1. 为什么我要给 LeetCode 刷题配一个专属智能体刷题这件事卡住人的往往不是题目本身而是信息太散。每日一题在首页、题解在讨论区、自己的通过率在个人主页、想按标签找题又得进题库筛选。每次打开浏览器光是把这些页面切一遍注意力就散了一半。我想要的其实很简单一个入口用自然语言说“今天每日一题是什么”“帮我找五道中等难度的动态规划题”“把两数之和的高赞题解完整拉出来”它就能把 LeetCode 上的结构化数据取回来并且按可读格式整理好。Nexent 这个平台正好对上这个需求。它是一个零代码的智能体生成平台核心思路是用纯语言描述来生成生产级 Agent内置了工具、技能、记忆和编排能力不需要自己写编排逻辑也不用拖拽连线。对刷题助手这种“取数据 整理输出”的场景来说它的 MCP 工具接入能力是关键——LeetCode 的数据可以通过 MCP Server 暴露成工具Agent 负责调用和整理。而模型侧我选择通过 TaoToken 统一 API 来接入 DeepSeek。原因很直接一个 Key 就能覆盖多家模型切换模型不用改代码配置项集中调试时换模型只动一个 Model ID。官网在 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_end 注册后在控制台生成 Key 即可。这篇文章会走完整条路径先在 TaoToken 拿到统一 Key再在 Nexent 里配置 DeepSeek 模型接着接入 LeetCode MCP Server然后写智能体的角色与使用要求最后用一次真实的“获取每日一题 拉取高赞题解”请求来验证返回结果。全程不需要写一行后端代码配置片段可以直接复制。适合谁看正在刷算法题、想减少页面切换的人想体验 MCP 智能体但不知道从哪个场景入手的人以及手里有多个模型 Key、想统一管理的人。下面按步骤来。2. TaoToken 统一 API 的前置准备与 Key 获取在 Nexent 里配模型之前先把模型侧的入口准备好。TaoToken 的定位是统一 API 网关你拿到一个 Key就能在兼容 OpenAI 协议的各种客户端和平台里调用它支持的模型。对 Nexent 来说它需要的是一个 OpenAI 兼容的 Base URL、一个 API Key、一个 Model ID这三件套齐了就能跑。第一步打开 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_end 完成注册并登录。登录后进入控制台地址是 https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewrite 。控制台里能看到账户余额、用量统计和模型列表。第二步生成 API Key。进入 API Keys 页面https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi-keysutm_campaignrewrite 。点创建复制生成的 Key。这个 Key 只显示一次建议先存到密码管理器里。注意不要把它提交到公开仓库也不要在截图里露出完整字符串。第三步确认 Base URL。TaoToken 的 API 端点是 https://taotoken.net/api 注意这里不带任何查询参数配置时直接填这个地址。很多客户端要求 Base URL 以/v1结尾具体看客户端要求Nexent 的模型配置里如果区分 Base URL 和完整端点按它的字段提示填。第四步确认 Model ID。在控制台的模型列表里找到 DeepSeek 对应的模型标识比如deepseek-chat或平台展示的具体名称。这个 ID 后面要填进 Nexent 的模型配置里写错会直接报模型不存在。这里有个容易踩的坑Key 生成后如果复制时带了空格或换行请求会返回 401。粘贴到 Nexent 后建议先做一次连通性校验校验通过再继续。另外如果你之前用的是别家的 Key注意 Base URL 和 Key 要配套混用会认证失败。如果你只是想先验证模型能不能通可以打开模型对话页面 https://taotoken.net/chat?utm_sourcetaotoken_aicg_blog_endutm_contentchatutm_campaignrewrite 选 DeepSeek 发一句话能正常回复说明 Key 和模型都没问题。这一步花不了一分钟但能省掉后面在 Nexent 里排查认证问题的时间。准备好这三样东西后就可以进 Nexent 配置了。下面先配模型再配 MCP。3. 在 Nexent 中配置 DeepSeek 与 LeetCode MCP 服务这一节是整篇的核心配置部分分两块模型配置和 MCP 配置。两块都配好智能体才有“脑子”和“手”。3.1 配置 DeepSeek 模型登录 Nexent 后进入模型管理或快速配置界面。点击添加模型平台支持批量添加也支持从第三方提供商导入。这里我们不走第三方提供商直接走 TaoToken 的统一入口这样以后换模型只改 Model ID。在模型配置表单里填三项Base URLhttps://taotoken.net/apiAPI Key你在 TaoToken 控制台生成的那串 KeyModel IDDeepSeek 对应的模型标识例如deepseek-chat如果 Nexent 的表单支持 JSON 导入可以用下面这段配置片段路径和字段名按平台实际提示对齐{ provider: openai-compatible, base_url: https://taotoken.net/api, api_key: sk-你的TaoToken密钥, model_id: deepseek-chat, display_name: DeepSeek via TaoToken, temperature: 0.3, max_tokens: 4096 }填完后点击获取模型或连通性校验。校验通过会显示模型可用如果报 401先检查 Key 是否复制完整如果报模型不存在检查 Model ID 拼写。校验通过后启用该模型。温度建议设低一点0.2 到 0.4 之间。刷题助手需要的是准确取数和稳定输出不需要太多发散。max_tokens 设大一些因为题解内容可能很长设小了会被截断。3.2 配置 LeetCode MCP ServerNexent 的智能体开发界面里可以配置 MCP。进入智能体开发找到 MCP 配置选择添加 MCP 服务器。这里我用的是社区里现成的 LeetCode MCP Server地址是 https://modelscope.cn/mcp/servers/jinzcdev/leetcode-mcp-server 。这个 MCP Server 需要 LeetCode 的登录态才能访问部分工具所以要先拿到 Cookie。操作方式在浏览器登录 LeetCode 中国站按 F12 打开开发者工具切到 Application 面板找到 Cookies复制需要的字段值。把 Cookie 填进 MCP 配置里。传输方式选 SSE连接方式选 remote。配置片段大致如下字段名按 Nexent 实际表单对齐{ mcpServers: { leetcode: { type: sse, url: https://你的leetcode-mcp-server地址/sse, headers: { Cookie: 你的LeetCode Cookie }, enabled: true } } }填完后点连接做连通性校验。校验通过后MCP 下的工具列表会刷出来包括get_daily_challenge、get_problem、search_problems、get_user_profile、list_problem_solutions、get_problem_solution等。先别急着生成智能体点工具测试单独调一次get_daily_challenge确认能返回当天题目。这一步能过后面基本就顺了。这里有个细节Cookie 会过期过期后工具调用会返回未认证。如果发现取数失败先重新登录 LeetCode 刷新 Cookie再更新 MCP 配置。另外涉及用户私有数据的工具比如查看提交记录、创建笔记需要登录态公开题目查询一般不需要但统一带上 Cookie 更省事。模型和 MCP 都配好后智能体就有了调用 DeepSeek 推理和访问 LeetCode 数据的能力。接下来写智能体的角色和使用要求。4. 一句话生成智能体并完成一次真实题目验证配置就绪后进入智能体开发界面选择新添加的 MCP 下的全部工具然后输入生成指令。我输入的是“我要开发一个 LeetCode 个人助手”平台会据此生成智能体的名称、角色描述和使用要求。生成后不要直接用要按自己的需求改。4.1 角色描述怎么写平台生成的初版角色描述偏泛我把它改成更聚焦讲解的版本你是一个 LeetCode 学习助手专门帮助用户高效学习和练习算法题目。你能够获取 LeetCode 题目详情、搜索题目、查看用户解题进度和社区解决方案。你可以协助用户制定学习计划、查找相关题目资源并提供个性化的学习建议。在取回题目和题解后你需要讲解解题思路帮助用户理解题目核心而不是只给结论。关键点是最后一句要求它讲解而不是只丢数据。很多智能体默认只做搬运输出一堆原始 JSON 或简短结论对学习没帮助。4.2 使用要求怎么写使用要求是约束工具调用行为的地方写清楚每个工具的参数规则能显著减少调用失败。核心几条思考过程只用于决策不展示数据、不总结、不简化。工具返回的原始完整内容必须在思考并整理后输出给用户。最终回答 工具返回的完整信息 清晰排版 思考 优化不做任何精简。绝对禁止在思考里展示题目内容、在思考里总结答案、只给简短结论。使用 get_daily_challenge 工具时不需要任何输入参数直接调用即可获取当天的 LeetCode 每日一题详情。使用 get_problem 工具时必须提供 titleSlug 参数该参数应为 LeetCode 题目 URL 中的标识符如 two-sum。使用 search_problems 工具时category 参数可选默认为 all-code-essentialstags 参数应为数组元素从算法标签枚举值中选择difficulty 可选必须为 EASY、MEDIUM 或 HARD 之一limit 默认为 10。使用 get_user_profile 工具时必须提供有效的 LeetCode 用户名作为 username 参数。使用 list_problem_solutions 工具时必须提供有效的 questionSlug 参数orderBy 可选默认为 DEFAULTlimit 默认为 10必须为正整数。使用 get_problem_solution 工具时必须提供有效的 solution slug该 slug 应从 list_problem_solutions 的返回结果中获取。这些规则的作用是让 Agent 知道每个工具怎么调、参数从哪来。尤其是get_problem_solution依赖list_problem_solutions的返回写清楚依赖关系能避免它瞎猜 slug。4.3 输出示例怎么写输出示例决定最终回答的格式。初版生成后我实测发现Agent 会把题目内容塞进思考过程最终回答反而很简略。调整后的示例强调“完整可读”示例获取今天每日一题并输出完整内容。 思考我需要调用 get_daily_challenge 工具获取今日每日一题然后整理成标题、难度、题目描述、输入输出示例、解题思路的完整格式。 代码daily get_daily_challenge()然后print(daily)观察结果返回题目标题、难度、内容、示例、边界条件、标签、url 等完整结构。 输出整理为完整题目描述 示例 关键点提示包含题号、标题、难度、链接、标签、题目描述、示例、约束、进阶提示。再加一个题解示例强调输出完整代码和思路示例获取高赞完整题解。 思考先获取高赞题解 slug再拉取完整题解内容。 代码sols list_problem_solutions(questionSlugtwo-sum, limit1, orderByMOST_UPVOTE)然后sol get_problem_solution(slug...)输出完整长篇题解包含思路分析、代码、复杂度、关键点总结。4.4 真实请求验证配置完成后点调试我发了三条指令做验证。第一条“输出今天要做的题目。”Agent 调用get_daily_challenge返回当天每日一题的标题、难度、链接、题目描述、示例和约束。返回结构完整没有把内容吞进思考过程。第二条“讲解今天的题目。”Agent 在取回题目后补充了解题思路比如哈希表一次遍历、时间复杂度 O(n)。这一步验证了角色描述里的“讲解”要求生效。第三条“在社区中寻找解决答案。”Agent 先调list_problem_solutions拿到高赞题解的 slug再调get_problem_solution拉取完整题解输出包含思路、Python 代码、复杂度分析。返回的代码块格式正确可以直接复制去跑。验证时重点看三件事工具是否被正确调用、参数是否传对、最终回答是否包含完整数据而不是被精简。如果发现回答太短回去改输出示例把“完整输出”的要求写得更硬。如果发现工具调用报参数错误回去改使用要求里对应工具的参数说明。调试没问题后点发布填版本号就能在问答界面找到这个智能体了。之后每次刷题直接问它就行。5. 常见报错排查401、local proxy failed 与工具调用失败配置过程中最容易卡在几个固定报错上这一节按真实报错对照排查。401 Unauthorized。这个报错出现在模型连通性校验或对话请求时说明认证没过。排查顺序先确认 TaoToken 的 Key 是否复制完整有没有多余空格再确认 Base URL 是不是https://taotoken.net/api有没有误填成带/v1或其他路径最后确认 Key 没有过期或被删除。如果 Key 没问题去控制台看余额是否充足。401 基本就是这三类原因。local proxy failed 或连接超时。这个报错通常出现在 MCP 连接阶段说明 Nexent 到 MCP Server 的网络链路没通。排查确认 MCP Server 地址填对SSE 端点路径正确确认传输类型选的是 SSE 而不是 stdio确认 Cookie 没有过期。如果 MCP Server 是远程部署的确认它本身在运行。本地部署 Nexent 的话确认容器网络能访问外网。reading choices 相关报错。这类报错一般出现在模型返回结构不符合预期时比如返回体里没有choices字段。常见原因是 Base URL 填成了不兼容 OpenAI 协议的端点或者 Model ID 填错导致返回了错误结构。解决方式是回到模型配置确认 Base URL 和 Model ID 配套然后用模型对话页面单独测一次确认返回结构正常。OAuth 或未认证报错。出现在调用需要登录态的 LeetCode 工具时比如查看提交记录、创建笔记。原因是 Cookie 过期或没带。解决方式是重新登录 LeetCode刷新 Cookie更新 MCP 配置里的 Cookie 字段重新做连通性校验。工具调用参数错误。比如get_problem报缺少 titleSlug或search_problems报 difficulty 值非法。这类问题出在使用要求写得不够明确。回到智能体配置把对应工具的参数规则补清楚特别是枚举值的可选范围。改完重新调试。返回内容被截断。如果题解很长但输出到一半就停了检查模型的 max_tokens 设置。设得太小会被截断调到 4096 或更高。同时确认输出示例里强调了“完整输出”。排查时有个通用方法先单独测模型再单独测 MCP 工具最后测智能体。分层定位能快速缩小问题范围。模型通了、工具通了智能体基本不会有大问题。6. 把刷题助手用起来从每日一题到题解精读智能体发布后日常使用就三步打开问答界面选这个智能体用自然语言提问。我常用的几个问法“今天每日一题是什么把题目完整发我。”它会调get_daily_challenge返回完整题目。“帮我找五道中等难度的动态规划题。”它会调search_problems传 difficulty 和 tags返回结构化列表。“两数之和的高赞题解拉出来要完整代码和思路。”它会先list_problem_solutions再get_problem_solution返回完整题解。“看看我的刷题进度。”它会调get_user_profile返回通过数、各难度分布和排名。如果你想让这个助手更贴合自己的节奏可以在角色描述里加一句“优先用中文讲解代码注释用中文”或者在输出示例里固定题解的格式模板。Nexent 支持知识库你也可以把自己的错题笔记传进去让它在讲解时参考你的历史薄弱点。模型侧如果以后想换比如从 DeepSeek 换到别的模型只需要在 TaoToken 控制台确认模型 ID然后在 Nexent 的模型配置里改 Model ID 就行Base URL 和 Key 都不用动。这就是统一 API 入口的好处。长期做编码类任务、需要更稳定的 Agent 调用额度的话可以了解 Coding Planhttps://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite 。如果只是想先验证模型效果模型对话页面就够用https://taotoken.net/chat?utm_sourcetaotoken_aicg_blog_endutm_contentchatutm_campaignrewrite 。接入文档在 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 配置字段有疑问时对照查。最后说一个我踩过的坑MCP 的 Cookie 过期不会主动提醒表现是工具突然返回空或报未认证。我的做法是每周重新登录一次 LeetCode 刷新 Cookie更新配置。另外智能体调试阶段多测几个工具别只测每日一题把搜索、题解、用户信息都跑一遍发布后遇到问题的概率会低很多。