Python 运行出错却没有 Traceback？用 TaoToken 统一 Key 排查配置与日志链路

1. Python 静默失败到底卡在哪

Python 运行出错却没有 Traceback，是很多人做脚本、定时任务、后台服务时最头疼的一类问题。正常情况下，Python 解释器遇到未捕获异常会打印完整堆栈，告诉你哪个文件哪一行炸了。但现实里你经常看到的是：进程退出码非 0，日志里干干净净，或者干脆进程还在跑但结果就是不对。这种「静默失败」不是 Python 的 bug，而是异常在到达解释器默认处理器之前，被某一层吞掉了。

我把它归成四类典型场景。第一类是try/except把异常捕获了但没打印，比如except Exception: pass，或者只写了except却只做返回值处理。第二类是日志被重定向，sys.stderr被替换、被关闭，或者 logging 没配 handler，异常信息写进了没人看的文件。第三类是子进程，subprocess默认不继承父进程的输出流，子进程崩了父进程只拿到一个返回码。第四类是守护进程或nohup后台运行，标准输出被丢弃，异常无处可去。

这篇要解决的就是：怎么让这些被吞掉的错误重新「现形」，并且把调用链路的日志集中起来看。我会给你可直接复制的 logging 配置、faulthandler启用片段、子进程输出捕获写法，以及验证命令。同时说明怎么用 TaoToken 的统一 Key 和 API 通道，把模型调用相关的日志集中查看，快速还原错误现场。适合正在写 Python 脚本、做定时任务、跑后台服务，被静默失败折磨过的同学。

2. 用 TaoToken 统一 Key 打通日志链路

排查静默失败，光靠本地 print 往往不够，尤其是脚本里调用了大模型 API 的时候。错误可能发生在请求阶段、响应解析阶段，或者模型返回了非预期结构。如果每个脚本各用各的 Key、各写各的日志，出问题时你根本不知道是哪次调用、哪个参数触发的。

TaoToken 在这里的作用是提供一个统一的 API 通道和 Key 管理入口。你可以把多个脚本、多个服务的模型调用都收敛到同一个 Key 上，调用日志集中在一个地方看。这样当某个 Python 脚本静默失败时，你可以先去 TaoToken 的调用记录里确认：请求到底发出去了没有、返回了什么状态、耗时多少。这一步能快速区分「本地代码异常」和「远端调用异常」，省掉大量猜测。

具体入口我列一下，方便你按需取用。官网地址是 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，API 基址是 https://taotoken.net/api ，注意 API 地址不加 UTM 参数。需要生成和管理 Key 就去 API Keys 页面：https://taotoken.net/console/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api_keys&utm_campaign=rewrite 。想先验证模型通不通，用模型对话页：https://taotoken.net/chat?utm_source=taotoken_aicg_blog_end&utm_content=chat&utm_campaign=rewrite 。接入细节看文档：https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite 。如果你长期写代码、跑 Agent，Coding Plan 更合适：https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding_plan&utm_campaign=rewrite 。

注意：统一 Key 的价值在于「可追溯」。脚本再多，只要都走同一个通道，排查时就有统一的日志入口，而不是挨个翻本地文件。

3. 可复制的 logging 与 faulthandler 配置

先说最基础的：让异常一定能被看到。下面这段 logging 配置可以直接放进你的脚本入口，它会同时输出到控制台和文件，并且带上时间、级别、模块名和行号。

import logging import sys def setup_logging(logfile="app.log", level=logging.DEBUG): logger = logging.getLogger() logger.setLevel(level) fmt = logging.Formatter( "%(asctime)s | %(levelname)-8s | %(name)s:%(lineno)d | %(message)s", datefmt="%Y-%m-%d %H:%M:%S", ) console = logging.StreamHandler(sys.stderr) console.setFormatter(fmt) logger.addHandler(console) file_handler = logging.FileHandler(logfile, encoding="utf-8") file_handler.setFormatter(fmt) logger.addHandler(file_handler) return logger if __name__ == "__main__": log = setup_logging() log.info("script started")

关键点是StreamHandler(sys.stderr)显式绑定到 stderr，避免有人把 stdout 重定向后异常信息跟着消失。文件 handler 用encoding="utf-8"，防止中文日志写乱码。

第二段是faulthandler，它能捕获那些连 Python 异常机制都拦不住的情况，比如段错误、死锁、卡死。启用方式很简单，在入口最前面加几行：

import faulthandler import sys faulthandler.enable(file=sys.stderr) # 如果怀疑卡死，可以设置超时后 dump 堆栈 faulthandler.dump_traceback_later(30, exit=True)

dump_traceback_later(30, exit=True)的意思是：如果 30 秒后程序还没结束，就把所有线程的堆栈打印出来然后退出。这对排查「进程还在但没反应」的场景特别有用。实测下来，很多死锁问题就是靠这个定位的。

第三段是异常捕获的正确写法。不要用except: pass，至少要把堆栈打出来：

import traceback import logging log = logging.getLogger(__name__) try: result = risky_operation() except Exception: log.error("risky_operation failed\n%s", traceback.format_exc()) raise

traceback.format_exc()返回完整堆栈字符串，配合log.error写进日志。最后的raise决定要不要继续往上抛，如果你希望上层也能感知，就保留它。

4. 子进程与守护进程的输出捕获

子进程是静默失败的重灾区。subprocess.run默认不捕获输出，子进程的 stderr 会直接进父进程的终端；但如果你用了capture_output=True又没检查，输出就被吞进变量里了。正确写法是这样：

import subprocess import logging log = logging.getLogger(__name__) proc = subprocess.run( ["python", "worker.py"], capture_output=True, text=True, timeout=60, ) if proc.returncode != 0: log.error("worker.py exited with %s", proc.returncode) log.error("stdout:\n%s", proc.stdout) log.error("stderr:\n%s", proc.stderr)

重点是returncode != 0时把 stdout 和 stderr 都打出来。很多人只打 stderr，但有些脚本把错误信息写到了 stdout，漏掉就白排查了。

守护进程场景，比如用nohup或 systemd 跑的后台服务，标准输出可能被丢弃。这时候要么在代码里把日志写文件，要么在启动命令里重定向：

nohup python daemon.py > /var/log/daemon.out 2>&1 &

2>&1把 stderr 合并到 stdout，再一起重定向到文件。如果你用 systemd，可以在 unit 文件里配StandardOutput=append:/var/log/daemon.log和StandardError=append:/var/log/daemon.log，这样两个流都进同一个文件。

还有一个容易忽略的点：sys.stdout和sys.stderr被替换或关闭。有些库会做这种事，导致后续所有输出消失。可以在入口处检查一下：

import sys print("stdout ok:", sys.stdout is not None, file=sys.stderr) print("stderr ok:", sys.stderr is not None, file=sys.stderr)

如果发现被替换了，就手动恢复成sys.__stdout__和sys.__stderr__。

5. 验证请求与成功结果

配置写完，得验证它真的生效。第一步，写一个故意报错的脚本：

import logging import traceback logging.basicConfig( level=logging.DEBUG, format="%(asctime)s | %(levelname)s | %(message)s", ) log = logging.getLogger("verify") def boom(): return 1 / 0 try: boom() except Exception: log.error("caught exception\n%s", traceback.format_exc())

运行python verify.py，你应该在终端看到类似这样的输出：

2025-01-01 10:00:00 | ERROR | caught exception Traceback (most recent call last): File "verify.py", line 12, in <module> boom() File "verify.py", line 9, in boom return 1 / 0 ZeroDivisionError: division by zero

看到完整堆栈，说明 logging 和 traceback 链路通了。第二步验证 faulthandler，写一个死循环脚本，加上dump_traceback_later(5, exit=True)，运行后等 5 秒，应该看到所有线程堆栈被打印出来然后进程退出。

第三步验证子进程捕获，写一个worker.py故意抛异常，用上面的subprocess.run调用，确认父进程日志里能看到子进程的 stderr。

第四步，如果你脚本里调用了模型 API，去 TaoToken 的调用记录里核对。用同一个 Key 发起一次请求，确认记录里能看到这次调用、返回状态和耗时。这样本地日志和远端调用日志就能对上，排查时不会两头断线。

6. 本篇常见错排查

错误一：日志文件写了但没内容。最常见原因是 handler 没加或者 level 设太高。检查logger.setLevel和 handler 的 level，两者都要放开。另外确认文件路径有写权限，容器里经常因为挂载问题写不进去。

错误二：traceback.format_exc()返回NoneType: None。这说明你不在 except 块里调用它。format_exc依赖当前异常上下文，必须在except内部使用，或者用traceback.format_exception(*sys.exc_info())显式传入。

错误三：子进程输出是空的。检查是不是用了capture_output=True但没读proc.stdout。另外text=True没加的话拿到的是 bytes，打印出来是b'...'，容易看漏。

错误四：faulthandler 没反应。dump_traceback_later是定时器，如果主线程被 C 扩展阻塞，可能不触发。可以配合faulthandler.enable()先捕获致命信号，再看是否需要在关键位置手动faulthandler.dump_traceback()。

错误五：TaoToken 调用记录里找不到请求。先确认脚本用的 Base URL 是https://taotoken.net/api，Key 是从 API Keys 页面生成的且没过期。如果请求根本没发出去，问题在本地网络或代码逻辑；如果发出去了但报错，记录里会有状态码，按状态码排查参数或额度。

错误六：日志时间对不上。容器时区默认 UTC，本地是东八区，差 8 小时。在 logging Formatter 里加converter=time.localtime，或者启动容器时设TZ=Asia/Shanghai。

排查顺序建议：先确认异常有没有被捕获，再看日志有没有写出去，然后看子进程输出有没有拿到，最后核对远端调用记录。一层层往下，基本不会漏。

如果你在接入或排障过程中卡住，直接去 API Keys 页面重新生成一个 Key 试一次，或者翻接入文档对照参数：https://taotoken.net/console/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api_keys&utm_campaign=rewrite 和 https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite 。想先确认模型本身通不通，用模型对话页发一条消息最快：https://taotoken.net/chat?utm_source=taotoken_aicg_blog_end&utm_content=chat&utm_campaign=rewrite 。长期写代码、跑 Agent 的话，Coding Plan 能把调用和日志管理一起收拢：https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding_plan&utm_campaign=rewrite 。