1. 运维脚本写不动，卡在哪一步
刚接触运维自动化的新人，最常遇到的不是“不想写”，而是“不知道从哪一行开始写”。需求明明很清楚：每天凌晨把数据库备份一下、把超过 30 天的日志清掉、服务挂了自动重启。可一旦打开终端，脑子里就只剩下一堆零散的符号：$?、&&、2>&1、set -e，还有 Python 里那一长串subprocess.run(...)的参数。
我见过太多这样的场景。一个刚转岗做运维的同学，为了写一个“清理临时文件”的脚本，翻了两个小时文档，最后写出来的东西还是把/tmp下的目录一起删了。问题不在于他不努力，而在于 Bash 和 Python 的“样板代码”太多，而新人缺的恰恰是把自然语言需求翻译成可运行代码的那一层。
AI 生成脚本这件事，本质上就是补上这一层。你用中文说清楚“做什么”，模型负责“怎么做”，你负责审核和运行。听起来简单，但真正跑通链路的人不多，原因通常有三个：一是模型接口东一个西一个，Key 管理混乱；二是提示词太随意，生成的脚本缺错误处理、缺日志、缺 dry-run；三是生成完不敢执行，怕一条rm -rf把机器搞崩。
这篇就按“自然语言描述需求 → AI 生成可运行 Bash/Python 脚本 → 本地终端实际执行验证”的完整链路来写。核心工具是 TaoToken 统一 Key，它把模型调用收敛成一个 Base URL 加一个 Key，你不用在多个平台之间来回切换。下面从配置到生成到验证，一步步来，新人也能跟着跑通第一个自动化脚本。
先说清楚适合谁：如果你能打开终端、会敲ls和cd，但写脚本时总是卡在语法和错误处理上，那这篇就是给你写的。如果你已经能熟练手写 Bash，也可以看看提示词模板那部分，用来提升生成脚本的可靠性。
2. TaoToken 统一 Key 前置准备与模型选择
在让 AI 写脚本之前，得先有一个稳定的模型调用入口。很多新人卡在这一步：注册了三四个平台，每个平台一个 Key，写脚本时不知道该用哪个，环境变量里塞了一堆XXX_API_KEY，最后自己都分不清。TaoToken 的做法是把入口统一成一个 Base URL 和一个 Key，模型通过 Model ID 来切换，配置层面干净很多。
先明确三个东西，后面所有配置都围绕它们：
| 配置项 | 值 | 说明 |
|---|---|---|
| Base URL | https://taotoken.net/api | 所有请求的统一入口，不要加 UTM |
| API Key | 在控制台创建 | 形如sk-...，只显示一次，记得保存 |
| Model ID | 按需选择 | 生成脚本建议用代码能力强的模型 |
获取 Key 的路径是：打开官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，进入控制台，在 API Keys 页面创建一个新 Key。创建时给它起个能认出来的名字，比如ops-script-gen，方便以后区分用途。Key 只在创建时完整显示一次，复制后先存到密码管理器里。
模型选择上，生成 Bash/Python 脚本对模型的代码能力要求比较高。实测下来，代码专精的模型在错误处理、边界条件、日志输出这些细节上明显更稳。你可以在模型对话页面先试几个 Model ID，用同一段需求对比输出质量，选一个你觉得最顺手的固定下来。模型对话入口：https://taotoken.net/api?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=model-chat
如果你打算长期用 AI 辅助编码，甚至让它参与 Agent 类的自动化任务，可以了解一下 Coding Plan，它在调用额度和模型调度上更适合高频场景：https://taotoken.net/api?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=coding-plan
这里要提醒一句：Key 是敏感信息，不要写死在脚本里提交到 Git。正确做法是放进环境变量，或者用.env文件并加入.gitignore。下面配置片段里我会用环境变量的方式，你照着改就行。
3. 可复制配置：环境变量与 settings 片段
配置这一步的目标是：让本地终端和编辑器都能用同一个 Key 调用模型。我把它拆成两部分，一部分是终端环境变量，一部分是编辑器/工具的配置文件。你按自己的工具选对应的片段复制即可。
先配终端环境变量。打开你的 shell 配置文件，Bash 用户是~/.bashrc，Zsh 用户是~/.zshrc，在末尾追加：
# TaoToken 统一入口配置 export TAOTOKEN_BASE_URL="https://taotoken.net/api" export TAOTOKEN_API_KEY="sk-你的Key粘贴在这里" export TAOTOKEN_MODEL="你的ModelID"保存后执行source ~/.bashrc（或source ~/.zshrc）让它生效。验证一下：
echo $TAOTOKEN_BASE_URL echo $TAOTOKEN_MODEL能打印出对应值就说明环境变量配好了。注意 Key 那一行不要带多余空格，也不要加引号以外的字符。
如果你用的是支持 OpenAI 兼容接口的编辑器或 CLI 工具，通常需要一个 JSON 或 TOML 配置文件。以常见的settings.json形式为例，路径按你工具的实际要求放，内容结构如下：
{ "models": [ { "title": "TaoToken Script Gen", "provider": "openai", "baseURL": "https://taotoken.net/api", "apiKey": "sk-你的Key粘贴在这里", "model": "你的ModelID" } ] }如果你用的是 TOML 风格的配置（比如某些 CLI 工具），等价写法是：
[model] base_url = "https://taotoken.net/api" api_key = "sk-你的Key粘贴在这里" model_id = "你的ModelID"这里有个关键点：Base URL 一定是https://taotoken.net/api，不要在后面拼/v1之类的路径，除非你的工具明确要求。很多 401 和 404 报错都是因为路径拼错了。Key 和 Model ID 三件套必须同时正确，缺一个都会失败。
配置完成后，建议先用一个最小请求验证连通性，再进入脚本生成环节。验证命令在下一节给出。
4. 验证请求：从自然语言到可运行脚本
配置好了，先别急着写复杂脚本。用一个最小请求确认链路通了，再上真实需求。这一步我会给你一个可复制的 curl 验证命令，然后给一个完整的“自然语言 → 脚本 → 执行”的例子。
先验证接口连通。在终端执行：
curl -s https://taotoken.net/api/chat/completions \ -H "Authorization: Bearer $TAOTOKEN_API_KEY" \ -H "Content-Type: application/json" \ -d '{ "model": "'"$TAOTOKEN_MODEL"'", "messages": [ {"role": "user", "content": "用一句话说明你能做什么"} ] }'如果返回里能看到模型回复的内容，说明 Base URL、Key、Model ID 三件套都对。如果报 401，检查 Key 是否复制完整；如果报 model not found，检查 Model ID 拼写。
链路通了之后，进入正题。我准备了一个提示词模板，专门用来生成运维脚本，核心是强制模型输出安全、健壮、带 dry-run 的代码：
你是一名资深 DevOps 工程师。请根据下面的需求生成一个可运行的脚本。 要求： 1. 优先用 Python，除非需求明确要求 Bash 2. 必须包含错误处理，检查命令退出码 3. 必须有日志输出，记录关键步骤 4. 必须支持 --dry-run 参数，预览将要执行的操作 5. 禁止使用 rm -rf /、chmod 777 等危险操作 6. 所有路径用变量或 Pathlib 管理，不要硬编码散落各处 7. 关键步骤加注释 需求：{{在这里写你的自然语言需求}}把这段模板存成一个文件，比如prompt-template.txt，以后每次生成脚本时替换{{...}}部分。现在用一个真实需求跑一遍：清理/tmp下超过 7 天没被访问的临时文件，但保留.sock结尾的文件。
把需求填进模板，调用模型生成脚本。生成的 Python 脚本大致长这样：
#!/usr/bin/env python3 """清理 /tmp 下超过 7 天未访问的临时文件，保留 .sock 文件。""" import argparse import logging import os import time from pathlib import Path TMP_DIR = Path("/tmp") MAX_AGE_DAYS = 7 KEEP_SUFFIX = ".sock" def setup_logging(): logging.basicConfig( level=logging.INFO, format="%(asctime)s - %(levelname)s - %(message)s" ) def find_stale_files(dry_run=False): cutoff = time.time() - MAX_AGE_DAYS * 86400 removed = 0 for f in TMP_DIR.iterdir(): if not f.is_file(): continue if f.suffix == KEEP_SUFFIX: continue try: if f.stat().st_atime < cutoff: if dry_run: logging.info("[DRY RUN] 将删除: %s", f) else: f.unlink() logging.info("已删除: %s", f) removed += 1 except FileNotFoundError: continue logging.info("共处理 %d 个文件", removed) def main(): parser = argparse.ArgumentParser(description="清理 /tmp 旧文件") parser.add_argument("--dry-run", action="store_true", help="预览模式") args = parser.parse_args() setup_logging() find_stale_files(dry_run=args.dry_run) if __name__ == "__main__": main()拿到脚本后，先存成clean_tmp.py，然后先跑 dry-run：
python3 clean_tmp.py --dry-rundry-run 会打印出“将删除”哪些文件，你核对一遍，确认没有误伤。确认无误后，去掉--dry-run真正执行：
python3 clean_tmp.py执行完再ls /tmp看一眼，确认旧文件被清掉、.sock文件还在。这就是完整链路：自然语言 → 生成 → dry-run 核对 → 实际执行 → 结果验证。整个过程你不需要手写一行代码，但每一步都在你的控制之下。
5. 常见报错排查：401、local proxy failed、reading choices
链路跑通之前，报错是难免的。这一节把最常见的几类错误和排查方法列出来，你对照着看。
401 Unauthorized。这是最高频的错误，几乎都是 Key 的问题。排查顺序：第一，确认TAOTOKEN_API_KEY环境变量真的生效了，用echo $TAOTOKEN_API_KEY看有没有值；第二，确认 Key 没有多余空格或换行，复制时容易带上；第三，确认请求头里是Authorization: Bearer sk-...，Bearer 和 Key 之间有一个空格。如果用的是配置文件，检查 JSON 里 Key 字段有没有写错位置。
local proxy failed / connection refused。这类错误通常出现在你本地有代理工具或者工具配置了错误的 Base URL 时。先确认 Base URL 是https://taotoken.net/api，没有多余路径。然后检查你的工具是否配置了本地代理，如果有，确认代理规则没有把taotoken.net拦截掉。终端里可以用curl -v https://taotoken.net/api看连接过程，如果卡在连接阶段，就是网络层的问题。
reading choices / choices 字段为空。这个报错说明请求发出去了，但返回结构里没有choices字段。常见原因有两个：一是 Model ID 写错了，模型不存在，返回的是错误信息而不是正常响应；二是请求体格式不对，比如messages数组为空。排查方法是把 curl 命令加上-v看完整返回，或者把返回内容打印出来看error字段说了什么。
OAuth / token 过期类错误。如果你用的是某些需要 OAuth 的工具，可能会遇到 token 过期。TaoToken 的 Key 是长期有效的，不存在 OAuth 刷新问题，所以如果你看到 OAuth 相关报错，大概率是工具本身在走它自己的认证流程，检查工具的认证配置是否指向了正确的 Base URL 和 Key。
模型返回的脚本有危险命令。这不是报错，但比报错更危险。生成脚本后，养成先扫一遍的习惯，重点看有没有rm -rf、chmod 777、dd、mkfs这类命令。提示词模板里已经加了禁止要求，但模型偶尔还是会漏，人工审核这一步不能省。
排查的时候记住一个原则：先确认三件套（Base URL、Key、Model ID），再看网络，最后看请求体格式。90% 的问题出在三件套上。
6. 把 AI 脚本生成接入你的日常工作流
跑通第一个脚本之后，你可以把这套流程固化下来，变成日常习惯。我的做法是建一个ops-scripts目录，里面放三样东西：提示词模板、生成的脚本、一个README记录每个脚本的用途和验证结果。每次有新需求，先写自然语言描述，套模板生成，dry-run 验证，再正式跑。
对于高频重复的需求，比如“每天备份数据库”“每周清理日志”，可以把生成的脚本挂到 cron 里。挂之前一定确认脚本在手动执行时输出正常，并且日志有地方落盘，方便出问题时回溯。cron 的环境变量和交互式 shell 不一样，脚本里用到的环境变量要么写进脚本，要么在 crontab 里显式声明。
如果你想让 AI 参与更复杂的运维流程，比如根据监控告警自动生成诊断脚本，可以看看 Coding Plan 的能力，它在多轮调用和 Agent 场景下更顺手：https://taotoken.net/api?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=coding-plan
需要提醒的是，AI 生成脚本是提效手段，不是替代审核的理由。任何要上生产的脚本，尤其是涉及删除、重启、权限变更的，都必须经过 dry-run 和人工确认。把 AI 当成一个写代码很快但需要你把关的助手，这个定位最稳。
最后给你一个可以立刻动手的小任务：用本文的提示词模板，生成一个“统计当前目录下各类型文件数量并排序输出”的脚本，先 dry-run，再执行，看看输出对不对。跑通这个，你就已经掌握了整条链路。
