1. 线上 CPU 飙高时，Arthas MCP 到底解决了什么问题

线上问题定位最怕的不是没有工具，而是工具太多、命令太碎、时间太紧。CPU 突然打到 98%，接口 RT 从 80ms 涨到 3s，用户投诉电话一个接一个，你登录机器打开 Arthas，面对 dashboard、thread、trace、watch、ognl 一大堆命令，脑子里第一反应往往是：先敲哪个？参数怎么写？会不会刷屏把终端打爆？

Arthas 本身是 Java 线上排障的“瑞士军刀”，它能在不重启应用的前提下查看线程栈、追踪方法耗时、监控入参返回值、反编译类、甚至动态重定义类。但它的门槛也很真实：你得知道 trace 后面跟全限定类名和方法名，得知道 watch 的 condition 怎么写 OGNL，得知道 thread -n 3 只看最忙的三个线程。真正耗时的不是敲命令，而是每一步“该看什么”的决策。

Arthas 接入 MCP 之后，这件事的性质变了。MCP 是 Model Context Protocol，你可以把它理解成 AI 工具和外部能力之间的“USB-C 接口”：Arthas 把 26 个核心诊断命令封装成标准工具，AI 客户端通过一个统一的 endpoint 就能调用。你只需要用自然语言描述现象，比如“订单服务 CPU 飙到 98%，帮我看看哪个线程卡住了”，AI 就会按内置的排障路径依次调用 dashboard、thread、trace，把结果解析后告诉你根因。

但这里有个现实问题：AI 客户端要稳定调用 Arthas MCP Server，网络链路和鉴权必须可靠。很多人在本地配好 MCP 后，遇到 401、local proxy failed、SSE 断流，排查半天发现是 endpoint 或 token 的问题。这篇就聚焦一件事：把 AI 工具的 MCP 端点改到 TaoToken 的稳定接入层，给出可复制的配置片段，并演示一次真实报错的完整排查闭环。适合正在用 Cursor、Claude Code、Cline 做 Java 排障的开发者，也适合刚接触 MCP 想跑通第一个诊断工具的新人。

2. 前置准备：TaoToken 接入层与 Arthas MCP Server 的关系

在动手改配置之前，先把链路讲清楚，不然后面报错你都不知道是哪一段出的问题。

Arthas MCP Server 是 Arthas 官方提供的实验性模块，通过 HTTP/Netty 暴露 JSON-RPC 2.0 接口，支持 STREAMABLE（SSE 流式）和 STATELESS（请求-响应）两种模式。它默认监听本地端口，带一个 Bearer Token 做鉴权。AI 客户端（MCP Host）通过 MCP Client 去连这个 Server，把工具调用转成 JSON-RPC 请求。

问题在于：AI 客户端和 Arthas MCP Server 之间的连接，如果直接点对点，会遇到几个麻烦。一是 token 管理分散，每个客户端配一遍；二是网络链路不稳定时，SSE 流容易断，报 local proxy failed；三是团队协作时，每个人的 endpoint 和 key 不一致，排障经验没法复用。

TaoToken 在这里扮演的是统一接入层的角色。你把 AI 工具的 MCP 端点指向 TaoToken 的 API 地址，由它来承接鉴权和转发，Arthas MCP Server 的 Bearer Token 和 endpoint 只需要在 TaoToken 侧配置一次。这样做的直接好处是：客户端配置统一、token 不散落、链路可观测。

需要提前准备的东西：

第一，一个可用的 TaoToken API Key。到 API Keys 页面创建，复制出来，后面配置里要用。地址是 https://taotoken.net/api-keys ，注意这个页面不要加 UTM 参数，直接访问即可。

第二，确认你的 Arthas MCP Server 已经启动。Arthas 3.7.x 之后自带 MCP 模块，启动方式是在 attach 目标进程后执行 mcp-server 相关命令，或者用独立 jar 启动。启动后记下它监听的端口和 Bearer Token。

第三，选一个支持 MCP 的 AI 客户端。Cursor、Claude Code、Cline 都可以。本文以 Claude Code 和 Cline 的配置为例，因为这两个在 Java 排障场景里用得最多。

第四，确认你的模型 ID。TaoToken 支持多种模型，排障场景建议用推理能力强的，比如 claude-sonnet 系列或 gpt 系列。模型 ID 在模型对话页面可以查到，地址 https://taotoken.net/models 。

这里要强调一个配置三件套的概念：Base URL、API Key、Model ID。无论你用 Claude Code、Cline 还是 Codex，这三个值必须同时正确，缺一个就会报鉴权或模型不存在的错。后面第五节会专门拿真实报错来对照。

关于 TaoToken 的定位，需要说清楚：它是 AI 能力的统一接入层，不是非法的中间转发。你用它来管理 API Key、切换模型、统一 MCP endpoint，所有调用都走标准协议。官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= 上有完整的接入文档，配置前建议扫一眼。

3. 可复制配置：把 MCP endpoint 改到 TaoToken

这一节是全文最核心的部分，所有片段都可以直接复制，路径和原文保持一致。我按客户端分开写，你对号入座。

3.1 Claude Code 的 settings 配置

Claude Code 的 MCP 配置放在项目根目录的.mcp.json或者用户级的~/.claude/settings.json里。推荐用项目级，方便团队共享。在.mcp.json中写入：

{ "mcpServers": { "arthas-diagnose": { "type": "http", "url": "https://taotoken.net/api/mcp/arthas", "headers": { "Authorization": "Bearer sk-your-taotoken-api-key", "Content-Type": "application/json" } } } }

注意三个点：type写http，因为 TaoToken 接入层走的是 HTTP 传输；url指向 TaoToken 的 MCP 接入路径；Authorization里的 key 换成你在 API Keys 页面创建的那串。不要把 Arthas 本地的 Bearer Token 写在这里，那个 token 在 TaoToken 侧配置。

如果你用的是 Claude Code 的 CLI 模式，也可以用命令添加：

claude mcp add arthas-diagnose \ --transport http \ --url https://taotoken.net/api/mcp/arthas \ --header "Authorization: Bearer sk-your-taotoken-api-key"

添加完用claude mcp list确认状态是 connected。

3.2 Cline 的 MCP settings 配置

Cline 的 MCP 配置在 VS Code 的设置里，路径是cline.mcpServers。打开 settings.json，加入：

{ "cline.mcpServers": { "arthas-diagnose": { "url": "https://taotoken.net/api/mcp/arthas", "transport": "http", "headers": { "Authorization": "Bearer sk-your-taotoken-api-key" }, "autoApprove": ["dashboard", "thread", "jvm", "memory"] } } }

autoApprove这个字段值得说一下。Arthas 的诊断命令里，dashboard、thread、jvm、memory 这几个是只读的，不会改应用状态，可以设成自动批准，省去每次点确认。但 trace、watch、redefine 这类会插入字节码或改类的命令，建议保留手动确认，避免误操作。

3.3 Codex 的 auth.json 配置

如果你用 Codex CLI，配置在~/.codex/auth.json：

{ "base_url": "https://taotoken.net/api", "api_key": "sk-your-taotoken-api-key", "model": "claude-sonnet-4-20250514", "mcp_servers": { "arthas-diagnose": { "url": "https://taotoken.net/api/mcp/arthas", "transport": "http" } } }

这里base_url指向 TaoToken 的 API 根地址，api_key是同一个 key，model填你在模型对话页面确认过的模型 ID。三件套齐了，Codex 才能既调模型又调 MCP。

3.4 Arthas MCP Server 侧的 Bearer Token 配置

TaoToken 接入层需要知道你的 Arthas MCP Server 在哪、token 是什么。这部分在 TaoToken 控制台的 MCP 配置里填，不在客户端。你需要提供：

[arthas_mcp] endpoint = "http://127.0.0.1:8563/mcp" bearer_token = "your-arthas-local-token" mode = "streamable" timeout_ms = 30000

endpoint是你 Arthas MCP Server 实际监听的地址，bearer_token是 Arthas 启动时生成的 token，mode选 streamable 适合实时监控，选 stateless 适合简单集成。timeout_ms建议给到 30000，因为 heapdump 这类命令耗时较长。

配置保存后，TaoToken 侧会做一次连通性检查。如果这里填错，客户端调用时会报 502 或 local proxy failed，第五节会详细讲怎么排查。

4. 验证请求：从一次 CPU 飙高诊断跑通闭环

配置写完不算完，得跑一次真实请求，确认链路通了、工具能调、结果能解析。这一节用一个模拟的 CPU 飙高场景，带你走完从提问到拿到根因的全过程。

4.1 启动 Arthas MCP Server 并 attach 目标进程

假设你的订单服务进程 PID 是 12345。先 attach：

java -jar arthas-boot.jar 12345

attach 成功后，在 Arthas 交互界面启动 MCP Server：

mcp-server --port 8563 --mode streamable

看到MCP server started on port 8563就说明起来了。记下这个端口，和第三节 TaoToken 侧配置的 endpoint 要一致。

4.2 在 AI 客户端发起诊断请求

打开 Claude Code 或 Cline，输入：

订单服务 CPU 飙到 98%，帮我排查哪个线程导致的高 CPU，它卡在哪里了

AI 会先调用dashboard工具。你可以在客户端的工具调用日志里看到类似这样的请求：

{ "jsonrpc": "2.0", "method": "tools/call", "params": { "name": "dashboard", "arguments": {} }, "id": 1 }

Arthas 返回的 dashboard 数据里，AI 会解析出 CPU 占用最高的线程。假设返回：

ID NAME CPU% STATE 29 http-nio-8080-exec-8 89.2 RUNNABLE 12 DubboServerHandler-... 3.1 RUNNABLE

AI 识别到线程 29 占用 89.2%，接着调用thread工具：

{ "jsonrpc": "2.0", "method": "tools/call", "params": { "name": "thread", "arguments": { "id": 29 } }, "id": 2 }

返回的堆栈里，AI 会定位到具体方法。假设堆栈显示：

at java.util.regex.Pattern$GroupHead.match(Pattern.java:4660) at java.util.regex.Pattern$Curly.match(Pattern.java:4238) at com.example.logging.LogAspect.logAround(LogAspect.java:47) at com.example.order.service.OrderService.getOrder(OrderService.java:123)

AI 的分析结论会是：线程卡在正则匹配，调用链指向 LogAspect 第 47 行的日志切面，该切面在处理超长 JSON 请求体时触发了灾难性回溯。

4.3 用 trace 命令进一步收敛

如果你想确认耗时具体在哪个方法，可以让 AI 继续调用trace：

帮我 trace 一下 com.example.order.service.OrderService getOrder，看哪个子调用最慢

AI 会调用：

{ "jsonrpc": "2.0", "method": "tools/call", "params": { "name": "trace", "arguments": { "classPattern": "com.example.order.service.OrderService", "methodPattern": "getOrder", "condition": "#cost > 100" } }, "id": 3 }

返回的耗时树里，LogAspect.logAround占了 2800ms，其他子调用都在 50ms 以内。根因确认。

4.4 验证成功的标志

一次完整的成功验证，你会看到三个信号：客户端工具调用日志里有tools/call的请求和响应；AI 输出的分析里引用了 Arthas 返回的具体线程 ID 和类名行号；你能根据 AI 的建议直接去改代码，比如把.*改成[^"]*或者加长度限制。

如果这三个信号都出现了，说明从客户端到 TaoToken 到 Arthas MCP Server 的链路完全通了。接下来就是排错环节，把常见的坑提前填掉。

5. 常见报错排查：401、local proxy failed、reading choices、OAuth

这一节拿真实报错来对照，每个报错给出原因和修复动作。你遇到问题时直接按图索骥。

5.1 401 Unauthorized

报错原文：

Error: MCP server returned 401 Unauthorized {"error":"invalid_token","error_description":"Bearer token is missing or invalid"}

原因有三种可能：客户端的Authorizationheader 没写或写错；TaoToken 侧的 Arthas Bearer Token 和 Arthas MCP Server 实际 token 不一致；key 过期或被删。

排查动作：先确认客户端配置里的Bearer sk-...是完整的，没有多余空格。然后到 API Keys 页面确认这个 key 状态是 active。最后检查 TaoToken 控制台里填的 Arthas token，和 Arthas 启动日志里打印的 token 是否一致。三处都对，401 就会消失。

5.2 local proxy failed

报错原文：

Error: local proxy failed: dial tcp 127.0.0.1:8563: connect: connection refused

这个报错的意思是 TaoToken 接入层尝试连你配置的 Arthas endpoint，但连不上。原因通常是 Arthas MCP Server 没启动，或者端口写错，或者 endpoint 写成了localhost而 TaoToken 侧解析不到。

排查动作：在服务器上执行netstat -tlnp | grep 8563，确认端口在监听。如果没监听，回到 Arthas 里重新执行mcp-server --port 8563。如果监听了但还报错，把 endpoint 从localhost改成127.0.0.1，避免 DNS 解析问题。

5.3 reading choices 报错

报错原文：

Error: failed to parse response: reading 'choices' field: unexpected end of JSON input

这个报错通常出现在模型调用环节，不是 MCP 环节。原因是模型返回的响应体不完整，或者 Model ID 填错了导致返回了非预期格式。

排查动作：到模型对话页面确认你填的 Model ID 是存在的。然后在客户端配置里检查model字段，确保没有拼写错误。如果用的是 Claude Code，检查~/.claude/settings.json里的 model 和 MCP 配置是否冲突。修复后重启客户端。

5.4 OAuth 相关报错

报错原文：

Error: OAuth flow failed: invalid_client

有些 MCP 客户端默认走 OAuth 流程，但 TaoToken 接入层用的是 Bearer Token，不走 OAuth。这个报错说明客户端在尝试 OAuth 授权。

排查动作：在客户端配置里显式指定auth_type: "bearer"或者transport: "http"，禁用 OAuth。Claude Code 里可以用--transport http参数强制走 HTTP。Cline 里确认transport字段是http而不是sse或oauth。

5.5 配置三件套自检清单

遇到任何报错，先按这个清单过一遍：

这五项全对，基本不会再有鉴权和链路问题。如果还有，到接入文档页面查最新的配置示例。

6. 把 Arthas MCP 用进日常排障：从配置到复现的闭环

配置跑通只是起点，真正有价值的是把它变成日常排障的固定动作。我自己的习惯是：线上告警一响，先不急着登录机器，而是在 AI 客户端里把现象描述清楚，让 AI 通过 Arthas MCP 先拉一轮 dashboard 和 thread，拿到初步证据再决定要不要深入。

这样做的好处是，排障路径被标准化了。以前新人遇到 CPU 飙高，可能连 dashboard 都不知道要敲，现在 AI 会按内置剧本一步步走：先看整体线程，再定位高 CPU 线程，再看堆栈，再 trace 收敛。每一步的返回结果都留在对话记录里，事后复盘有据可查。

有几个实用技巧值得记下来。第一，把常用的诊断请求存成 prompt 模板，比如“CPU 飙高排查”“接口变慢排查”“内存泄漏排查”，需要时直接调用，不用每次重新描述。第二，autoApprove只对只读命令开，trace、watch、redefine 保持手动确认，避免 AI 在你不注意时改了线上类。第三，heapdump 这类重命令记得设 timeout，30 秒起步，不然容易断流。

如果你还没配好，现在就可以动手：到 API Keys 页面创建一个 key，按第三节的片段改客户端配置，然后 attach 一个测试进程，跑一次 dashboard 调用。第一次看到 AI 自动解析出线程 ID 和堆栈行号的时候，你会明白为什么这件事值得折腾。

长期做 Java 线上排障和 Agent 开发的，建议直接上 Coding Plan，把模型调用和 MCP 接入的额度一起管起来，省得每次单独配。地址是 https://taotoken.net/coding-plan 。需要查模型和调试对话的，走模型对话页面 https://taotoken.net/models 。配置过程中卡住了，接入文档 https://taotoken.net/doc 里有最新的示例和排错说明。