TokenLab for Agents：機器可讀模型、定價、SDK 與 MCP

TokenLab MCP 是一個唯讀的模型上下文協定（Model Context Protocol, MCP）伺服器，讓編碼代理（coding agent）在編寫任何整合程式碼之前，能直接且結構化地存取 TokenLab 的公開模型目錄、定價與 API 概覽。它能回答探索性問題——例如目前存在哪些模型 ID、價格為何、支援哪些模態——且不會代表您呼叫付費推論 API。

許多代理整合錯誤並非始於第一次 API 呼叫，而是更早之前——當代理從過時的範例、快取記憶體或六個月前的教學中挑選模型 ID，直到出現 404 錯誤或價格不符時才發現問題。

編碼代理寫程式的速度很快，但並不總是會先閱讀文件。除了 TokenLab MCP 之外，TokenLab 還發布了精簡版的 llms.txt、完整版的 llms-full.txt 以及公開的模型資料 JSON 檔案——這些與您親自瀏覽的模型目錄和定價頁面相同——讓代理在寫入任何硬編碼（hardcode）內容前，能先確認目前的模型 ID 與成本。

本文將涵蓋這些介面的內容、它們的功能範圍，以及如何讓代理在硬編碼模型名稱之前先使用這些資源。如需完整的端點參考，請參閱整合文件。

重點摘要

• TokenLab 在 api.tokenlab.sh/llms.txt 和 llms-full.txt 發布代理可讀的 API 概覽，網頁網域也會重新導向至相同來源。
• 公開的模型資料中心檔案（目錄 JSON、最新 JSON、趨勢 JSON、摘要 Markdown）為代理提供了 TokenLab 目前產品的可查詢快照。
• TokenLab MCP 伺服器公開了 list_models、get_model、get_model_pricing 和 get_api_overview——且為唯讀性質。它不會代理付費推論。
• 公開文件建議代理在硬編碼模型名稱前呼叫 /v1/models 或閱讀 llms.txt，並針對圖像、影片或嵌入（embedding）等非對話任務使用 recommended_for 進行篩選。
• 在重試失敗的非對話請求前，先讀取模型與定價端點，可避免針對錯誤的模型系列進行重複的失敗呼叫。

為什麼代理一開始會挑選過時的模型 ID？

編碼代理生成的模型 ID 來自於其訓練期間所學的內容，而非當前可用的內容。該訓練資料有截止日期，因此代理對「當前模型」的內部認知固定在其權重最後更新時的狀態。當您要求代理呼叫模型 API 時，它會自信地使用記憶中的 ID——即使該 ID 可能已被重新命名、棄用或取代。

這並非代理推理上的錯誤，而是任何依賴記憶知識而非即時查詢的系統所具備的結構性限制。解決方法不是更聰明的提示詞（prompt），而是給予代理一個在寫程式前可以查證的地方。

這正是 TokenLab 的模型資料檔案與 API 存在的目的。在生成請求之前，代理（或審核其輸出的使用者）可以查詢即時端點，以確認模型 ID 是否確實存在、支援哪些模態以及成本為何——而不是盲目信任從記憶中提取的名稱。

端點	用途
https://tokenlab.sh/model-data/catalog.json	完整追蹤模型目錄，結構化以供程式化查詢
https://tokenlab.sh/model-data/latest.json	以輕量級、代理友善格式呈現的當前模型列表
https://tokenlab.sh/en/models	人類可讀的模型瀏覽器
https://tokenlab.sh/en/pricing	各模型與模態的當前定價

部落格文章（包括本文）都是一個快照。它反映了撰寫時的情況，並會像代理的訓練資料一樣隨時間過時。即時端點沒有這個問題：它們反映的是當下的真實情況，這就是為什麼在程式碼發布前檢查它們比檢查靜態文章更安全。

TokenLab 為代理探索公開的內容

llms.txt 層級

https://api.tokenlab.sh/llms.txt 是一個精簡、代理可讀的 API 概覽：包含哪些端點、請求格式為何，以及何處可找到更詳細的資訊。它的設計目的在於簡短，讓代理能在單一上下文視窗中閱讀，而不會為了定位自身而消耗大量的 token 預算。

https://api.tokenlab.sh/llms-full.txt 是完整版本——包含更多端點細節、更多範例，以及代理在生成可運作的整合程式碼前所需的更多資訊。

如果您進入的是網頁網域而非 API 主機，tokenlab.sh/llms.txt 和 tokenlab.sh/llms-full.txt 會重新導向至相同的 API 託管來源。這對代理很重要：無論它們爬取或抓取哪個入口點，都會進入相同的規範文字，而不是兩個分歧的副本。

模型資料中心

除了文字概覽外，TokenLab 還發布了結構化的 JSON 檔案，供代理（或建置腳本）直接提取：

• https://tokenlab.sh/model-data/catalog.json — 更完整的模型目錄。
• https://tokenlab.sh/model-data/latest.json — 側重於當前最新內容的快照。
• https://tokenlab.sh/model-data/summary.md — 人類與代理皆可讀的 Markdown 摘要，當您想快速對比程式碼庫中目前的硬編碼內容時非常有用。

這些是靜態、可抓取的檔案。正在建置設定檔、.env 範本或模型選擇下拉選單的代理，可以直接提取 JSON，而無需請人類貼上兩週後就會過時的模型列表。

MCP 伺服器 — 唯讀，且有必要明確指出這一點

https://github.com/hedging8563/tokenlab-mcp-server 是公開的。它公開了四個與探索相關的工具：

• list_models — 列出可用模型，可選擇篩選條件。
• get_model — 提取特定模型 ID 的詳細資訊。
• get_model_pricing — 提取特定模型的當前定價。
• get_api_overview — 相當於讀取 llms.txt 的 MCP 原生版本。

重要的限制：此伺服器為唯讀。它不會代表您呼叫付費推論 API，也不會代理生成請求。它回答關於模型、定價與 API 架構的問題。如果您的代理確實需要執行推論，它仍需透過 TokenLab 的標準 API 並使用您自己的金鑰——MCP 伺服器是一個探索層，而非執行層。將兩者混為一談是一個常見的錯誤，在您編寫的任何代理提示詞或技能檔案中，都值得明確避免。

TokenLab MCP 探索範例

TokenLab 公開了一個唯讀的模型上下文協定（MCP）伺服器，讓編碼代理能探索可用模型與定價，而無需執行任何推論。MCP 伺服器提供四個工具：

• list_models — 列出可用模型，可選擇透過 recommended_for 進行篩選（例如 image、video、embedding、rerank、translation）
• get_model — 檢索特定模型的詳細資訊
• get_model_pricing — 檢索特定模型的定價資訊
• get_api_overview — 檢索 TokenLab API 的摘要

範例：透過 MCP 列出模型

{
  "tool": "list_models",
  "arguments": {}
}

範例：按推薦用途篩選模型

{
  "tool": "list_models",
  "arguments": {
    "recommended_for": "image"
  }
}

如果您不想透過 MCP，而是想直接查詢 API，對應的 REST 呼叫如下：

# 列出所有模型
curl https://api.tokenlab.sh/v1/models \
  -H "Authorization: Bearer sk-KEY"

# 列出推薦用於圖像任務的模型
curl "https://api.tokenlab.sh/v1/models?recommended_for=image" \
  -H "Authorization: Bearer sk-KEY"

請注意，MCP 伺服器嚴格為唯讀——它旨在用於探索（列出模型、檢查定價與審查 API 功能），本身不執行任何推論。

如需設定說明與整合細節，請參閱：

• TokenLab MCP Server
• Coding Agent Skill

技能儲存庫

https://github.com/hedging8563/tokenlab-skills 將此探索模式封裝成編碼代理框架可直接載入的形式——這是一個技能定義，告訴代理「在編寫 TokenLab 整合程式碼前先讀取此內容」，而不是依賴代理自行決定是否檢查。

推薦的代理工作流程

公開文件描述了一個特定的順序，在實務上非常有效：

1. 在硬編碼任何模型名稱之前，呼叫 /v1/models 或讀取 llms.txt 以確認該 ID 目前確實存在。
2. 針對非對話任務——圖像、影片、音樂、3D、TTS、STT、嵌入、重排序（rerank）、翻譯——請使用 /v1/models?recommended_for=<task> 進行篩選，而不是假設對話模型能處理該任務，或憑記憶猜測模型名稱。
3. 在重試失敗的非對話請求之前，讀取 /v1/models/:model 和 /v1/models/:model/pricing。針對錯誤模態模型的失敗請求，通常在重試相同輸入時會再次失敗；先檢查模型的實際模態與定價可節省重試迴圈。

此順序很重要，因為它預先解決了兩個最常見的失敗模式：錯誤的模型 ID，以及針對該任務使用了錯誤的模型系列。

將此流程納入代理的實務檢查清單

步驟	檢查內容	位置
1	此模型 ID 是否仍有效？	/v1/models 或 llms.txt
2	這是該任務正確的模型系列嗎（對話 vs. 圖像 vs. 嵌入等）？	/v1/models?recommended_for=<task>
3	此模型的當前輸入/輸出定價為何？	/v1/models/:model/pricing 或 get_model_pricing (MCP)
4	上下文視窗與模態為何？	/v1/models/:model 或 get_model (MCP)
5	是否有名稱相似的新模型已取代此模型？	catalog.json / latest.json
6	代理在生成整合程式碼前是否讀取了 llms.txt？	在代理的工具呼叫日誌中確認

如果代理跳過步驟 1 和 2，後續的所有內容——重試、錯誤處理、成本估算——都將建立在假設而非事實之上。

為什麼這對非對話任務特別重要

對話模型獲得了大部分的關注，但 recommended_for 篩選器的存在是因為非對話任務的失敗方式較不明顯。一個為文字生成文字而建構的模型，在回應圖像請求時返回格式錯誤的內容，並不總是會拋出清晰、易懂的錯誤。有時它只是返回代理不知道如何解析的內容。

透過 recommended_for=image、recommended_for=video、recommended_for=embedding 等進行篩選，可以在代理編寫請求主體之前縮小候選集。考慮到模型目錄中隨時可能存在許多不同的圖像生成項目——nano-banana-2 (Gemini 3.1 Flash Image)、nano-banana-pro (Gemini 3 Pro Image)、nano-banana-2-lite (Gemini 3.1 Flash Lite Image)、openai/gpt-image-2、reve/reve-2.0、microsoft/mai-image-2.5——憑記憶猜測哪一個是「圖像模型」正是此工作流程旨在防止的失敗模式。影片生成有其自己的一套特定任務模型（例如 seedance、veo-3 等），具有不同的定價與模態架構；相同的篩選邏輯同樣適用。

關於此處提及的任何特定模型的確切當前定價、上下文限制與模態，請直接查看模型目錄與定價頁面——這正是不要將其硬編碼在部落格文章中的原因。如果您正在評估用於代理驅動開發工作的模型，請參閱2026 年最佳 AI 編碼模型。

這不包含的功能

在此處保持精確與工作流程本身一樣重要：

• MCP 伺服器不執行付費推論。它回答探索性問題。執行實際的生成請求仍需透過標準 API 並使用您自己的憑證。
• llms.txt 和模型資料中心檔案是週期性快照，而非即時資料庫連線。重新整理時間並未固定在嚴格的時間表上，因此請將這些頁面上的任何日期視為近似值。對於任何價格敏感或安全敏感的內容，定價端點和儀表板 API 在請求時仍是事實的唯一來源。
• 這些內容都無法取代閱讀完整的 API 文件以了解身份驗證、速率限制或錯誤處理語義。探索介面告訴代理存在什麼；它們無法取代關於如何正確呼叫它的整合文件。

常見問題 (FAQ)

代理在選擇 TokenLab 模型前應該閱讀什麼？ 在硬編碼任何模型 ID 前，請閱讀 llms.txt（或 llms-full.txt 以獲取更多細節）並呼叫 /v1/models。針對非對話任務，請使用 recommended_for 進行篩選，而不是憑記憶猜測模型名稱。

TokenLab MCP 會呼叫付費推論 API 嗎？ 不會。公開的 TokenLab MCP 伺服器是唯讀的。其工具（list_models、get_model、get_model_pricing、get_api_overview）回答關於模型與定價的探索性問題。實際的推論呼叫會透過標準 API 並使用您自己的金鑰進行。

代理何時應該使用 recommended_for？ 每當任務不是單純的對話時——例如圖像、影片、音樂、3D、TTS、STT、嵌入、重排序或翻譯。按任務篩選會將模型列表縮小到真正為該模態建構的變體，而不是假設對話模型能處理它。

這如何減少生成程式碼中過時的模型 ID？ 透過將探索作為第一步而非事後補救。一個在寫程式前會讀取 llms.txt、檢查 /v1/models 並確認定價的代理，是基於當前快照而非可能已過時數代的訓練記憶在運作。

來源與時效性

• TokenLab llms.txt — https://api.tokenlab.sh/llms.txt — 觀察日期 2026-07-09
• TokenLab llms-full.txt — https://api.tokenlab.sh/llms-full.txt — 觀察日期 2026-07-09
• TokenLab MCP Server 文件 — https://docs.tokenlab.sh/integrations/tokenlab-mcp-server — 觀察日期 2026-07-09
• TokenLab API 整合技能文件 — https://docs.tokenlab.sh/integrations/coding-agent-skill — 觀察日期 2026-07-09
• TokenLab MCP Server 儲存庫 — https://github.com/hedging8563/tokenlab-mcp-server — 觀察日期 2026-07-09
• TokenLab 技能儲存庫 — https://github.com/hedging8563/tokenlab-skills — 觀察日期 2026-07-09
• TokenLab 模型資料中心 — https://tokenlab.sh/model-data/catalog.json, https://tokenlab.sh/model-data/latest.json, https://tokenlab.sh/model-data/summary.md — 觀察日期 2026-07-09

本文中的模型 ID、定價與模態細節反映了撰寫時的快照。像本文與 llms.txt 這類快照頁面會定期更新，但並非在固定或保證的節奏下進行——請勿圍繞假設的重新整理間隔來建置重試邏輯或成本估算。在發布整合程式碼前，請對照定價頁面與模型目錄驗證當前數值。如需深入了解各模型系列的定價結構，請參閱開發者適用的 Gemini API 定價。

使用 TokenLab MCP 的後續步驟

若要開始使用 TokenLab MCP 進行模型探索：

1. 從 TokenLab 儀表板取得 API 金鑰。
2. 依照編碼代理整合指南連接您的代理。
3. 直接在 tokenlab.sh/en/models 瀏覽目錄，查看當前的模型覆蓋範圍與元資料。
4. 在 tokenlab.sh/en/pricing 檢查您計畫使用的模型定價。

如果您正在決定哪些模型適合您的工作流程，請參閱我們關於 2026 年最佳 AI 編碼模型與 開發者適用的 Gemini API 定價的分析。

請記住，MCP 嚴格來說是一個探索層——它呈現模型元資料、功能與定價，以便您的代理能做出明智的決定。實際的推論呼叫仍需透過標準 TokenLab API 並使用您自己的 API 金鑰；MCP 不會路由或代理請求。