1. 脚本里散落的 Key比 SQL 报错更让人头疼写 Python3 的 sqlite3 脚本时数据库操作本身其实不难sqlite3.connect()建连接、conn.cursor()拿游标、cursor.execute()跑 SQL增删改查一套下来十几行就能跑通。真正让人难受的是脚本越写越多之后API Key 和模型配置开始到处散落——今天在db_tool.py里硬编码一个字符串明天在batch_import.py里又复制一份后天同事拉走代码发现跑不起来因为 Key 在他机器上根本不存在。我试过最原始的做法把 Key 写进.env再用os.getenv()读。单机单脚本没问题可一旦涉及多个脚本、多个模型、多个环境本地调试 / 测试库 / 线上跑批.env就开始打架。更麻烦的是有些脚本不只是操作 SQLite还要调用大模型做数据清洗、字段补全、自然语言转 SQL这时候 Key 的管理就从一个「配置问题」变成了「工程问题」。这篇要解决的就是这件事用 Python3 的 sqlite3 模块做数据库操作脚本时把 API Key 与模型配置从代码里抽离出来统一走 TaoToken 通道做到一处配置、多处复用。目标很明确——你写完一个config.toml骨架和一段settings.json片段之后所有 sqlite3 脚本都从同一个地方读配置密钥不再散落在各个.py文件里。适合谁看正在用 Python3 sqlite3 做本地数据工具、批处理脚本、轻量数据管道的开发者脚本里已经出现 Key 硬编码、复制粘贴配置、换模型要改多处的人以及想把「数据库操作」和「模型调用」两条线用同一套配置管起来的人。下面按「先讲清楚问题 → 再搭统一配置 → 然后给可复制代码 → 最后验证连通性 → 排错 → 收尾」的顺序走每一步都能直接跟做。2. 为什么把 Key 抽到 TaoToken 统一通道先说清楚 TaoToken 在这里扮演什么角色。它提供的是一个统一的 API 接入通道你拿一个 Key就能在脚本里调用模型对话、代码生成等能力而不用为每个模型单独维护一套地址和密钥。官网入口是 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 基址是 https://taotoken.net/api 这个不加 UTM。对 sqlite3 脚本来说这个统一通道的价值在于三点。第一配置收敛。以前你可能在clean_data.py里写一个模型地址、在gen_sql.py里写另一个现在统一成base_urlapi_key两个字段所有脚本读同一份配置。换模型只改一处不用满仓库搜字符串。第二职责分离。sqlite3 脚本的核心是数据库操作模型调用只是辅助比如把自然语言转成 SQL、给缺失字段做补全。把模型配置抽到独立文件后数据库逻辑和模型逻辑解耦测试时甚至可以注入一个假的配置对象不碰真实 Key。第三避免密钥进版本库。配置文件放在项目根目录、加进.gitignore代码里只留读取逻辑。这样即使仓库公开也不会把 Key 带出去。这一点比「记得别提交」靠谱得多。需要提醒的是TaoToken 是合规的 API 接入通道不是所谓的中转代理也不涉及任何网络访问工具。你只需要在能正常访问其 API 地址的环境里用标准 HTTP 客户端调用即可。脚本里用requests或httpx都行下面示例用requests。配置文件的格式我推荐 TOML因为 Python 3.11 标准库自带tomllib不用装额外依赖如果你的环境是 3.10 及以下用tomli也能读。同时给一份settings.json片段方便你在已有 JSON 配置体系里直接嵌入。3. 可复制的 config.toml 骨架与 settings.json 片段先建目录结构。假设项目叫sqlite_toolkitsqlite_toolkit/ ├── config.toml ├── settings.json ├── db_ops.py ├── llm_client.py └── .gitignore.gitignore里至少写这两行防止配置和数据库文件误提交config.toml *.db下面是config.toml骨架。字段分三块[taotoken]放统一通道配置[database]放 SQLite 路径[model]放默认模型参数。你可以按需增删但base_url和api_key建议保留。# config.toml [taotoken] base_url https://taotoken.net/api api_key sk-你的Key timeout 30 [database] path app.db # 也可以设为 :memory: 做内存库测试 journal_mode WAL [model] default claude-sonnet max_tokens 1024 temperature 0.2对应的settings.json片段如果你已有 JSON 配置体系直接把这几个键嵌进去{ taotoken: { base_url: https://taotoken.net/api, api_key: sk-你的Key, timeout: 30 }, database: { path: app.db, journal_mode: WAL }, model: { default: claude-sonnet, max_tokens: 1024, temperature: 0.2 } }读取逻辑写成一个独立模块比如config_loader.py这样所有脚本都从这里拿配置不重复写解析代码# config_loader.py import json import sys from pathlib import Path if sys.version_info (3, 11): import tomllib else: import tomli as tomllib def load_toml(path: str config.toml) - dict: with open(path, rb) as f: return tomllib.load(f) def load_json(path: str settings.json) - dict: with open(path, r, encodingutf-8) as f: return json.load(f) def get_config(prefer: str toml) - dict: if prefer toml and Path(config.toml).exists(): return load_toml() if Path(settings.json).exists(): return load_json() raise FileNotFoundError(未找到 config.toml 或 settings.json)这里有个细节tomllib只能以二进制模式读所以open(path, rb)别写成r否则会报TypeError。这是我在 3.11 上踩过的坑记一下。配置读进来之后数据库连接和模型客户端都从同一个 dict 取参数。下面db_ops.py演示 sqlite3 的增删改查同时把journal_mode从配置里读出来设置# db_ops.py import sqlite3 from config_loader import get_config def get_conn(cfg: dict) - sqlite3.Connection: conn sqlite3.connect(cfg[database][path]) conn.execute(fPRAGMA journal_mode{cfg[database][journal_mode]}) return conn def init_table(conn: sqlite3.Connection) - None: conn.execute( create table if not exists Person( id integer primary key not null, name text not null, age integer not null ) ) conn.commit() def insert_person(conn: sqlite3.Connection, name: str, age: int) - None: conn.execute(insert into Person(name, age) values(?, ?), (name, age)) conn.commit() def query_all(conn: sqlite3.Connection) - list: cur conn.execute(select id, name, age from Person order by id) return cur.fetchall() def update_person(conn: sqlite3.Connection, pid: int, age: int) - None: conn.execute(update Person set age? where id?, (age, pid)) conn.commit() def delete_person(conn: sqlite3.Connection, pid: int) - None: conn.execute(delete from Person where id?, (pid,)) conn.commit() if __name__ __main__: cfg get_config() conn get_conn(cfg) init_table(conn) insert_person(conn, Tom1, 25) insert_person(conn, Tom2, 26) print(查询结果:, query_all(conn)) update_person(conn, 1, 18) print(更新后:, query_all(conn)) delete_person(conn, 2) print(删除后:, query_all(conn)) conn.close()运行python db_ops.py你会看到类似输出查询结果: [(1, Tom1, 25), (2, Tom2, 26)] 更新后: [(1, Tom1, 18), (2, Tom2, 26)] 删除后: [(1, Tom1, 18)]到这里数据库这条线已经跑通而且配置全部来自config.toml。接下来把模型调用也接上让「自然语言转 SQL」这类辅助功能复用同一份 Key。4. 用统一 Key 调用模型连通性验证与自然语言转 SQL模型客户端单独写一个llm_client.py从配置里读base_url、api_key、timeout不硬编码任何密钥# llm_client.py import requests from config_loader import get_config class LLMClient: def __init__(self, cfg: dict): self.base_url cfg[taotoken][base_url].rstrip(/) self.api_key cfg[taotoken][api_key] self.timeout cfg[taotoken][timeout] self.model cfg[model][default] self.max_tokens cfg[model][max_tokens] self.temperature cfg[model][temperature] def chat(self, prompt: str) - str: url f{self.base_url}/v1/chat/completions headers { Authorization: fBearer {self.api_key}, Content-Type: application/json, } payload { model: self.model, messages: [{role: user, content: prompt}], max_tokens: self.max_tokens, temperature: self.temperature, } resp requests.post(url, headersheaders, jsonpayload, timeoutself.timeout) resp.raise_for_status() data resp.json() return data[choices][0][message][content] if __name__ __main__: cfg get_config() client LLMClient(cfg) print(client.chat(用一句话说明 SQLite 的 WAL 模式有什么好处))运行前先做连通性验证这一步很重要别等脚本跑到一半才发现 Key 或地址有问题。验证动作分两步先确认配置能读出来再确认 API 能通。# check_conn.py from config_loader import get_config from llm_client import LLMClient cfg get_config() print(base_url , cfg[taotoken][base_url]) print(api_key 前缀 , cfg[taotoken][api_key][:6] ...) client LLMClient(cfg) reply client.chat(回复 OK 两个字母即可) print(模型返回:, reply)如果输出里base_url是https://taotoken.net/apiapi_key前缀正常模型返回包含OK说明通道通了。这一步通过之后再跑数据库脚本就放心了。把两者串起来做一个「自然语言转 SQL 并执行」的小工具# nl2sql.py import sqlite3 from config_loader import get_config from llm_client import LLMClient from db_ops import get_conn, init_table cfg get_config() client LLMClient(cfg) conn get_conn(cfg) init_table(conn) question 查询年龄大于 20 的人按年龄升序 prompt ( 你是一个 SQLite SQL 生成器。表结构 Person(id integer primary key, name text, age integer)。 f请只输出一条 SQL 语句不要解释。问题{question} ) sql client.chat(prompt).strip().strip() print(生成的 SQL:, sql) cur conn.execute(sql) print(执行结果:, cur.fetchall()) conn.close()实测下来这种「配置统一 职责分离」的写法换模型时只改config.toml里的default字段所有脚本自动生效不用逐个文件改。数据库路径同理测试时把path改成:memory:跑完即弃不污染真实库。如果你要长期跑编码类任务或 Agent 流程可以了解 Coding Planhttps://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 。只是验证模型是否通用模型对话页更直接https://taotoken.net/chat?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 。5. 本篇常见错排查配置抽离之后报错往往集中在「读配置」和「调接口」两处。下面按我遇到过的顺序列。报错一ModuleNotFoundError: No module named tomliPython 3.10 及以下没有tomllib需要装tomli。命令pip install tomli或者干脆把配置换成settings.json用标准库json读零依赖。报错二TypeError: File must be opened in binary modetomllib.load()要求二进制模式。检查config_loader.py里是不是写成了open(path, r)改成open(path, rb)。报错三FileNotFoundError: 未找到 config.toml 或 settings.json脚本的工作目录不对。get_config()默认在当前目录找文件如果你在子目录里运行要么cd到项目根目录要么把路径改成绝对路径from pathlib import Path BASE Path(__file__).resolve().parent cfg load_toml(str(BASE / config.toml))报错四requests.exceptions.HTTPError: 401 Client ErrorKey 不对或没带上。检查config.toml里api_key是否完整请求头是不是Authorization: Bearer sk-xxx。注意别把 Key 前后带空格TOML 里字符串不要有多余换行。报错五sqlite3.OperationalError: database is locked多个连接同时写同一个库。WAL 模式能缓解但不能完全避免。建议写操作集中在一个连接里或者加timeout参数conn sqlite3.connect(cfg[database][path], timeout10)报错六sqlite3.ProgrammingError: Cannot operate on a closed database连接提前close()了还在用。检查是不是在with块外继续调用了conn.execute()。sqlite3 的Connection作为上下文管理器只负责事务提交/回滚不会自动关闭连接这点和文件对象不一样。报错七模型返回的 SQL 带 markdown 代码块有些模型会把 SQL 包在 sql 里。上面nl2sql.py用.strip() 处理了反引号但更稳的做法是正则提取import re sql re.sub(r^(?:sql)?|$, , sql, flagsre.MULTILINE).strip()排障时如果卡在接入层优先看 API Keys 管理页确认 Key 状态https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 接口字段和返回结构对照接入文档https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 。6. 一处配置多处复用把脚本收进统一入口最后把散落的脚本收进一个入口验证「一处配置多处复用」是否真的成立。建一个main.py# main.py from config_loader import get_config from db_ops import get_conn, init_table, insert_person, query_all from llm_client import LLMClient cfg get_config() conn get_conn(cfg) init_table(conn) insert_person(conn, Alice, 30) insert_person(conn, Bob, 22) print(全部记录:, query_all(conn)) client LLMClient(cfg) print(模型连通:, client.chat(回复 OK)[:20]) conn.close()运行python main.py数据库和模型两条线都从同一份config.toml取参数。之后你新增任何 sqlite3 脚本只要from config_loader import get_config就自动继承统一配置不用再复制 Key。如果你想把 Key 管理做得更细比如区分开发和生产、给不同脚本分配不同模型可以在config.toml里加 profile[profiles.dev] model claude-sonnet database_path dev.db [profiles.prod] model claude-opus database_path prod.db读取时按环境变量选 profile代码里依然只调get_config()。这样密钥和模型配置始终只有一处来源脚本本身保持干净。控制台入口在这里方便你查看用量和配置https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 。Claude Code 相关接入参考https://taotoken.net/claude-code-anthropic?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 。到这里你的 sqlite3 脚本已经不再散落 Key配置在config.toml读取在config_loader.py数据库操作在db_ops.py模型调用在llm_client.py入口在main.py。换 Key、换模型、换库路径都只动一个文件。