在做 FastMCP 服务的全局日志配置时，真正让人头疼的不是 config.py 里加几个日志参数，而是你明明把 CustomRotatingFileHandler 写好了，Codex 却因为模型通道的 Key 在多个控制台之间切来切去，改 logger.py 改到一半就超时。与其反复折腾，不如先把 Codex 的模型通道统一接到 TaoToken 上，再让它按“按大小轮转、按日期轮转、自动清理旧日志、生产环境输出 JSON 并带 trace_id”的需求，把 config.py、logger.py、server.py 一次改完。TaoToken 是统一 API 兼容通道，打开 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 注册并创建 API Key，之后 Codex 的模型调用与 FastMCP 服务的日志消耗就能在同一个账单里对得上。
1. 全局日志配置的痛点不在 print，而在可持续性
1.1 一个提示词 FastMCP 服务的日志到底要解决什么
教程里把“提示词 FastMCP 服务之全局日志配置”单独提出来，说明它不只是给人看的，更是给系统看的。日常开发中你会发现，日志文件会越滚越大，排查一个请求的真实链路要 grep 半天；生产环境里文本日志难以接入日志平台；想监控某个函数到底跑了多久，只能手动写time.time()硬编码。更隐蔽的是：日志的轮转策略必须同时照顾大小和日期，因为单看文件大小会漏掉跨天清理，单看日期又会让单日超大文件不断膨胀。
FastMCP 服务本身就是长驻进程，一旦跑起来，日志就没有“人为干预”的机会。如果日志文件不切割、不清理，磁盘会被prompt_mcp_server.log撑爆；如果每条日志没有 trace_id，你只能靠时间戳去猜哪条日志属于哪次工具调用。所以这个章节才需要在 config.py 里增加日志级别、根路径、文件名、文件大小和保留天数，并在 logger.py 里实现一个能同时按大小和日期轮转、能自动清理过期文件、能输出结构化 JSON 的日志模块。
1.2 为什么先给 Codex 换通道，再让它改写 logger.py
这次实操的主角不是“手写代码”，而是把 Codex 当作一个能读文件、改文件、对照需求的执行 Agent。Codex 本身是模型驱动的，模型通道不通，它改代码就会反复超时、中断，导致你无法判断它到底改到哪一步。把 Codex 的模型通道改到 TaoToken 之后，至少有两个好处：一是请求稳定，Base URL 是固定入口，不再因为某个控制台临时抖动而断；二是用量统一，Codex 在改写 logger.py 过程中产生的 token 消耗，与后续 FastMCP 服务运行时的日志都能在 TaoToken 控制台里一起查到，对账不需要去数个平台分别翻。
这里的重点是把“改代码”和“跑日志”放进同一条链路：Codex 改完CustomRotatingFileHandler，你在本地启动服务，日志切割是否生效，回来再让 Codex 做下一轮调整。整个过程模型的消耗都走 TaoToken，避免一边跑代码一边为模型通道不稳定买单。
2. 准备材料：在 TaoToken 拿 Key，再把 Codex 指过去
2.1 官网只做一件事：注册、创建 Key、看模型广场
先打开 TaoToken 注册账号。进入控制台创建 API Key，创建后把 Key 复制到本地，全文统一用占位符YOUR_API_KEY表示。注意官网落地页只用于注册、创建 Key、查看模型广场和用量；真正需要填进 Codex 配置文件的是 Base URL：https://taotoken.net/api，末尾没有/v1，也不需要带任何 UTM 参数。
这里有一个容易混淆的点：很多人习惯把注册页网址直接粘进工具的 Base URL，结果 HTTP 请求发去了网页地址而不是 API 地址，自然 404。官网与接口是两回事：网页用于管理，/api用于程序调用。创建好 Key 后，去模型广场复制一个你常用的模型 ID，我们后面把它填进 Codex 的配置。模型 ID 以模型广场为准，不要自己拼一个版本名。
2.2 在 ~/.codex/config.toml 里加一个 TaoToken provider
Codex 的模型通道不是通过环境变量改 Base URL，而是在~/.codex/config.toml中定义 provider。下面是一个可直接落地的配置骨架，注意base_url只到https://taotoken.net/api，不拼/v1；model占位YOUR_MODEL_ID需要替换成你在模型广场复制的 ID。
# ~/.codex/config.toml model = "YOUR_MODEL_ID" # 从 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 模型广场复制 model_provider = "taotoken" [model_providers.taotoken] name = "TaoToken" base_url = "https://taotoken.net/api" env_key = "TAOTOKEN_API_KEY"写好之后，在 shell 里导出 Key，让 Codex 运行时从环境变量里读取：
export TAOTOKEN_API_KEY="YOUR_API_KEY"如果你本地 Codex 版本提示wire_api缺失，就按该版本的默认协议保留，不要自行编造。核心是：base_url必须是https://taotoken.net/api，Key 必须来自上一步创建的YOUR_API_KEY。
2.3 先做一次最小调用，确认 Codex 真的能用
不要急着改代码，先跑一条简单指令验证通道。在项目根目录执行：
codex exec "用一句话解释 Python logging 的 RotatingFileHandler 和 TimedRotatingFileHandler 区别"如果 Codex 返回正常，说明model_provider、base_url、env_key三者已经配对成功。如果返回 400，多半是模型 ID 与模型广场不一致；如果返回 401，多半是TAOTOKEN_API_KEY没有正确导出。通道验证通过后，再给 Codex 下发改写任务，这时候它改代码才不会频繁断言。
3. 让 Codex 按原文需求改写三个文件
3.1 config.py 中新增日志配置参数
原文中日志配置落在src/prompt_mcp_server/config.py，核心是六个参数：日志级别、日志根路径、日志文件名、单文件大小、保留天数、调试开关。向 Codex 下达指令时，可以把下面这段作为“需求卡片”交给它：
# src/prompt_mcp_server/config.py log_level: str = Field(default="INFO", alias="LOG_LEVEL") log_root_path: str = Field(default="logs", alias="LOG_ROOT_PATH") log_file_name: str = Field(default="prompt_mcp_server.log", alias="LOG_FILE_NAME") log_file_size_mb: int = Field(default=50, alias="LOG_FILE_SIZE_MB") log_backup_data: int = Field(default=30, alias="LOG_BACKUP_DATA") debug: bool = Field(default=False, alias="DEBUG")告诉 Codex：生产环境读/.env或环境变量中的LOG_LEVEL，开发环境用默认值；LOG_FILE_SIZE_MB控制单个日志文件大小阈值；LOG_BACKUP_DATA` 控制过期清理天数。这样 Codex 在启动时才能判断当前是开发模式还是生产模式，决定使用文本 Formatter 还是 JSONFormatter。
3.2 logger.py：让 Codex 实现按大小加日期双轮转
logger.py是整个章节里最需要“和 Codex 反复确认”的文件。核心有三个组件：CustomRotatingFileHandler继承TimedRotatingFileHandler，保留按午夜日期轮转的能力；在emit中先根据max_bytes判断是否需要按大小提前轮转；轮转后立即cleanup_old_logs清理超过保留天数的文件。给 Codex 的指令可以这样写：
在 src/prompt_mcp_server/logger.py 中实现 CustomRotatingFileHandler： 1. 继承 TimedRotatingFileHandler，when="midnight"，interval=1，编码 UTF-8； 2. 每次写入前检查 current_size + 本条日志大小是否超过 max_bytes，如果超过则按大小执行一次轮转； 3. 按大小轮转时不继承父类默认文件名，改用 原文件名_时间戳_序号 的格式； 4. 每次轮转后调用 cleanup_old_logs，遍历日志目录，删除备份日在 LOG_BACKUP_DATA 之前的文件； 5. output 时读取 settings.is_production，为 True 时使用 JSONFormatter，否则使用文本 Formatter。实现完成后，logger.py 里应该有这几个对外方法：get_logger(name)保证日志器已初始化并返回指定 logger；log_execution_time装饰器同时支持同步函数和异步函数，记录开始执行、完成执行、失败执行的耗时；如果使用 Logger 包装类，则每条日志自动注入一个trace_id。相比纯手写，让 Codex 来做的价值在于：你只要把需求边界讲清楚，它会把_LOGGER_INITIALIZED的幂等保护、第三方库的日志级别收敛、os.makedirs自动建目录这些细节一并补齐。
关键片段如下，可作为 Codex 输出后的对照检查：
class JSONFormatter(logging.Formatter): def format(self, record: logging.LogRecord) -> str: log_data = { "timestamp": datetime.now(timezone.utc).isoformat(), "level": record.levelname, "logger": record.name, "message": record.getMessage(), "module": record.module, "function": record.funcName, "line": record.lineno, } if getattr(record, "trace_id", None): log_data["trace_id"] = record.trace_id else: log_data["trace_id"] = str(uuid.uuid4()) if record.exc_info: log_data["exception"] = self.formatException(record.exc_info) return json.dumps(log_data, ensure_ascii=False)JSON 输出中trace_id的出现，是确认日志链路是否打通的关键。如果日志里没有 trace_id，后续基于日志平台做全链路追踪就是空谈。
3.3 server.py 中使用日志服务
server.py是演示如何把这些日志能力串起来的地方。Codex 应该在这里创建一个 FastMCP 服务实例，并把get_logger拿到的 logger 用在业务函数里，再给测试函数加上@log_execution_time装饰器。参考结构如下：
# src/prompt_mcp_server/server.py import time from fastmcp import FastMCP from prompt_mcp_server.config import settings from prompt_mcp_server.logger import get_logger, log_execution_time logger = get_logger(__name__) mcp = FastMCP(name=settings.prompt_mcp_server_name) @log_execution_time def test_logger(): time.sleep(1) logger.info("日志打印测试") if __name__ == "__main__": test_logger()这样做的效果是：每次调用test_logger都会输出两条日志，一条是“开始执行”，一条是“完成执行（耗时 1.00 秒）”，并且这两条日志在 JSON 模式下都会带上同一个trace_id。用这个 trace_id 去日志文件里 grep，能看到一次调用的完整生命周期，而不需要再去猜时间戳。
4. 验证：运行服务后应该看到切割后的日志文件
4.1 开发模式先用文本日志确认基本链路
在项目根目录执行：
python -m src.prompt_mcp_server.server如果DEBUG为True，日志目录下会生成logs/prompt_mcp_server/prompt_mcp_server.log，控制台输出类似：
2025-03-02 10:15:00 12345 [INFO ] prompt_mcp_server.server.test_logger:16 - 开始执行: test_logger 2025-03-02 10:15:01 12345 [INFO ] prompt_mcp_server.server.test_logger:18 - 完成执行: test_logger, 耗时: 1.00秒此时logger.py的初始化逻辑已经跑通，get_logger、log_execution_time、文件 handler 都在正常工作。
4.2 切换生产模式验证 JSON 输出
把环境变量DEBUG设为false，重启服务。此时日志应变成 JSON 行，每条日志都包含timestamp、level、logger、message、trace_id字段。你可以在终端里做一次精确验证：
python -m src.prompt_mcp_server.server | grep "完成执行"返回的结果中应当出现"message": "完成执行: test_logger, 耗时: 1.00秒"，并伴随一个非空的trace_id。这说明JSONFormatter已经接管了日志输出，生产环境的结构化日志需求被满足了。
4.3 确认真实切割而不是“看起来能用”
验证轮转不需要等 30 天。临时把LOG_FILE_SIZE_MB调整为 1，然后在test_logger里循环写日志，写入超过 1MB 后，观察日志目录：
ls logs/prompt_mcp_server/你会看到类似prompt_mcp_server_20250302_101500_1.log这样的文件，而不是所有内容都堆在同一个prompt_mcp_server.log里。再检查日期切分，可以让服务跨天运行，或者直接手动修改系统时间（不推荐在共享环境做）验证。这里需要明确的结论是：按大小轮转生成_时间戳_序号文件，按日期轮转生成_日期_235959_序号文件，两份文件保留策略都由LOG_BACKUP_DATA统一控制。
5. 排障：Codex 返回 400、日志轮转在 Windows 上报 PermissionError
5.1 Codex 调用时报 400 而不是正常回答
之前最小调用我们已经验证过通道，如果你在让 Codex 改写代码时才开始 400，大多数情况是model字段在 config.toml 里写的模型 ID 与模型广场不一致。这时候去 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 的模型广场复制准确 ID，替换YOUR_MODEL_ID后重启 Codex。还有一种情况是你在base_url后面的路径写成了/api/v1，请去掉v1，只保留https://taotoken.net/api。
5.2 日志轮转时遇到 PermissionError
Windows 上如果日志文件被另一个进程打开，os.rename会抛出PermissionError。Codex 生成的实现里应该包含降级策略：先尝试关闭当前stream，再执行重命名；如果文件仍被占用，则复制原文件到新文件，然后清空原文件。不必要求一次轮转一定成功，但至少要保证服务不因为日志轮转而崩溃。如果你的项目运行在 Linux 服务器上，PermissionError往往来自运行用户对logs/prompt_mcp_server目录没有写权限，直接chown或把日志目录归属到当前用户即可。
5.3 日志文件创建了，但 JSON 输出全是单行堆叠
JSON 格式化输出在日志采集系统里是友好的，但人看起来费力。如果你在开发环境想读文本，又不想改代码，可以在启动服务时把DEBUG设回True。这样ensure_logger_initialized会使用文本 Formatter，而不会影响生产环境的 JSON 输出。Codex 在实现时会把settings.is_production的判断放在 handler 设置处，所以不要手动去logger.py里删掉 JSONFormatter，否则生产环境结构化的能力就丢了。
6. 回控制台看这次 Codex 改日志消耗了多少
这次全链路里，从 Codex 读取 config.py、生成CustomRotatingFileHandler、补全 JSONFormatter，到你在本地反复启动服务观察日志，每一步的模型请求都会在 TaoToken 控制台留下用量记录。跑通之后回到 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 看一眼“用量”页面，你会发现“让 Codex 改 logger.py”这件事本身是可量化的，不是一笔糊涂账。后续如果还想优化LOG_BACKUP_DATA或把trace_id注入到更上层的请求入口，也可以直接在控制台里查看这次调用用的模型 ID，再去模型广场确认有没有更适合长上下文任务的模型，换完配置文件重启 Codex 即可。这样日志系统改完，链路也验完，账也核上了。
