当前位置：首页 > news >正文

从零开始，在Python项目中用Taotoken实现一个多轮对话机器人

news 2026/5/24 17:52:33

🚀 告别海外账号与网络限制！稳定直连全球优质大模型，限时半价接入中。 👉 点击领取海量免费额度

从零开始，在Python项目中用Taotoken实现一个多轮对话机器人

本文将引导你完成一个完整的入门实践项目：使用Python和Taotoken平台，构建一个简单的命令行多轮对话机器人。你将学习如何安装必要的库、配置Taotoken的API访问、编写核心的对话逻辑，并最终得到一个可以持续交互的原型程序。整个过程聚焦于可执行的步骤，帮助你快速上手。

1. 项目准备与环境搭建

开始之前，你需要确保拥有一个可用的Python环境（建议使用Python 3.8或更高版本）以及一个Taotoken账户。如果尚未注册，可以访问Taotoken官网创建账户。

首先，为项目创建一个新的目录并初始化虚拟环境，这有助于隔离项目依赖。打开你的终端或命令行工具，执行以下命令：

mkdir taotoken-chatbot && cd taotoken-chatbot python -m venv venv

激活虚拟环境。在Windows系统上，使用venv\Scripts\activate；在macOS或Linux系统上，使用source venv/bin/activate。

接下来，安装本项目唯一必需的第三方库：OpenAI官方Python SDK。Taotoken提供与OpenAI兼容的API，因此我们可以直接使用这个熟悉的SDK进行调用。

pip install openai

至此，你的开发环境已经准备就绪。

2. 获取并配置Taotoken API密钥与端点

要调用Taotoken的API，你需要两样东西：API密钥和正确的API端点地址。

登录Taotoken控制台，在“API密钥”管理页面，你可以创建一个新的密钥。请妥善保管这个密钥，它代表了你的调用权限和计费凭证。同时，在“模型广场”页面，浏览并选择你想要使用的模型，例如claude-sonnet-4-6或gpt-4o-mini，记下其模型ID。

在代码中配置这些信息时，我们遵循Taotoken对于OpenAI兼容SDK的Base URL规范：https://taotoken.net/api。这是最关键的一步，错误的端点地址将导致连接失败。

为了避免将密钥硬编码在代码中，一个良好的实践是使用环境变量。你可以在终端中临时设置，或者创建一个.env文件来管理（需要安装python-dotenv包）。为了简化本教程，我们将在代码中直接配置，但在实际项目中强烈建议使用环境变量。

3. 编写核心对话逻辑

现在，让我们开始编写机器人的核心代码。创建一个名为chatbot.py的文件。

首先，导入必要的模块并初始化OpenAI客户端。请将YOUR_API_KEY替换为你从Taotoken控制台获取的真实API密钥。

from openai import OpenAI # 初始化客户端，指定Taotoken的API端点和你的密钥 client = OpenAI( api_key="YOUR_API_KEY", # 请替换为你的实际API Key base_url="https://taotoken.net/api", # Taotoken OpenAI兼容端点 )

接下来，我们需要维护一个对话历史列表。在OpenAI的聊天补全API中，messages参数是一个字典列表，每个字典包含role（角色，如”user”、”assistant”）和content（内容）。我们将初始化一个空列表，并在每轮对话中更新它。

然后，编写一个主循环函数，持续接收用户输入、调用API并打印助手回复。

def main(): # 初始化对话历史 messages = [] print("Taotoken多轮对话机器人已启动。输入‘退出’或‘quit’结束对话。\n") while True: # 获取用户输入 user_input = input("你: ") if user_input.lower() in ["退出", "quit"]: print("对话结束。") break # 将用户输入添加到对话历史 messages.append({"role": "user", "content": user_input}) try: # 调用Taotoken聊天补全API response = client.chat.completions.create( model="claude-sonnet-4-6", # 替换为你选择的模型ID messages=messages, stream=False, # 为简化示例，关闭流式输出 max_tokens=500, ) # 获取助手回复 assistant_reply = response.choices[0].message.content print(f"\n助手: {assistant_reply}\n") # 将助手回复添加到对话历史，以便进行下一轮对话 messages.append({"role": "assistant", "content": assistant_reply}) except Exception as e: print(f"\n调用API时出现错误: {e}\n") # 可以选择移除最后一次用户输入，或进行其他错误处理 # messages.pop() if __name__ == "__main__": main()

这段代码实现了一个基本的交互流程。client.chat.completions.create方法的核心参数是model和messages。我们将累积的messages列表传入，API会根据整个上下文生成助手的下一次回复。错误处理模块可以捕获网络或API错误，避免程序意外崩溃。