企业官网建设流程全解析

openai.error.APIConnectionError和AuthenticationError，是 Python 调 OpenAI API 做文本生成时最常撞上的两堵墙。TaoToken 的兼容通道能绕开那段不稳定的链路：先打开 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 注册并创建 API Key，再把openai.api_base指向https://taotoken.net/api（末尾不要加/v1），davinci 一类的文本生成请求就能正常拿到返回。

很多人卡在这里不是因为代码写错了，恰恰是因为代码太短——短到你以为问题一定出在自己身上。十几行 Python，一个 prompt，一次openai.Completion.create，本地跑要么卡到超时，要么直接抛认证失败。你换 Key、换账号、重启电脑，报错一个字都不改。真正的变量其实只有一个：api_base指向的那个地址，在你的网络环境里到底通不通、稳不稳。本地能复现的报错越简单，越说明问题不在业务代码，而在接入层。

下面按排障的顺序走：先把报错分成两类认清，再把 Key 和模型 ID 拿到手，接着动手改api_base，然后跑一次真实调用验证，最后把改完之后还可能碰到的坑按优先级列清楚。全文的示例都基于 Python 和 openai 库，配置可以整段复制。

1. 先分清 davinci 调用里的两类报错：连接超时和认证失败

1.1 APIConnectionError 与 timeout：地址层就不通

如果你的报错长这样：

openai.error.APIConnectionError: Error communicating with OpenAI openai.error.Timeout: Request timed out

那基本可以锁定是连接层的问题，不是 Key 的问题。它的典型特征是：重试几次偶尔能过一次，或者干脆一次都过不去；把同样的代码发给海外同事跑，对方秒回。这种情况下继续折腾 Key、换账号、加并发都没意义，因为请求压根没走到鉴权那一步，握手阶段就断了。

还有一个更容易被忽略的变体：脚本不报错，只是长时间挂起，几十秒后才甩出 timeout。它和直接抛错本质一样，都是链路不稳定导致的。写文本生成这种一次性请求，你可能愿意等；但如果是在循环里批量生成，每条都超时，整个任务就是废的。

1.2 AuthenticationError：Key 和地址对不上

另一类报错长这样：

openai.error.AuthenticationError: Incorrect API key provided openai.error.InvalidRequestError: ...

这种通常是 Key 被截断、复制时多了空格换行、或者你换了api_base却没换配套的 Key。注意一个细节：Key 和api_base是绑定的，你不能拿 A 平台的 Key 去请求 B 平台的地址，也不能拿旧地址的 Key 去请求新通道。改地址和换 Key 这两件事必须同步做，只做一半，报错就会从超时变成 401，让你误以为改坏了。

把这两类分清楚之后，后面每一步都会简单很多：连接类问题去改api_base，认证类问题去重新创建 Key。两种问题的解法不同，混在一起排查只会浪费时间。

2. 改 api_base 之前，去 TaoToken 把 Key 和模型 ID 拿到手

2.1 注册并创建 API Key，记住 YOUR_API_KEY

打开 TaoToken 官网，注册登录后进控制台创建一把 API Key。这把 Key 就是你后面要填进openai.api_key的东西，本文统一用占位符YOUR_API_KEY表示，实际使用时替换成你自己那串。创建完成后立刻复制保存，页面上一般只完整显示一次。

有一个习惯值得养成：不要把 Key 直接硬编码进.py文件再提交到 Git。哪怕只是自己练手的小脚本，也建议先写进环境变量，本地跑通了再说。原因很现实——你迟早会把这份代码贴给别人看，或者传到某个仓库里，Key 一旦泄露就得重新创建，之前跑通的所有配置都得再改一遍。

2.2 在模型广场确认你要用的文本生成模型 ID

原文里用的是 davinci 这一代文本模型，写法上通过engine或model传模型名。这里有个必须说清楚的坑：模型 ID 不要凭记忆写，不同时期可用的模型列表不一样。正确做法是打开 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 进模型广场，按「文本生成」筛选，看当前实际可用的模型 ID 是什么，再原样填进代码。

代码里我统一写成YOUR_MODEL_ID，你替换成模型广场上实际的字符串即可。这样做的另一个好处是：以后模型列表变了，你只需要改这一个字段，不用翻遍整个项目找哪里写死了模型名。

准备工作到这就结束了，一共两样东西：一把YOUR_API_KEY，一个从模型广场确认的YOUR_MODEL_ID。接下来才是真正动api_base的地方。

3. Python 里改 openai.api_base 的三种落地写法

3.1 老版 openai 库：模块级 openai.api_base

如果你手上的代码是openai==0.28及更早的写法，改法最直接，就是在导入之后、调用之前，把模块级的两行赋值改掉：

import openai # 通道地址：末尾不要加 /v1 openai.api_base = "https://taotoken.net/api" # Key 从 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 创建 openai.api_key = "YOUR_API_KEY" resp = openai.Completion.create( model="YOUR_MODEL_ID", # 以官网模型广场当时列表为准 prompt="用三句话说明什么是接口限流", max_tokens=256, temperature=0.7, ) print(resp.choices[0].text)

这里最容易被改错的就是api_base的写法。注意它是https://taotoken.net/api，末尾不要加/v1。有些教程会顺手补一个/v1，补上之后路径就变成了两层，请求直接打到不存在的地址上，报错从超时变成 404，你会以为新通道也不行。

3.2 新版 SDK：用 OpenAI 客户端传 base_url

现在更多项目已经升到openai>=1.0，模块级的openai.api_base不再生效，得换成客户端写法：

from openai import OpenAI client = OpenAI( api_key="YOUR_API_KEY", # 占位符，替换成你自己的 Key base_url="https://taotoken.net/api", # 末尾不要加 /v1 ) resp = client.chat.completions.create( model="YOUR_MODEL_ID", messages=[{"role": "user", "content": "写一段产品介绍的初稿"}], ) print(resp.choices[0].message.content)

如果你是从老版本代码迁移过来的，常见的症状是「改了openai.api_base但一点用没有」，因为新 SDK 根本不读这个变量。确认一下版本号：pip show openai。两套写法不要混着用，选你当前版本对应的那一种。

3.3 用环境变量托管地址和 Key

多人协作或者要跑 CI 的场景，把地址和 Key 写死在代码里会很痛苦。建议走环境变量：

export OPENAI_BASE_URL="https://taotoken.net/api" export OPENAI_API_KEY="YOUR_API_KEY"

然后 Python 侧只读环境变量，不出现明文：

import os from openai import OpenAI client = OpenAI( api_key=os.environ["OPENAI_API_KEY"], base_url=os.environ.get("OPENAI_BASE_URL", "https://taotoken.net/api"), )

注意：环境变量的名字跟着你所用 SDK 的约定走，有的版本读OPENAI_BASE_URL，有的读OPENAI_API_BASE。显式传参是最稳的，环境变量只作为兜底。

三种写法的选择很简单：老项目不动结构就用第一种，新项目一律第三种，迁移中的项目先用第二种确认能跑通，再逐步把明文 Key 换成环境变量。

4. 跑一次最小调用，确认 davinci 请求真的回来了

4.1 先发一条最短的 prompt

配置改完别急着接业务逻辑，先跑一条最短的请求。prompt 越短越好，比如「用一句话解释什么是 API」，max_tokens设小一点，30 到 50 就够。这样做的目的只有一个：把「配置对不对」和「业务代码对不对」分开验证。如果这条最短请求能返回文本，说明api_base、Key、模型 ID 三样都对上了，后面出问题一定是业务层的事。

如果返回的是类似下面这样的结构：

{ "choices": [{"text": "...", "finish_reason": "stop"}], "usage": {"prompt_tokens": 12, "completion_tokens": 30, "total_tokens": 42} }

那就成了。注意看usage字段，它既是计费依据，也是判断请求真的到达服务端的证据。如果连usage都没有，说明你拿到的可能是一段缓存或错误包装，得回头查配置。

4.2 把原来的报错场景复现一遍

验证的第二步更有价值：把你最初跑失败的那个脚本原样再跑一次。原来批量生成十条文本，现在再跑十条，看是不是全部返回、有没有中途超时。这一步能确认你修的是根因，而不是碰巧过了一次。如果单条能通、批量还是偶发超时，那问题多半在并发和重试策略上，跟api_base已经没关系了。

顺手可以记一下这次的调用量和耗时，等会去控制台对账的时候用得上。

5. 改完 api_base 还报错，按这个顺序排

5.1 401：Key 没换、Key 抄错、Key 带空格

改了地址但忘了换 Key，是最常见的一类。表现就是超时没了，改成 401。另外两种更隐蔽：复制 Key 时把首尾的空格或换行一起带进去了；或者 Key 已经创建过好几把，你复制的是旧的、已失效的那一把。排查方法很土但有效——把 Key 打印出来看长度，前后各加一对引号，肉眼确认没有多余空白。还不行就重新创建一把，别在旧 Key 上耗。

5.2 404：地址末尾多写了 /v1

这个坑值得单独列一条，因为它是本篇文章的核心配置点。正确写法是https://taotoken.net/api，末尾不要加/v1。你如果写成https://taotoken.net/api/v1，请求路径就多了一层，服务端找不到对应端点，返回 404 或者类似的路径不存在错误。

对比一下两类报错的差异：多写/v1得到的是路径错误，去掉之后立刻恢复；而 401 是身份问题，去掉多余的斜杠没用，得换 Key。看到 404 先怀疑路径，看到 401 先怀疑凭据，别把顺序搞反。

5.3 超时还在继续：先看是不是单点问题

如果改完之后大部分请求正常，只是偶尔超时，先别急着判定通道不行。确认三件事：单条请求是否稳定（单条通说明通道没问题）；是不是在并发很高的时候才超时（那就是自身限流或网络抖动）；重试一次能不能成功（能成功说明是偶发）。真正的连接层问题表现为「持续不通」，而不是「偶尔慢一下」。

代码侧可以加一个朴素的退避重试，别一上来就上复杂的重试框架：

import time for attempt in range(3): try: resp = client.chat.completions.create( model="YOUR_MODEL_ID", messages=[{"role": "user", "content": "用一句话解释什么是幂等"}], ) break except Exception as e: if attempt == 2: raise time.sleep(2 ** attempt)

5.4 模型不存在：ID 抄错了或者已经不提供

报错信息里出现「model not found」这类字眼，八成是YOUR_MODEL_ID没替换，或者照抄了某个过期的模型名。回模型广场按「文本生成」筛一遍，拿当前列表里的 ID 重新填。不要在代码里硬写一个记忆中的名字，这是本篇文章里唯一一个「必须去官网确认、无法靠猜」的参数。

6. 同一把 Key 搬到 Claude Code / Codex 时的差异

6.1 Claude Code：环境变量名和 Python 完全不同

如果你已经用上了 Claude Code，想把同一套接入用到命令行里，要注意变量名跟 Python 一点关系都没有，用的是ANTHROPIC_*这一组。在~/.claude/settings.json里写：

{ "env": { "ANTHROPIC_BASE_URL": "https://taotoken.net/api", "ANTHROPIC_AUTH_TOKEN": "YOUR_API_KEY", "ANTHROPIC_MODEL": "YOUR_MODEL_ID" } }

ANTHROPIC_BASE_URL同样是https://taotoken.net/api，不要加/v1。如果你更习惯命令行，也可以装 CLI：

npm install -g @taotoken/taotoken taotoken cc -k YOUR_API_KEY -u https://taotoken.net/api -m YOUR_MODEL_ID

6.2 Codex：配置写在 config.toml，别套 ANTHROPIC 变量

Codex 走的是~/.codex/config.toml，字段体系又是一套，千万别把ANTHROPIC_*那组变量原样搬过来：

model = "YOUR_MODEL_ID" model_provider = "taotoken" [model_providers.taotoken] name = "TaoToken" base_url = "https://taotoken.net/api" env_key = "TAOTOKEN_API_KEY"

这里的base_url依旧不带/v1，Key 通过env_key指向的环境变量传入。三个工具、三套配置格式，唯一不变的是那一个地址：https://taotoken.net/api。

7. 跑通之后回控制台对一下这次调用

配置和验证都做完，还有一件值得花两分钟的事：打开 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 进控制台，看这次的调用有没有正常记上、用的是哪个模型、消耗了多少。这一步不只是对账，也是排查的收尾——如果调用记录里没有你刚才那条请求，说明你验证的可能是本地缓存，得回头再查一次。

想先用对话界面确认模型 ID 是不是填对了，可以在 TaoToken 模型对话 里用同一把 Key 发一条测试消息；要长期跑批量生成和写代码，去 Coding Plan 看套餐是否够用；Key 丢了或者想再建一把，直接进 控制台 API Keys 创建。Claude Code 那组环境变量的完整对照，见 接入文档。

排障这件事到最后往往不是比谁更懂原理，而是比谁把变量拆得够细：地址、Key、模型 ID 三样，一次只改一个，改完立刻用最短请求验证。openai.api_base指向https://taotoken.net/api，末尾不加/v1，Key 从官网创建——这三句话记牢，原文里那两类报错基本就不会再出现了。