1. 为什么 Python 连 MySQL 总在配置上翻车
如果你写过 Python 操作数据库的脚本，大概率经历过这样的循环：本地跑得好好的，换台机器就报Access denied；SQL 写错了要来回改半天；想接个 AI 帮忙生成 SQL，结果每个工具都要单独配一套 Key，管理起来一团乱。
这篇就聚焦一个很具体的场景：用 Python 通过 pymysql 或 sqlalchemy 连接 MySQL，同时用 TaoToken 统一 Key 打通 AI 辅助生成与校验 SQL 的链路。说白了，就是让你写 SQL 这件事从"手搓 + 试错"变成"AI 起草 + 你审核 + 直接执行"。
适合谁看：会一点 Python 基础、正在做数据脚本或后端小项目、想让 AI 帮忙写 SQL 但不想在 Key 管理上折腾的人。全程给可复制的配置骨架和参数模板，跟着改就能跑。
核心检索词先摆出来：python 数据库交互、pymysql 连接 MySQL、sqlalchemy 配置、AI 辅助 SQL 生成、统一 API Key 管理。下面按"先跑通连接 → 再接 AI 通道 → 验证 → 排错"的顺序走。
2. TaoToken 前置：统一 Key 与 API 通道准备
在写代码之前，先把"通道"这件事理清楚。传统做法是每个 AI 工具配一个 Key，散落在环境变量、配置文件、IDE 插件里，换工具就得重新找。TaoToken 的思路是提供一个统一的 API 通道，你只需要维护一份 Key，Python 脚本、编辑器插件、命令行工具都指向同一个入口。
你需要准备的东西：
- 一个 TaoToken 账号，登录后进入控制台
- 在控制台里创建一个 API Key（建议按用途命名，比如
python-sql-helper，方便后面区分） - 记下 API 的基础地址：
https://taotoken.net/api
控制台入口在这里：https://taotoken.net/console?utm_source=taotoken_aicg_blog_end&utm_content=console&utm_campaign=rewrite
创建 Key 的页面：https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api-keys&utm_campaign=rewrite
注意：Key 只显示一次，创建后立刻复制到安全的地方。不要直接硬编码进 Git 仓库，后面配置里我们用环境变量或独立配置文件承载。
如果你后面打算长期用 AI 辅助编码（不只是生成 SQL，还包括写 Python 逻辑、改 bug），可以了解一下 Coding Plan，它更适合高频编码场景：https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding-plan&utm_campaign=rewrite
接入文档在这里，遇到参数不确定时对照查：https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite
前置准备就这些，不复杂。关键是记住两点：一份 Key 走天下，以及API 地址统一用https://taotoken.net/api。
3. 可复制配置：config.toml 与 settings.json 骨架
这一节给两份配置骨架，一份给 Python 项目用（config.toml），一份给编辑器/工具链用（settings.json）。两者都指向同一个 TaoToken Key，避免重复维护。
3.1 config.toml：数据库 + AI 通道参数
# config.toml # Python 数据库交互 + AI 辅助 SQL 配置骨架 [database] host = "127.0.0.1" port = 3306 user = "your_db_user" password = "your_db_password" database = "your_db_name" charset = "utf8mb4" # 连接池相关（sqlalchemy 场景使用） pool_size = 5 max_overflow = 10 pool_recycle = 3600 [ai] # TaoToken 统一通道 api_base = "https://taotoken.net/api" api_key = "sk-your-taotoken-key" model = "your-preferred-model" timeout = 30 [sql] # SQL 生成与校验的行为开关 auto_validate = true max_retry = 2几个参数说明一下。charset用utf8mb4而不是utf8，因为后者在 MySQL 里其实是三字节的，存 emoji 或部分生僻字会出问题，这个坑我踩过。pool_recycle设成 3600 是为了避免连接被 MySQL 服务端主动断开后拿到失效连接，尤其在长时间运行的脚本里很关键。
3.2 settings.json：工具链侧配置
{ "taotoken": { "api_base": "https://taotoken.net/api", "api_key": "sk-your-taotoken-key", "default_model": "your-preferred-model" }, "sql_helper": { "dialect": "mysql", "auto_format": true, "explain_before_run": true } }dialect指定为mysql，这样 AI 生成 SQL 时会按 MySQL 语法来，不会给你冒出LIMIT 1 OFFSET 0之外的 PostgreSQL 特有写法。explain_before_run打开后，执行前会先让 AI 解释一遍这条 SQL 在做什么，适合审核阶段用。
3.3 读取配置的 Python 代码
import tomllib from pathlib import Path def load_config(path: str = "config.toml") -> dict: with open(Path(path), "rb") as f: return tomllib.load(f) cfg = load_config() db_cfg = cfg["database"] ai_cfg = cfg["ai"] print(f"DB host: {db_cfg['host']}, AI base: {ai_cfg['api_base']}")tomllib是 Python 3.11 起内置的，如果你用的是更早版本，装个tomli就行，用法一样。跑一下能打印出配置内容，说明读取没问题。
4. 连接与验证：pymysql 与 sqlalchemy 两条路
配置好了，接下来分两条路验证：轻量的 pymysql 和工程化的 sqlalchemy。你可以按项目规模选。
4.1 pymysql 直连验证
import pymysql conn = pymysql.connect( host=db_cfg["host"], port=db_cfg["port"], user=db_cfg["user"], password=db_cfg["password"], database=db_cfg["database"], charset=db_cfg["charset"], cursorclass=pymysql.cursors.DictCursor, ) try: with conn.cursor() as cur: cur.execute("SELECT VERSION() AS v") print("MySQL version:", cur.fetchone()) finally: conn.close()DictCursor让结果以字典返回，比默认的元组好读很多。跑通后你会看到类似{'v': '8.0.xx'}的输出，说明连接链路是通的。
4.2 sqlalchemy 引擎方式
from sqlalchemy import create_engine, text url = ( f"mysql+pymysql://{db_cfg['user']}:{db_cfg['password']}" f"@{db_cfg['host']}:{db_cfg['port']}/{db_cfg['database']}" f"?charset={db_cfg['charset']}" ) engine = create_engine( url, pool_size=db_cfg["pool_size"], max_overflow=db_cfg["max_overflow"], pool_recycle=db_cfg["pool_recycle"], future=True, ) with engine.connect() as conn: result = conn.execute(text("SELECT 1 AS ok")) print(result.fetchone())sqlalchemy 2.x 里推荐用text()包裹原生 SQL，直接传字符串会警告。future=True保证用 2.0 风格的行为。
4.3 接入 AI 生成 SQL 的调用骨架
这一步把 TaoToken 通道用起来，让 AI 根据自然语言生成 SQL，再拿回来执行。
import requests def generate_sql(prompt: str) -> str: resp = requests.post( f"{ai_cfg['api_base']}/v1/chat/completions", headers={ "Authorization": f"Bearer {ai_cfg['api_key']}", "Content-Type": "application/json", }, json={ "model": ai_cfg["model"], "messages": [ {"role": "system", "content": "你是 MySQL SQL 生成助手，只输出 SQL，不要解释。"}, {"role": "user", "content": prompt}, ], }, timeout=ai_cfg["timeout"], ) resp.raise_for_status() return resp.json()["choices"][0]["message"]["content"].strip() sql = generate_sql("查询 users 表中最近 7 天注册的用户，按注册时间倒序") print(sql)拿到 SQL 后，用前面的engine.connect()执行即可。这样一条"自然语言 → SQL → 执行"的链路就通了，而 Key 只有一份，来自config.toml的[ai]段。
如果你想先在网页里手动试几条 prompt，看看模型生成 SQL 的质量，可以用模型对话页面：https://taotoken.net/chat?utm_source=taotoken_aicg_blog_end&utm_content=chat&utm_campaign=rewrite
5. 常见报错排查清单
跑不通的时候，按这个清单从上往下查，基本能定位到问题。
报错一：Access denied for user 'xxx'@'localhost'
先确认config.toml里的user和password没写错，注意别把密码里的特殊字符漏了。如果确认无误，去 MySQL 里查一下这个用户的授权主机：
SELECT user, host FROM mysql.user WHERE user = 'your_db_user';如果host是localhost而你是从别的机器连的，就会拒绝。需要改成%或对应 IP 段，并FLUSH PRIVILEGES。
报错二：Can't connect to MySQL server on '127.0.0.1'
服务没起，或者端口不对。先systemctl status mysql看服务状态，再确认port是不是 3306。如果是容器环境，注意端口映射有没有做。
报错三：Unknown charset: utf8mb4
MySQL 版本太老（5.5 以前）不支持utf8mb4。要么升级，要么临时改成utf8，但要注意字符存储限制。
报错四：AI 返回 401 或 403
Key 不对或没带上。检查Authorization头是不是Bearer sk-xxx格式，中间有空格。另外确认api_base是https://taotoken.net/api，不要多加或漏掉路径段。
报错五：AI 返回的 SQL 带 markdown 代码块标记
模型有时会输出sql ...包裹的内容。执行前做一次清洗：
import re def clean_sql(raw: str) -> str: return re.sub(r"^```(?:sql)?|```$", "", raw.strip(), flags=re.MULTILINE).strip()报错六：Lost connection to MySQL server during query
长查询或网络抖动导致。把pool_recycle调小一点，或者在 sqlalchemy 里开pool_pre_ping=True，每次取连接前先 ping 一下。
报错七：sqlalchemy.exc.ArgumentError: Textual SQL expression should be explicitly declared as text()
sqlalchemy 2.x 的强制要求，把裸字符串用text()包起来就行，前面示例里已经这么做了。
排查时如果拿不准 API 参数格式，直接翻接入文档对照：https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite
6. 把这条链路用顺手的几个建议
配置跑通只是起点，真正省时间的是把"生成 → 校验 → 执行"变成肌肉记忆。我自己的做法是：AI 生成的 SQL 不直接执行，先跑一遍EXPLAIN，看有没有全表扫描；确认没问题再真正跑。这样既享受了 AI 起草的速度，又不会因为一条没加索引的查询把库拖慢。
另外，Key 的管理别偷懒。config.toml和settings.json都指向同一份 TaoToken Key，改一处就够。如果团队协作，把 Key 放环境变量，配置文件里只留占位符，避免误提交。
需要长期在编码场景里高频用 AI 的话，Coding Plan 会比按次调用更划算，接入方式和你现在配的通道一致：https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding-plan&utm_campaign=rewrite
最后留一个实用技巧：给 AI 的 system prompt 里加上你的表结构 DDL，生成的 SQL 字段名就不会瞎编。表结构不用全给，只给相关的那几张表就行，既省 token 又提准确率。
