1. 为什么我劝你别再手写 SQL 了Python 内置的 sqlite3 模块是很多人接触数据库的第一站。它不需要装服务、不需要配账号密码一个.db文件就是整个数据库特别适合做本地小工具、爬虫数据落地、原型验证。但真正写起来痛点也很明显建表语句字段一多就容易写错类型增删改查的占位符?数量对不上字段名和 Python 变量名来回切换改一次表结构就得手动同步好几处代码。我试过最笨的办法——把 SQL 写在字符串里跑一次报一次sqlite3.OperationalError然后对着报错一行行数括号。后来换成让 AI 帮我生成 SQL问题又变成了AI 生成的语句到底对不对字段类型合不合理能不能直接在本地 sqlite3 里跑通如果每次都要切到网页版对话工具复制粘贴再回来执行这个闭环是断的。这篇要解决的就是这个断点。核心思路是用 TaoToken 的统一 Key 和 API 通道把 AI 辅助生成 SQL 的能力接进你的 Python 工作流生成完立刻在本地 sqlite3 里执行验证。你不需要在多个工具之间来回跳配置一次后面建表、插入、查询、改字段都能让 AI 先出草稿你负责在本地跑通。适合谁看正在用 Python 做本地数据存储的开发者、写爬虫需要落地结构化数据的同学、想给 sqlite3 加一层 AI 辅助但不想折腾多套 Key 的人。下面从环境准备开始一步步搭出可复制的闭环。2. TaoToken 前置一个 Key 管住所有 AI 调用TaoToken 在这里的角色是帮你把「调用 AI 生成 SQL」这件事标准化。你不需要为不同模型分别申请 Key、分别记不同的 base_url统一走一个 API 地址和一把 Key 就行。对 sqlite3 这种本地开发场景来说好处很直接你的 Python 脚本里只需要维护一份配置换模型、调参数都在配置层解决业务代码不动。先拿到你的 Key。打开官网 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 注册后在控制台里创建 API Key。控制台地址是 https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewrite Key 列表在 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi-keysutm_campaignrewrite 。创建完先复制保存后面配置里要用。API 的基础地址是https://taotoken.net/api注意这个地址不带任何查询参数直接作为 base_url 使用。如果你用的是 OpenAI 兼容的 SDK把 base_url 指向它、api_key 填你的 Key 就能跑。想先验证模型通不通可以去模型对话页面 https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_contentmodelsutm_campaignrewrite 发一条测试消息确认返回正常再进代码。这里有个容易踩的坑很多人把 base_url 写成带/v1或者带斜杠结尾的形式结果请求 404。记住https://taotoken.net/api就是完整前缀SDK 内部会自己拼路径。另外 Key 不要硬编码在脚本里提交到仓库用环境变量或者本地配置文件下面会给 config.toml 的骨架。如果你后面要做长期的编码辅助、Agent 类任务可以了解下 Coding Plan https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite 它更适合高频调用的场景。接入文档在 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 遇到参数问题先查这里。3. 可复制配置config.toml 与 sqlite3 连接骨架先把配置和数据库连接这两块搭好。配置文件用 TOMLPython 3.11 起标准库自带tomllib解析低版本用tomli也行。目录结构建议这样project/ ├── config.toml ├── ai_sql.py └── db.dbconfig.toml内容如下把 Key 换成你自己的[taotoken] base_url https://taotoken.net/api api_key sk-你的Key model gpt-4o-mini [sqlite] db_path db.db读取配置并建立 sqlite3 连接的骨架import sqlite3 import tomllib from pathlib import Path def load_config(path: str config.toml) - dict: with open(path, rb) as f: return tomllib.load(f) def get_conn(db_path: str) - sqlite3.Connection: conn sqlite3.connect(db_path) conn.row_factory sqlite3.Row return conn if __name__ __main__: cfg load_config() conn get_conn(cfg[sqlite][db_path]) cur conn.cursor() cur.execute(select sqlite_version()) print(sqlite version:, cur.fetchone()[0]) conn.close()row_factory sqlite3.Row这行很关键它让查询结果可以按字段名取值而不是只能靠下标。后面 AI 生成的字段名和结果对不上时这个设置能省很多调试时间。跑一下确认版本打印出来说明连接没问题。接下来是调用 AI 生成 SQL 的函数。用 OpenAI 兼容的写法把 base_url 指向 TaoTokenfrom openai import OpenAI def build_client(cfg: dict) - OpenAI: return OpenAI( base_urlcfg[taotoken][base_url], api_keycfg[taotoken][api_key], ) def gen_sql(client: OpenAI, model: str, prompt: str) - str: resp client.chat.completions.create( modelmodel, messages[ {role: system, content: 你是 SQLite SQL 生成器只输出可执行的 SQL 语句不要解释不要 markdown 代码块。}, {role: user, content: prompt}, ], temperature0.2, ) return resp.choices[0].message.content.strip()system 提示里明确「只输出 SQL、不要代码块」很重要。否则模型经常给你包一层 sql直接丢给cur.execute()会报语法错误。temperature 调低到 0.2让生成的语句更稳定、更贴近标准写法。4. 验证请求从建表到查询跑通闭环现在把生成和执行串起来。先让 AI 生成一张代理 IP 表的建表语句字段参考常见的 ip、port、匿名度、类型、位置、响应速度、验证时间def run_sql(conn: sqlite3.Connection, sql: str): cur conn.cursor() cur.execute(sql) conn.commit() return cur if __name__ __main__: cfg load_config() client build_client(cfg) conn get_conn(cfg[sqlite][db_path]) prompt ( 创建表 ip_proxy字段包括id 整型主键自增 ip 文本port 整型anonymity 文本types 文本 locations 文本respondingspeed 文本time 文本。 使用 create table if not exists。 ) ddl gen_sql(client, cfg[taotoken][model], prompt) print(生成的建表语句\n, ddl) run_sql(conn, ddl) print(建表完成)执行后你会看到类似这样的输出生成的建表语句 CREATE TABLE IF NOT EXISTS ip_proxy ( id INTEGER PRIMARY KEY AUTOINCREMENT, ip TEXT, port INTEGER, anonymity TEXT, types TEXT, locations TEXT, respondingspeed TEXT, time TEXT ) 建表完成建表成功后插入几条数据验证。这里用参数化查询避免拼接字符串rows [ (122.4.40.6, 9999, 高匿名, HTTP, 山东省济南市 电信, 1秒, 2020-04-29 19:31:01), (118.212.107.180, 9999, 高匿名, HTTP, 江西省新余市 联通, 0.9秒, 2020-04-29 18:31:01), (125.108.84.240, 9000, 高匿名, HTTP, 浙江省温州市 电信, 2秒, 2020-04-29 17:31:01), ] cur conn.cursor() cur.executemany( insert into ip_proxy (ip, port, anonymity, types, locations, respondingspeed, time) values (?,?,?,?,?,?,?), rows, ) conn.commit() print(插入行数, cur.rowcount)查询验证用sqlite3.Row按字段名取值cur.execute(select id, ip, port, locations from ip_proxy order by id) for row in cur.fetchall(): print(dict(row))输出应该是{id: 1, ip: 122.4.40.6, port: 9999, locations: 山东省济南市 电信} {id: 2, ip: 118.212.107.180, port: 9999, locations: 江西省新余市 联通} {id: 3, ip: 125.108.84.240, port: 9000, locations: 浙江省温州市 电信}到这里AI 生成 SQL、本地 sqlite3 执行、结果验证的闭环就跑通了。你可以把 prompt 换成「查询响应速度小于 2 秒的记录」「按位置分组统计数量」「给 ip 字段加唯一索引」AI 出语句、你本地跑改字段结构时尤其省事。5. 本篇常见错排查报错sqlite3.OperationalError: near : syntax error模型把 SQL 包在 markdown 代码块里了。检查 system 提示是否强调「不要 markdown 代码块」或者在gen_sql返回后加一层清洗去掉首尾的 和sql标记。报错sqlite3.OperationalError: table ip_proxy already exists建表语句没带if not exists。要么在 prompt 里明确要求要么执行前先drop table if exists。生产数据别随便 drop用if not exists更稳。报错sqlite3.ProgrammingError: Incorrect number of bindings占位符?的数量和参数个数对不上。AI 生成的 insert 语句字段列表和 values 列表要一一对应插入前打印一下语句和参数长度对比。查询结果字段名对不上没设row_factory sqlite3.Row只能用下标取值。加上这行或者用cur.description拿字段名手动映射。请求返回 401 或 404401 检查 Key 是否复制完整、有没有多余空格404 检查 base_url 是不是写成了带/v1或结尾斜杠的形式。正确写法就是https://taotoken.net/api。中文写入后查询乱码sqlite3 默认 UTF-8一般不会乱码。如果从外部文件读入确认读取时指定了encodingutf-8。连接时不需要额外设编码。并发写入报database is lockedsqlite3 默认同一时刻只允许一个写操作。本地单线程脚本一般遇不到多线程场景给连接加timeout参数或者用队列串行化写入。6. 把 AI 接进你的 sqlite3 工作流配置骨架和验证动作都跑通之后你可以把这套东西固化下来。我的做法是建一个ai_sql.py工具脚本命令行传 prompt直接打印生成的 SQL 并可选执行import sys cfg load_config() client build_client(cfg) sql gen_sql(client, cfg[taotoken][model], sys.argv[1]) print(sql) if --run in sys.argv: conn get_conn(cfg[sqlite][db_path]) run_sql(conn, sql) print(已执行)这样改表结构时python ai_sql.py 给 ip_proxy 加一个 status 文本字段 --run一条命令搞定。需要长期高频调用、做更复杂的编码辅助时再去看看 Coding Plan https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite 的额度方案。接入过程中遇到参数或鉴权问题接入文档 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 里有完整的请求示例。Key 管理和新建入口在 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi-keysutm_campaignrewrite 模型对话验证在 https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_contentmodelsutm_campaignrewrite 。最后提醒一句AI 生成的 SQL 一定要在本地 sqlite3 里实际跑一遍再用于正式数据。字段类型、索引、约束这些模型给的只是草稿cur.execute()跑通、fetchall()结果符合预期才算真正验证完成。 Python之sqlite3数据库：用 TaoToken 统一 Key 打通 AI 辅助 SQL 生成与本地验证
1. 为什么我劝你别再手写 SQL 了Python 内置的 sqlite3 模块是很多人接触数据库的第一站。它不需要装服务、不需要配账号密码一个.db文件就是整个数据库特别适合做本地小工具、爬虫数据落地、原型验证。但真正写起来痛点也很明显建表语句字段一多就容易写错类型增删改查的占位符?数量对不上字段名和 Python 变量名来回切换改一次表结构就得手动同步好几处代码。我试过最笨的办法——把 SQL 写在字符串里跑一次报一次sqlite3.OperationalError然后对着报错一行行数括号。后来换成让 AI 帮我生成 SQL问题又变成了AI 生成的语句到底对不对字段类型合不合理能不能直接在本地 sqlite3 里跑通如果每次都要切到网页版对话工具复制粘贴再回来执行这个闭环是断的。这篇要解决的就是这个断点。核心思路是用 TaoToken 的统一 Key 和 API 通道把 AI 辅助生成 SQL 的能力接进你的 Python 工作流生成完立刻在本地 sqlite3 里执行验证。你不需要在多个工具之间来回跳配置一次后面建表、插入、查询、改字段都能让 AI 先出草稿你负责在本地跑通。适合谁看正在用 Python 做本地数据存储的开发者、写爬虫需要落地结构化数据的同学、想给 sqlite3 加一层 AI 辅助但不想折腾多套 Key 的人。下面从环境准备开始一步步搭出可复制的闭环。2. TaoToken 前置一个 Key 管住所有 AI 调用TaoToken 在这里的角色是帮你把「调用 AI 生成 SQL」这件事标准化。你不需要为不同模型分别申请 Key、分别记不同的 base_url统一走一个 API 地址和一把 Key 就行。对 sqlite3 这种本地开发场景来说好处很直接你的 Python 脚本里只需要维护一份配置换模型、调参数都在配置层解决业务代码不动。先拿到你的 Key。打开官网 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 注册后在控制台里创建 API Key。控制台地址是 https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewrite Key 列表在 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi-keysutm_campaignrewrite 。创建完先复制保存后面配置里要用。API 的基础地址是https://taotoken.net/api注意这个地址不带任何查询参数直接作为 base_url 使用。如果你用的是 OpenAI 兼容的 SDK把 base_url 指向它、api_key 填你的 Key 就能跑。想先验证模型通不通可以去模型对话页面 https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_contentmodelsutm_campaignrewrite 发一条测试消息确认返回正常再进代码。这里有个容易踩的坑很多人把 base_url 写成带/v1或者带斜杠结尾的形式结果请求 404。记住https://taotoken.net/api就是完整前缀SDK 内部会自己拼路径。另外 Key 不要硬编码在脚本里提交到仓库用环境变量或者本地配置文件下面会给 config.toml 的骨架。如果你后面要做长期的编码辅助、Agent 类任务可以了解下 Coding Plan https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite 它更适合高频调用的场景。接入文档在 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 遇到参数问题先查这里。3. 可复制配置config.toml 与 sqlite3 连接骨架先把配置和数据库连接这两块搭好。配置文件用 TOMLPython 3.11 起标准库自带tomllib解析低版本用tomli也行。目录结构建议这样project/ ├── config.toml ├── ai_sql.py └── db.dbconfig.toml内容如下把 Key 换成你自己的[taotoken] base_url https://taotoken.net/api api_key sk-你的Key model gpt-4o-mini [sqlite] db_path db.db读取配置并建立 sqlite3 连接的骨架import sqlite3 import tomllib from pathlib import Path def load_config(path: str config.toml) - dict: with open(path, rb) as f: return tomllib.load(f) def get_conn(db_path: str) - sqlite3.Connection: conn sqlite3.connect(db_path) conn.row_factory sqlite3.Row return conn if __name__ __main__: cfg load_config() conn get_conn(cfg[sqlite][db_path]) cur conn.cursor() cur.execute(select sqlite_version()) print(sqlite version:, cur.fetchone()[0]) conn.close()row_factory sqlite3.Row这行很关键它让查询结果可以按字段名取值而不是只能靠下标。后面 AI 生成的字段名和结果对不上时这个设置能省很多调试时间。跑一下确认版本打印出来说明连接没问题。接下来是调用 AI 生成 SQL 的函数。用 OpenAI 兼容的写法把 base_url 指向 TaoTokenfrom openai import OpenAI def build_client(cfg: dict) - OpenAI: return OpenAI( base_urlcfg[taotoken][base_url], api_keycfg[taotoken][api_key], ) def gen_sql(client: OpenAI, model: str, prompt: str) - str: resp client.chat.completions.create( modelmodel, messages[ {role: system, content: 你是 SQLite SQL 生成器只输出可执行的 SQL 语句不要解释不要 markdown 代码块。}, {role: user, content: prompt}, ], temperature0.2, ) return resp.choices[0].message.content.strip()system 提示里明确「只输出 SQL、不要代码块」很重要。否则模型经常给你包一层 sql直接丢给cur.execute()会报语法错误。temperature 调低到 0.2让生成的语句更稳定、更贴近标准写法。4. 验证请求从建表到查询跑通闭环现在把生成和执行串起来。先让 AI 生成一张代理 IP 表的建表语句字段参考常见的 ip、port、匿名度、类型、位置、响应速度、验证时间def run_sql(conn: sqlite3.Connection, sql: str): cur conn.cursor() cur.execute(sql) conn.commit() return cur if __name__ __main__: cfg load_config() client build_client(cfg) conn get_conn(cfg[sqlite][db_path]) prompt ( 创建表 ip_proxy字段包括id 整型主键自增 ip 文本port 整型anonymity 文本types 文本 locations 文本respondingspeed 文本time 文本。 使用 create table if not exists。 ) ddl gen_sql(client, cfg[taotoken][model], prompt) print(生成的建表语句\n, ddl) run_sql(conn, ddl) print(建表完成)执行后你会看到类似这样的输出生成的建表语句 CREATE TABLE IF NOT EXISTS ip_proxy ( id INTEGER PRIMARY KEY AUTOINCREMENT, ip TEXT, port INTEGER, anonymity TEXT, types TEXT, locations TEXT, respondingspeed TEXT, time TEXT ) 建表完成建表成功后插入几条数据验证。这里用参数化查询避免拼接字符串rows [ (122.4.40.6, 9999, 高匿名, HTTP, 山东省济南市 电信, 1秒, 2020-04-29 19:31:01), (118.212.107.180, 9999, 高匿名, HTTP, 江西省新余市 联通, 0.9秒, 2020-04-29 18:31:01), (125.108.84.240, 9000, 高匿名, HTTP, 浙江省温州市 电信, 2秒, 2020-04-29 17:31:01), ] cur conn.cursor() cur.executemany( insert into ip_proxy (ip, port, anonymity, types, locations, respondingspeed, time) values (?,?,?,?,?,?,?), rows, ) conn.commit() print(插入行数, cur.rowcount)查询验证用sqlite3.Row按字段名取值cur.execute(select id, ip, port, locations from ip_proxy order by id) for row in cur.fetchall(): print(dict(row))输出应该是{id: 1, ip: 122.4.40.6, port: 9999, locations: 山东省济南市 电信} {id: 2, ip: 118.212.107.180, port: 9999, locations: 江西省新余市 联通} {id: 3, ip: 125.108.84.240, port: 9000, locations: 浙江省温州市 电信}到这里AI 生成 SQL、本地 sqlite3 执行、结果验证的闭环就跑通了。你可以把 prompt 换成「查询响应速度小于 2 秒的记录」「按位置分组统计数量」「给 ip 字段加唯一索引」AI 出语句、你本地跑改字段结构时尤其省事。5. 本篇常见错排查报错sqlite3.OperationalError: near : syntax error模型把 SQL 包在 markdown 代码块里了。检查 system 提示是否强调「不要 markdown 代码块」或者在gen_sql返回后加一层清洗去掉首尾的 和sql标记。报错sqlite3.OperationalError: table ip_proxy already exists建表语句没带if not exists。要么在 prompt 里明确要求要么执行前先drop table if exists。生产数据别随便 drop用if not exists更稳。报错sqlite3.ProgrammingError: Incorrect number of bindings占位符?的数量和参数个数对不上。AI 生成的 insert 语句字段列表和 values 列表要一一对应插入前打印一下语句和参数长度对比。查询结果字段名对不上没设row_factory sqlite3.Row只能用下标取值。加上这行或者用cur.description拿字段名手动映射。请求返回 401 或 404401 检查 Key 是否复制完整、有没有多余空格404 检查 base_url 是不是写成了带/v1或结尾斜杠的形式。正确写法就是https://taotoken.net/api。中文写入后查询乱码sqlite3 默认 UTF-8一般不会乱码。如果从外部文件读入确认读取时指定了encodingutf-8。连接时不需要额外设编码。并发写入报database is lockedsqlite3 默认同一时刻只允许一个写操作。本地单线程脚本一般遇不到多线程场景给连接加timeout参数或者用队列串行化写入。6. 把 AI 接进你的 sqlite3 工作流配置骨架和验证动作都跑通之后你可以把这套东西固化下来。我的做法是建一个ai_sql.py工具脚本命令行传 prompt直接打印生成的 SQL 并可选执行import sys cfg load_config() client build_client(cfg) sql gen_sql(client, cfg[taotoken][model], sys.argv[1]) print(sql) if --run in sys.argv: conn get_conn(cfg[sqlite][db_path]) run_sql(conn, sql) print(已执行)这样改表结构时python ai_sql.py 给 ip_proxy 加一个 status 文本字段 --run一条命令搞定。需要长期高频调用、做更复杂的编码辅助时再去看看 Coding Plan https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite 的额度方案。接入过程中遇到参数或鉴权问题接入文档 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 里有完整的请求示例。Key 管理和新建入口在 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi-keysutm_campaignrewrite 模型对话验证在 https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_contentmodelsutm_campaignrewrite 。最后提醒一句AI 生成的 SQL 一定要在本地 sqlite3 里实际跑一遍再用于正式数据。字段类型、索引、约束这些模型给的只是草稿cur.execute()跑通、fetchall()结果符合预期才算真正验证完成。