一个“数据获取-清洗-分析-报告生成”的流水线其中某些步骤由Agent调用MCP Skill完成。from langgraph.graph import StateGraph, END from typing import TypedDict, Annotated import operator class WorkflowState(TypedDict): task_description: str raw_data: str cleaned_data: str analysis_result: str report: str def fetch_data(state: WorkflowState): # 这里可以调用一个能访问数据库或API的MCP Skill # 模拟返回 state[raw_data] raw,data,here return state def analyze_data(state: WorkflowState): # 这里可以调用数据分析相关的Skill或者直接让LLM分析 state[analysis_result] Analysis done. return state # 构建图 workflow StateGraph(WorkflowState) workflow.add_node(fetch, fetch_data) workflow.add_node(analyze, analyze_data) workflow.set_entry_point(fetch) workflow.add_edge(fetch, analyze) workflow.add_edge(analyze, END) # 编译并运行 app workflow.compile() final_state app.invoke({task_description: 分析Q3销售数据})7. 资源占用与性能观察由于本技术栈的核心是框架和协议其资源占用主要取决于以下几个部分大模型API调用这是主要的成本和时间开销来源。每次Agent“思考”和生成回复都会消耗API Token。使用更强大的模型如Claude 3 Opus或处理更复杂的任务会增加延迟和成本。MCP Server进程每个MCP Server是一个独立的Node.js或Python进程。一个简单的文件系统Server内存占用可能在50-100MB。运行的Server越多总内存占用越高。LangChain Agent进程Python脚本本身内存占用不大主要开销在加载的库上。通常200-300MB足够。网络延迟Agent可能在本机- 大模型API云端 - Agent - MCP Server可能在本机。网络往返会增加整体响应时间。性能优化建议模型选择对于工具调用类任务推理能力比创意写作能力更重要。Claude 3 Haiku或GPT-3.5 Turbo通常是性价比很高的选择响应速度快。连接复用确保你的Agent和MCP Server之间是持久化连接如stdio而不是每次调用都重新建立连接。提示词优化清晰、简洁的System Prompt能减少不必要的模型“思考”回合直接提升速度并降低Token消耗。异步处理如上文示例使用异步框架asyncio可以更好地管理多个并发的工具调用和API请求。缓存对于频繁查询且结果不变的工具调用如读取某个配置文件可以考虑在Agent层或MCP Server层增加缓存机制。8. 常见问题与排查方法在集成和使用过程中你可能会遇到以下问题。这里提供排查思路。问题现象可能原因排查方式解决方案启动Agent时提示找不到MCP工具或连接失败1. MCP Server命令路径错误或未安装。2. Server启动失败如端口冲突、权限不足。3.MCPToolsClient初始化参数错误。1. 检查MCPServer定义中的command和args是否正确。2. 手动在终端运行npx ...命令看Server能否独立启动。3. 查看Python脚本的错误日志确认子进程启动状态。1. 确保npx可用或使用绝对路径。2. 为Server指定空闲的通信方式stdio是默认且推荐的。3. 检查Server所需的权限如文件系统Server对目录的读写权。Agent无法正确调用工具或调用参数错误1. 工具描述description不够清晰导致LLM无法理解。2. Agent提示词Prompt未充分引导其使用工具。3. MCP Server返回的工具Schema与LangChain期望的格式不匹配。1. 打印出client.get_tools()获取到的所有工具列表检查name和description。2. 查看Agent执行时的verbose日志看它决定调用工具时的“思考”过程。3. 检查MCP Server的实现确保其工具定义符合MCP协议规范。1. 优化MCP Server中工具的描述使其对LLM更友好。2. 强化Agent的System Prompt明确指示其“必须使用可用工具”。3. 确保使用兼容版本的langchain-mcp-adapters和MCP Server。工具调用成功但结果未被Agent正确理解或使用1. MCP Server返回的结果格式太复杂或非结构化。2. Agent的后续处理逻辑有误。1. 在工具调用后打印出原始的返回结果。2. 观察Agent在收到结果后的下一步“思考”日志。1. 让MCP Server返回更简洁、文本化的结果。LLM对纯文本解析能力最强。2. 在Prompt中指导Agent如何解读特定工具的返回结果。整体响应速度非常慢1. 大模型API响应慢。2. 网络延迟高。3. Agent进行了多轮不必要的思考ReAct循环过多。4. 某个MCP Server工具本身执行慢如查询大数据表。1. 分别计时LLM调用耗时、工具调用耗时。2. 检查任务复杂度是否一个简单问题触发了复杂的工具调用链。1. 考虑更换为响应更快的模型。2. 优化提示词让Agent决策更果断。3. 对慢速工具设置超时timeout并在Agent层面做降级处理。遇到权限错误如文件无法写入、数据库无法访问MCP Server进程的运行身份没有目标资源的操作权限。1. 检查MCP Server启动命令中指定的资源路径如目录、数据库文件。2. 检查当前用户对这些资源的权限。1. 为MCP Server指定一个拥有合适权限的专用目录和资源。2.遵循最小权限原则切勿赋予过高权限。9. 最佳实践与使用建议为了安全、高效地运用这套技术请遵循以下建议从简单开始逐步扩展先集成1-2个最核心、最稳定的MCP Server如文件系统、SQLite。验证整个流程跑通后再逐步加入GitHub、Figma等更复杂的Skills。严格管控MCP Server权限这是安全生命线。文件系统Server必须限制在沙盒目录数据库Server必须使用只读或权限受限的账户网络访问Server必须限制目标主机和端口。设计清晰的工具描述MCP Server中每个工具的name和description是Agent理解其功能的唯一依据。描述应准确、简洁包含关键参数和用途示例。例如description查询数据库。输入应为合法的SQL SELECT语句。。编写强引导性的System Prompt在给Agent的提示词中明确其角色、可用工具的范围、调用工具的格式以及何时应该停止调用工具并直接回答。这能显著提升工具调用的准确率和效率。实现完整的日志与监控记录每一次用户请求、Agent的思考过程、调用的工具及参数、工具返回结果、最终输出。这对于调试、审计和优化至关重要。为生产环境准备降级方案考虑当某个关键MCP Server不可用时Agent应如何优雅降级例如告知用户某项功能暂时不可用而不是报出晦涩的错误。进行充分的测试不仅测试功能还要测试边界情况、错误输入、恶意输入如尝试通过Agent执行rm -rf /。确保系统健壮。关注成本Agent的每次“思考”和工具调用都可能产生成本API Token、云资源消耗。为API设置用量限额和告警。10. 总结与下一步LangChain Agent与MCP、Skills的结合为我们构建真正“能干实事”的AI智能体提供了一套标准化、可扩展的强大框架。它成功地将大模型的“思考”能力与外部工具的“执行”能力解耦通过协议进行通信极大地提升了开发效率和系统灵活性。最值得尝试的点你可以快速让一个AI助手获得操作你电脑文件、查询本地数据库、管理Git代码库、甚至调整Figma设计稿的能力而无需编写大量的胶水代码。最先应该验证的功能建议从文件系统操作和SQLite查询这两个最基础、最安全的Skill开始。这能帮你快速理解MCP协议的工作流和LangChain Agent的集成方式。最容易踩的坑权限配置不当导致Agent拥有过高权限产生安全风险。工具描述模糊导致Agent无法正确选择或使用工具。网络与进程管理MCP Server进程意外退出导致Agent调用失败。后续扩展方向探索更多Skills社区正在不断涌现新的MCP Server如Notion、Google Calendar、Slack、Jira等。将它们接入你的Agent打造全能办公助手。开发自定义MCP Server当现有Skills无法满足需求时你可以基于MCP协议标准为自己内部的系统如公司CRM、ERP开发专属Server让Agent融入核心业务流程。优化Agent决策逻辑结合LangGraph设计更复杂、更稳定的工作流处理需要多轮交互、条件判断的长期任务。构建用户界面将你的Agent封装成聊天机器人界面Web或移动端提供更友好的交互体验。这套技术栈正在快速发展是当前AI Agent领域最值得关注的技术趋势之一。建议收藏本文在构建你的第一个“超级助手”时随时参考其中的部署步骤和避坑指南。