1. 从 sqlite3 到 AI 调用：本地脚本里 Key 散落一地的真实痛点
如果你用 Python 写过个人小工具，大概率经历过这个阶段：一开始只是import sqlite3，建个test.db，增删改查跑得挺顺。后来想给脚本加点 AI 能力，比如自动给数据打标签、生成摘要、做语义去重，于是代码里开始出现openai_api_key、base_url、model这些变量。再后来换了另一个模型服务，又加一组 Key。最后打开文件一看，数据库连接和模型调用混在一起，Key 散落在三四个地方，改一次配置要翻半天。
这篇就聚焦这个场景：Python 开发者用 sqlite3 做本地数据读写时，怎么把模型调用和数据库操作串成一条链路，同时把 endpoint 和 Key 统一收口到一个通道。适合谁？适合写个人脚本、做小工具、跑本地数据清洗的人。你不需要搭服务，不需要 Docker，一个.py文件加一个.db文件就能跑通。
核心检索词先摆出来：Python sqlite3 基本操作，加上「本地数据库 + AI 调用最小示例」。我会先给一份能直接复制的 sqlite3 建表/增删改查代码，再把模型调用的 endpoint 和 Key 改到 TaoToken 的配置片段，最后附一次连接验证和查询回显动作。目标很明确：你照着敲完，能直接跑通。
先说清楚 sqlite3 是什么。它是 Python 标准库自带的轻量数据库，不需要单独安装，数据存成一个.db文件。能做什么？建表、插入、查询、更新、删除，事务提交。适合谁？适合数据量不大、单机运行、不想折腾数据库服务的场景。个人脚本、爬虫落地、配置存储、小工具缓存，都够用。
而模型调用这块，很多人卡在「Key 管理」上。代码里写死 Key 不安全，多个服务各一套 Key 又难维护。把 endpoint 和 Key 统一到一个通道，代码里只留一个入口，这是比较省心的做法。下面按步骤来。
2. TaoToken 前置准备：统一 Key 通道与模型调用入口配置
在动手改代码之前，先把「通道」这件事说清楚。你可以把 TaoToken 理解成一个统一的模型调用入口：你只需要拿到一个 API Key，配一个 Base URL，代码里所有模型请求都走这个入口。这样 sqlite3 负责本地数据，模型调用负责 AI 能力，两者通过一个配置变量解耦。
前置准备分三步。
第一步，拿到 API Key。访问控制台创建 Key，地址是https://taotoken.net/api-keys。创建后复制保存，后面配置里要用。注意 Key 只显示一次，丢了就重新建一个。
第二步，确认 Base URL。API 入口是https://taotoken.net/api，这个地址不加任何查询参数，直接作为base_url使用。很多 SDK 要求 base_url 以/v1结尾或者不带，具体看下面配置片段，我会写清楚。
第三步，选模型 ID。模型对话页面可以查看可用模型，地址https://taotoken.net/model-chat。选一个你常用的模型 ID，比如对话类或代码类，记下来，配置里填进去。
这三样东西——Base URL、API Key、Model ID——就是后面所有配置的核心。我建议你不要把它们硬编码在.py文件里，而是放到环境变量或者一个单独的配置文件。原因很简单：脚本可能分享给别人，Key 泄露风险高；而且换模型时只改一处，不用翻代码。
这里给一个推荐做法：在项目根目录建一个.env文件（或者直接用系统环境变量），内容大致是：
TAOTOKEN_API_KEY=你的Key TAOTOKEN_BASE_URL=https://taotoken.net/api TAOTOKEN_MODEL=你的模型ID然后在 Python 里用os.environ读取。这样 sqlite3 的代码和模型调用的代码就彻底分开了，数据库操作只管数据，模型调用只管请求。
如果你用的是 OpenAI 兼容的 SDK，配置片段大概是这样：
import os from openai import OpenAI client = OpenAI( api_key=os.environ["TAOTOKEN_API_KEY"], base_url=os.environ["TAOTOKEN_BASE_URL"], ) MODEL_ID = os.environ["TAOTOKEN_MODEL"]注意base_url这里填的是https://taotoken.net/api，不要自己加/v1或者别的路径，SDK 会处理。如果你用的不是 OpenAI SDK，而是直接发 HTTP 请求，那 endpoint 就是https://taotoken.net/api加上具体的路径，具体看接入文档https://taotoken.net/doc。
前置准备做完，你手里应该有一个能用的 Key、一个 Base URL、一个 Model ID。接下来进入代码环节。
3. 可复制配置：sqlite3 建表增删改查 + 模型调用串联代码
这一节是重点，我给一份完整的、能直接跑的代码。分两部分：先写 sqlite3 的基本操作，再把模型调用串进去。你可以新建一个demo.py，把下面代码复制进去，改一下环境变量就能跑。
先看 sqlite3 部分。建表、插入、查询、更新、删除，五个动作全覆盖：
import os import sqlite3 DB_PATH = "test.db" def init_db(): if os.path.exists(DB_PATH): os.remove(DB_PATH) conn = sqlite3.connect(DB_PATH) cursor = conn.cursor() cursor.execute( "create table user(id int primary key, name varchar(20), tag varchar(50))" ) conn.commit() cursor.close() conn.close() def insert_user(uid, name): conn = sqlite3.connect(DB_PATH) cursor = conn.cursor() cursor.execute("insert into user (id, name, tag) values (?, ?, ?)", (uid, name, "")) conn.commit() cursor.close() conn.close() def query_users(): conn = sqlite3.connect(DB_PATH) cursor = conn.cursor() cursor.execute("select * from user") values = cursor.fetchall() cursor.close() conn.close() return values def update_tag(uid, tag): conn = sqlite3.connect(DB_PATH) cursor = conn.cursor() cursor.execute("update user set tag = ? where id = ?", (tag, uid)) conn.commit() cursor.close() conn.close() def delete_user(uid): conn = sqlite3.connect(DB_PATH) cursor = conn.cursor() cursor.execute("delete from user where id = ?", (uid,)) conn.commit() cursor.close() conn.close()这里有几个细节值得说。第一，我用?占位符传参，而不是字符串拼接，避免 SQL 注入，这是 sqlite3 基本操作里必须养成的习惯。第二，每次操作都commit()，否则数据不落盘。第三，cursor.close()和conn.close()成对出现，避免连接泄漏。第四，建表时多了一个tag字段，这个字段后面用来存模型生成的标签，把数据库和 AI 调用串起来。
接下来是模型调用部分。假设我们要给每个 user 生成一个标签，存回tag字段：
import os from openai import OpenAI client = OpenAI( api_key=os.environ["TAOTOKEN_API_KEY"], base_url=os.environ["TAOTOKEN_BASE_URL"], ) MODEL_ID = os.environ["TAOTOKEN_MODEL"] def generate_tag(name): resp = client.chat.completions.create( model=MODEL_ID, messages=[ {"role": "system", "content": "你是一个标签生成器，只输出一个中文词。"}, {"role": "user", "content": f"给这个名字生成一个标签：{name}"}, ], temperature=0.3, ) return resp.choices[0].message.content.strip()然后把两部分串起来：
if __name__ == "__main__": init_db() insert_user(1, "Michael") insert_user(2, "Alice") for uid, name, _ in query_users(): tag = generate_tag(name) update_tag(uid, tag) for row in query_users(): print(row)跑完你会看到类似(1, 'Michael', '音乐')、(2, 'Alice', '阅读')这样的输出。数据库负责存，模型负责生成，Key 只在client初始化时用一次。
如果你用 TOML 做配置，可以这样写：
[taotoken] api_key = "你的Key" base_url = "https://taotoken.net/api" model = "你的模型ID"然后 Python 里用tomllib读取。这样配置和代码分离，换模型只改 TOML。
如果你用 Cline MCP 或者 Codex 这类工具，配置里同样要写全三件套：Base URL、Key、Model ID。比如 Codex 的auth.json里，base_url填https://taotoken.net/api，api_key填你的 Key，模型 ID 填你选的。三件套缺一不可，少一个就会报鉴权或模型找不到的错。
4. 验证请求与查询回显：一次跑通的完整动作
代码写完了，怎么确认真的跑通了？我建议分两步验证：先验证 sqlite3 本身，再验证模型调用，最后看串联结果。
第一步，单独跑 sqlite3。把模型调用那部分注释掉，只跑init_db、insert_user、query_users。如果输出[(1, 'Michael', ''), (2, 'Alice', '')]，说明数据库操作没问题。这一步能排除掉「数据库路径不对」「表没建成功」「commit 漏了」这类问题。
第二步，单独验证模型调用。写一个最小脚本：
from openai import OpenAI import os client = OpenAI( api_key=os.environ["TAOTOKEN_API_KEY"], base_url=os.environ["TAOTOKEN_BASE_URL"], ) resp = client.chat.completions.create( model=os.environ["TAOTOKEN_MODEL"], messages=[{"role": "user", "content": "回复两个字：收到"}], ) print(resp.choices[0].message.content)如果打印出「收到」或者类似内容，说明 Key、Base URL、Model ID 三件套配置正确。这一步能排除掉「401 鉴权失败」「模型 ID 写错」「base_url 多了 /v1」这类问题。
第三步，跑完整串联。执行demo.py，观察输出。正常情况下，你会看到每个 user 的tag字段被填上了模型生成的内容。如果tag还是空的，说明模型调用返回了空字符串，或者update_tag没执行。可以在generate_tag里加一行print(resp)看原始返回。
这里给一个查询回显的检查点：跑完后，单独执行一次query_users()，把结果打印出来。如果tag字段有值，说明整条链路通了。如果报错，看下面的排查章节。
实测下来，最容易出问题的地方是环境变量没生效。比如你在.env里写了 Key，但 Python 没加载.env，os.environ["TAOTOKEN_API_KEY"]就会抛KeyError。解决办法是用python-dotenv加载，或者直接在终端export。我试过在 PyCharm 里跑，环境变量要在 Run Configuration 里单独配，这点容易踩坑。
5. 本篇常见错排查：401、local proxy failed、reading choices、OAuth
这一节对照真实报错来。你在串联 sqlite3 和模型调用时，大概率会遇到下面几类错误。我按报错原文和解决思路列出来。
401 Unauthorized。这是最常见的鉴权错误。原因通常是 Key 没填、Key 填错、或者 Key 前后有空格。检查os.environ["TAOTOKEN_API_KEY"]的值，打印出来看长度对不对。另外确认 Base URL 是https://taotoken.net/api，不要写成别的路径。如果 Key 是从控制台复制的，注意不要带上多余换行。
local proxy failed / connection error。这类报错通常是网络层的问题。检查你的网络环境是否能正常访问https://taotoken.net/api。可以用curl测一下：
curl -X POST https://taotoken.net/api/chat/completions \ -H "Authorization: Bearer 你的Key" \ -H "Content-Type: application/json" \ -d '{"model":"你的模型ID","messages":[{"role":"user","content":"hi"}]}'如果 curl 也失败，说明是网络或地址问题；如果 curl 成功但 Python 失败，说明是代码里的 base_url 或 SDK 配置问题。
reading choices 报错 / choices 为空。这个报错通常出现在resp.choices[0]这一行。原因是模型返回结构里没有choices，或者choices是空列表。常见触发场景：模型 ID 写错，服务返回了错误信息而不是正常补全；或者请求被限流，返回了错误对象。解决办法是先打印resp原始内容，看返回结构。如果是模型 ID 问题，去模型对话页面确认正确的 ID。
OAuth 相关报错。如果你用的是 Claude Code 或者某些需要 OAuth 的工具，可能会遇到 OAuth 流程失败。这类工具通常需要你在配置里写全 Base URL、Key、Model ID 三件套。以 Claude Code 为例，配置里ANTHROPIC_BASE_URL填https://taotoken.net/api，ANTHROPIC_API_KEY填你的 Key，模型 ID 填你选的。三件套写全，OAuth 类报错基本能消掉。如果还报错，检查配置文件路径是否正确，比如~/.claude/settings.json或者项目级的settings.json。
sqlite3.OperationalError: no such table。这是数据库侧的错误，和模型调用无关。原因是建表语句没执行，或者数据库文件路径不对。检查init_db()是否在插入前调用，检查DB_PATH是否指向了正确的文件。如果你在多个目录下跑脚本，相对路径test.db会在不同目录生成不同文件，建议用绝对路径。
sqlite3.ProgrammingError: Cannot operate on a closed database。这个错误说明你在conn.close()之后又用了cursor。检查代码顺序，确保commit()和close()在所有操作之后。
排查思路总结成一句话：先隔离，再串联。数据库报错就单独跑数据库，模型报错就单独跑模型，两边都通了再串起来。这样定位问题最快。
6. 语义一致 CTA：把这条链路用到你的长期编码场景
到这里，sqlite3 的基本操作和模型调用的串联已经跑通了。你手里有一份能直接跑的代码：建表、增删改查、模型生成标签、回写数据库。Key 只在初始化时用一次，endpoint 统一到https://taotoken.net/api，模型 ID 从环境变量读。
如果你只是偶尔跑跑脚本，这套配置够用了。但如果你要长期做编码、跑 Agent、或者把这条链路用到更多项目里，建议看一下 Coding Plan，地址是https://taotoken.net/coding-plan。它适合需要持续调用模型、管理多个项目的场景，Key 和额度管理会更省心。
另外两个入口也放这里，按需取用。需要验证模型效果、快速试对话，去模型对话页面https://taotoken.net/model-chat。需要管理 Key、创建新 Key，去控制台https://taotoken.net/api-keys。接入细节和参数说明，看文档https://taotoken.net/doc。
最后说一个实用技巧：把generate_tag这类函数抽到一个单独的ai_utils.py里，数据库操作抽到db_utils.py，主脚本只负责编排。这样下次换模型或者换数据库，只改一个文件。我试过在几个小工具里这么拆，维护成本低很多。代码跑通只是开始，结构清晰才能长期用。
