1. 从一段脚本说起：为什么本地小工具也需要 SQLite 落库
写 Python 脚本的人大多经历过这个阶段：数据先塞进列表，跑完打印到终端，关掉窗口就没了。下次想对比昨天的结果，只能翻聊天记录或者重新跑一遍。尤其是做日志清洗、爬虫中间结果、批量文件重命名这类小工具时，数据持久化不是「要不要做」，而是「什么时候做」。
Python3 标准库自带sqlite3，不需要额外装服务、不需要配账号密码，一个.db文件就是整个数据库。它适合谁？适合写本地脚本、桌面小工具、数据分析预处理、自动化任务的人。你不需要懂 DBA 那套，只要会import sqlite3，就能把内存里的列表变成磁盘上可查询、可回滚、可复用的数据。
这篇笔记聚焦三件事：建库建表、参数化写入与事务提交、查询校验与异常回滚。同时我会把「用 TaoToken 统一 Key 调模型生成 SQL」这一段接进来，让不熟悉 SQL 语法的人也能通过 API 通道拿到可执行的语句。整篇的节奏是：先跑通本地落库，再让模型帮你写 SQL，最后用查询结果验证数据真的进去了。
我试过把一批 3 万多条的 CSV 记录直接executemany写进 SQLite，全程不到两秒，文件体积也可控。这种「轻量但够用」的体验，正是 SQLite 在 Python 生态里长期占位的原因。下面从连接对象开始，一步步把可复制的配置写出来。
2. TaoToken 前置准备：统一 Key 与 API 通道怎么接
在写模型生成 SQL 的调用片段之前，先把 TaoToken 的接入信息准备好。它的作用是给你一个统一的 API 通道和 Key，让你在脚本里通过标准 HTTP 请求调用模型，而不必为每个模型单独维护一套鉴权逻辑。官网地址是 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，API 根地址是 https://taotoken.net/api 。
你需要拿到两样东西：API Key 和可用的 Model ID。Key 在控制台的 API Keys 页面创建，地址是 https://taotoken.net/console/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api-keys&utm_campaign=rewrite 。创建后复制保存，它只显示一次。Model ID 可以在模型对话页面确认，地址是 https://taotoken.net/models?utm_source=taotoken_aicg_blog_end&utm_content=model-chat&utm_campaign=rewrite ，选一个你常用的对话模型即可。
接入文档在 https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite ，里面写了请求头格式和返回结构。核心就是三件套：Base URL 填https://taotoken.net/api，Key 填你创建的那串，Model ID 填你选的模型名。这三样在后面的 Python 请求里会直接用到。
如果你打算长期在编码场景里用，比如让模型持续帮你生成 SQL、补全脚本，可以看 Coding Plan 页面 https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding-plan&utm_campaign=rewrite ，它面向的是需要稳定调用通道的开发者。Claude Code 相关的接入说明在 https://taotoken.net/claude-code-anthropic?utm_source=taotoken_aicg_blog_end&utm_content=claudecode&utm_campaign=rewrite ，如果你用 Claude Code 写 Python，可以按那里的配置把 Base URL 和 Key 填进去。
这里要强调一点：TaoToken 是 API 通道，不是数据库工具，也不替代你的编辑器。它的定位是让你在脚本里多一个「生成 SQL 语句」的能力，数据库本身还是 Python 标准库的sqlite3在管。把这两件事分清楚，后面的代码才不会写混。
3. 可复制配置：连接、建表与参数化写入
先给出一份可以直接复制运行的配置。假设你把数据库文件放在当前目录下的test.db3，表结构是学生表Student，字段为Stuid、Age、Name。注意 SQLite 的类型是动态的，但建表时写清楚类型有助于可读性。
import sqlite3 # 连接：文件不存在则自动创建 con = sqlite3.connect('test.db3') cur = con.cursor() # 建表：IF NOT EXISTS 避免重复执行报错 cur.execute(''' CREATE TABLE IF NOT EXISTS Student( Stuid TEXT PRIMARY KEY, Age INTEGER, Name TEXT ) ''') con.commit()这里有个细节：原笔记里写的是INTERGER，这是拼写错误，SQLite 不会报错但类型亲和性会按 NUMERIC 处理。建议统一写成INTEGER。另外Stuid设成主键可以防止重复插入同一条学号，配合后面的INSERT OR REPLACE或异常捕获会更稳。
批量插入用executemany比循环execute更简洁，也更符合 Python 的风格：
mylist = [ ("00003", 20, "David"), ("00004", 21, "Richard"), ("00005", 22, "qxzy"), ] cur.executemany( 'INSERT OR REPLACE INTO Student VALUES(?, ?, ?)', mylist ) con.commit()参数化写入的关键是?占位符，不要把变量用字符串拼接塞进 SQL，那样既有注入风险，也会在遇到引号时出错。INSERT OR REPLACE在主键冲突时会替换旧行，适合「重复跑同一批数据」的场景。
如果你想让模型帮你生成建表语句，可以在脚本里加一段请求。下面是一个最小可用的调用片段，Base URL、Key、Model ID 三件套都在里面：
import json import urllib.request API_KEY = "你的_TaoToken_Key" BASE_URL = "https://taotoken.net/api" MODEL_ID = "你的_Model_ID" prompt = "用SQLite语法写一条建表语句，表名Student，字段Stuid TEXT主键、Age INTEGER、Name TEXT，只输出SQL。" req = urllib.request.Request( f"{BASE_URL}/chat/completions", data=json.dumps({ "model": MODEL_ID, "messages": [{"role": "user", "content": prompt}] }).encode("utf-8"), headers={ "Content-Type": "application/json", "Authorization": f"Bearer {API_KEY}" }, method="POST" ) with urllib.request.urlopen(req) as resp: result = json.loads(resp.read().decode("utf-8")) sql_text = result["choices"][0]["message"]["content"] print(sql_text)拿到sql_text后，你可以人工确认再执行，也可以直接cur.execute(sql_text)。建议先打印出来看一眼，模型偶尔会加注释或多余空格，直接执行可能报语法错。
4. 验证请求与成功结果：查询、fetchone 与 fetchall
数据写进去之后，必须验证。最直接的方式是SELECT然后打印。SQLite 默认返回的文本在 Python3 里已经是str，不需要像旧版本那样设置con.text_factory = str，但如果你从老代码迁移过来，保留这行也不会出错。
cur.execute('SELECT * FROM Student ORDER BY Stuid') print("fetchone:", cur.fetchone()) print("fetchall:", cur.fetchall())fetchone()取第一行，fetchall()取剩余全部。注意游标是有状态的，第一次fetchone之后，fetchall不会重复返回第一行。实测下来，输出类似：
fetchone: ('00001', 20, 'Lucy') fetchall: [('00002', 21, 'Lily'), ('00003', 20, 'David'), ('00004', 21, 'Richard'), ('00005', 22, 'qxzy')]如果你用executemany插入了 3 条，加上原来的 2 条，总共 5 条，顺序按Stuid排。这里可以做一个校验动作：统计行数是否等于预期。
cur.execute('SELECT COUNT(*) FROM Student') count = cur.fetchone()[0] assert count == 5, f"预期5条，实际{count}条" print("行数校验通过:", count)异常回滚也要验证。故意插入一条主键重复的数据，观察事务行为：
try: cur.execute('INSERT INTO Student VALUES(?, ?, ?)', ("00001", 99, "Dup")) con.commit() except sqlite3.IntegrityError as e: con.rollback() print("捕获异常并回滚:", e)因为Stuid是主键，重复插入会触发IntegrityError，rollback()保证这条脏数据不会进库。再查一次COUNT(*)，仍然是 5，说明回滚生效。这一步是很多人写脚本时忽略的：没有回滚，异常之后连接状态可能不一致，后续查询会拿到意外结果。
最后别忘了关闭游标和连接：
cur.close() con.close()如果你在 with 语句里用连接，Python 会在退出时自动提交或回滚，但显式关闭更清晰。对于长期运行的小工具，建议把连接封装成函数，用完就关，避免文件被占用。
5. 本篇常见错排查：401、local proxy failed 与 reading choices
这一节对照真实会遇到的报错，逐个说清楚原因和动作。
401 Unauthorized：调用 TaoToken 接口时返回 401，基本是 Key 不对或请求头没带对。检查Authorization是不是Bearer加你的 Key，中间有空格。Key 是否复制完整，有没有多余换行。如果 Key 刚创建，确认没有在控制台被删除。API Keys 页面在 https://taotoken.net/console/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api-keys&utm_campaign=rewrite ，可以重新生成一个再试。
local proxy failed：这个报错通常出现在你本地网络环境有额外代理设置时。脚本里的urllib会读取系统代理，如果代理不可用就会失败。解决方式是显式禁用代理，或者在请求里指定proxies={}。注意这里说的是本地网络配置问题，不是让你去搭什么通道，只是把系统里多余的代理项关掉。代码层面可以这样：
proxy_handler = urllib.request.ProxyHandler({}) opener = urllib.request.build_opener(proxy_handler) urllib.request.install_opener(opener)reading choices 相关报错：如果你在解析返回时写result["choices"]却报 KeyError，先打印完整result看结构。有些错误返回是{"error": {...}}，没有choices字段。常见原因是 Model ID 写错，或者请求体里messages格式不对。确认 Model ID 从模型对话页面复制，地址是 https://taotoken.net/models?utm_source=taotoken_aicg_blog_end&utm_content=model-chat&utm_campaign=rewrite 。
OAuth 相关提示：如果你用 Claude Code 接入，遇到 OAuth 报错，检查配置文件里的 Base URL 和 Key 是否填对。Claude Code 的接入说明在 https://taotoken.net/claude-code-anthropic?utm_source=taotoken_aicg_blog_end&utm_content=claudecode&utm_campaign=rewrite ，按里面的三件套填：Base URL、Key、Model ID。缺任何一个都会鉴权失败。
sqlite3.OperationalError: no such table：建表语句没执行成功，或者连接到了另一个数据库文件。检查connect()的路径，相对路径是相对于脚本运行目录，不是脚本所在目录。建议用绝对路径或os.path.dirname(__file__)拼接。
sqlite3.ProgrammingError: You can only execute one statement at a time：execute一次只能跑一条 SQL，多条语句要分开执行，或者用executescript。模型生成的 SQL 如果带了多条，先拆分再执行。
6. 语义一致 CTA：把统一 Key 用进你的下一个脚本
到这里，本地落库的链路已经跑通：连接、建表、参数化写入、事务提交、查询校验、异常回滚，每一步都有可复制的代码。模型生成 SQL 的那段调用，用的是 TaoToken 的统一 Key 和 API 通道，Base URL 是https://taotoken.net/api，三件套填对就能用。
如果你接下来要排障或者接入更多模型，先去 API Keys 页面把 Key 管好：https://taotoken.net/console/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api-keys&utm_campaign=rewrite 。接入文档在 https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite ，请求格式和返回结构都在里面。想先验证模型输出是否稳定，可以去模型对话页面试几条 SQL 生成：https://taotoken.net/models?utm_source=taotoken_aicg_blog_end&utm_content=model-chat&utm_campaign=rewrite 。如果你打算长期在编码和 Agent 场景里用，Coding Plan 页面在 https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding-plan&utm_campaign=rewrite 。
最后给一个实用技巧：把数据库路径、表名、字段名做成常量放在脚本顶部，模型生成 SQL 时把表结构一起塞进 prompt，这样返回的语句和你的实际表结构一致，不用每次手动改。跑完记得commit()，异常记得rollback()，游标和连接记得关。
