1. 从 Tkinter 到 AI 辅助病人信息管理系统为什么需要统一 Key用 Python 写病人信息管理系统很多人第一版都是 Tkinter pymssql 直连数据库登录窗口、病人登记、病例查询、医生管理一套界面堆下来能跑但真正上线到本地开发环境后问题会集中爆发。最典型的是三件事数据库连接参数散落在每个类里改一次密码要全局搜索替换AI 辅助录入、病历摘要、智能查询这些能力没有统一入口每接一个模型就多一套 Key 和 SDK配置文件格式混乱config.toml和settings.json各写一半新人拉下来根本不知道先改哪个。这篇面向的是需要快速跑通 AI 辅助录入与查询的 Python 开发者。目标很明确交付一份可复制的config.toml与settings.json骨架把数据库连接、TaoToken 统一 Key、模型通道收敛到一处再给出启动后验证病人信息增删改查是否生效的具体动作。你不需要推翻原来的 Tkinter 界面只需要把数据层和 AI 调用层抽出来接上统一通道即可。先说清楚 TaoToken 在这个系统里扮演什么角色。它提供的是统一的 API 通道和 Key 管理官网是 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 入口是 https://taotoken.net/api 。你可以把它理解成“一个 Key 走通多个模型”的网关病人登记时用 AI 做字段纠错、病例查询时用 AI 做自然语言转 SQL 草稿、医生录入时用 AI 做摘要这些调用都走同一个 Key不用在代码里塞五六个厂商的密钥。对本地开发场景来说这能省掉大量配置切换的时间。需要提前说明的是本文所有操作都在本地开发环境完成数据库用你现有的 SQL Server 或换成 SQLite 都行重点是配置骨架和验证流程。下面从原问题拆解开始一步步把可复制的配置和验证动作给出来。2. 原问题与场景Tkinter 直连数据库的三个坑先复盘一下传统写法的痛点这样你才知道配置骨架要解决什么。参考的原始代码里dbTools()函数在每个类里被反复调用连接字符串pymssql.connect(DESKTOP-9NADTHD, sa, shiyike, hospital)硬编码在函数体内。这意味着第一环境切换成本高。开发机、测试机、演示机的数据库地址不同每次换环境都要改代码。如果再加上 AI 模型的 Key配置项会膨胀到十几个散落在Login、RecordPatient、QueryPatient各个类里维护起来非常痛苦。第二AI 能力接入没有统一层。假设你想在病人登记时加一个“根据主诉自动填充科室”的功能传统做法是在RecordPatient._confirm()里直接调某个模型的 HTTP 接口。等你想换模型或者加一个“病历摘要”功能又要在AddPaList里再写一遍请求逻辑。Key 管理、超时重试、错误处理全部重复。第三配置格式不统一。有人用.ini有人用.json有人直接写 Python 常量。团队协作时config.toml和settings.json混用读取逻辑各写各的新人接手第一小时全花在找配置上。所以这篇的解法是把配置分成两层。config.toml管“连接类”信息——数据库地址、端口、账号、TaoToken 的 base_url 和 Key 引用settings.json管“业务类”信息——模型名称、超时时间、重试次数、AI 功能开关。两者通过一个ConfigLoader类统一读取业务代码只依赖这个 Loader不直接碰文件。场景落地是这样的你本地已经有一个能跑的 Tkinter 病人管理系统现在要加三个 AI 辅助功能——登记时字段校验、查询时自然语言转条件、病例录入时自动摘要。这三个功能都通过 TaoToken 统一 Key 调用配置全部收敛到两个文件里。下面先讲 TaoToken 的前置准备。3. TaoToken 前置Key 申请与通道确认在写配置骨架之前你需要先拿到统一 Key 并确认通道地址。这一步不复杂但有几个细节容易踩坑。首先访问官网 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 了解通道能力然后进入控制台创建 API Key。控制台入口是 https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewrite API Keys 管理页是 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi-keysutm_campaignrewrite 。创建时建议按用途命名比如patient-system-dev方便后续区分开发和生产。拿到 Key 之后确认两件事base_url 用https://taotoken.net/api不要带 UTM 参数这是给代码调用的干净地址模型名称要和你settings.json里写的一致。如果你不确定用哪个模型可以先到模型对话页 https://taotoken.net/chat?utm_sourcetaotoken_aicg_blog_endutm_contentchatutm_campaignrewrite 试一下确认通道通不通、返回格式是否符合预期。这里有个实操建议不要把 Key 直接写进config.toml提交到 Git。正确做法是config.toml里写占位符真实 Key 放在环境变量里Loader 读取时做一次替换。这样配置文件可以安全地进版本库Key 通过.env或系统环境变量注入。下面第 4 节的骨架就是按这个思路设计的。另外如果你的系统后续要做长期编码或 Agent 类功能比如自动生成病历模板、批量处理病人数据可以了解 Coding Plan https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite 它更适合持续性的编码任务。本文聚焦的是本地开发场景下的接入与验证先用按量调用跑通即可。4. 可复制配置config.toml 与 settings.json 骨架这一节是核心交付。先给目录结构再给两个文件的完整内容最后给 Loader 代码。你直接复制就能用。目录结构建议这样组织patient_system/ ├── config/ │ ├── config.toml │ └── settings.json ├── core/ │ ├── config_loader.py │ └── db.py ├── ai/ │ └── client.py ├── ui/ │ └── main_window.py └── main.pyconfig/config.toml负责连接类配置# config/config.toml # 数据库连接配置 [database] driver pymssql host 127.0.0.1 port 1433 user sa password ${DB_PASSWORD} # 从环境变量注入 database hospital charset utf8 timeout 5 # TaoToken 统一通道配置 [taotoken] base_url https://taotoken.net/api api_key ${TAOTOKEN_API_KEY} # 从环境变量注入 default_model claude-3-5-sonnet connect_timeout 10 read_timeout 60 max_retries 2 # 日志配置 [logging] level INFO file logs/patient_system.logconfig/settings.json负责业务类配置{ app: { name: 病人信息管理系统, version: 1.0.0, debug: true }, ai_features: { enable_field_validation: true, enable_nl_query: true, enable_record_summary: true }, model_params: { temperature: 0.2, max_tokens: 1024, top_p: 0.9 }, ui: { window_width: 500, window_height: 300, theme: default } }两个文件的分工要记清楚config.toml里的值会随环境变化所以用环境变量占位settings.json里的值是业务逻辑参数相对稳定可以直接写死。接下来是 Loader它负责把两者合并成一个可访问的对象# core/config_loader.py import os import json import tomllib from pathlib import Path class ConfigLoader: _instance None def __new__(cls, config_dirconfig): if cls._instance is None: cls._instance super().__new__(cls) cls._instance._load(config_dir) return cls._instance def _load(self, config_dir): base Path(config_dir) with open(base / config.toml, rb) as f: self.toml tomllib.load(f) with open(base / settings.json, r, encodingutf-8) as f: self.json json.load(f) self._resolve_env(self.toml) def _resolve_env(self, node): if isinstance(node, dict): for k, v in node.items(): if isinstance(v, str) and v.startswith(${) and v.endswith(}): env_key v[2:-1] node[k] os.environ.get(env_key, ) else: self._resolve_env(v) property def db(self): return self.toml[database] property def taotoken(self): return self.toml[taotoken] def ai_enabled(self, feature): return self.json[ai_features].get(feature, False) def model_params(self): return self.json[model_params]注意tomllib是 Python 3.11 起内置的如果你用 3.10 及以下换成tomli并pip install tomli即可。Loader 用单例模式保证全局只读一次文件避免每个类都去解析配置。数据库连接层也顺手抽出来替换掉原来散落的dbTools()# core/db.py import pymssql from core.config_loader import ConfigLoader class DB: def __init__(self): cfg ConfigLoader().db self.conn pymssql.connect( servercfg[host], usercfg[user], passwordcfg[password], databasecfg[database], portcfg[port], charsetcfg[charset], timeoutcfg[timeout], ) def cursor(self): return self.conn.cursor() def commit(self): self.conn.commit() def close(self): self.conn.close()这样RecordPatient、QueryPatient里只需要db DB()不再关心连接参数从哪来。配置骨架到这里就完整了下面进入 AI 客户端和验证环节。5. 接入 AI 辅助统一 Key 调用与增删改查验证配置就绪后写一个统一的 AI 客户端所有 AI 功能都走它。这样 Key 只在一处使用换模型只改settings.json。# ai/client.py import requests from core.config_loader import ConfigLoader class AIClient: def __init__(self): cfg ConfigLoader().taotoken self.base_url cfg[base_url].rstrip(/) self.api_key cfg[api_key] self.model cfg[default_model] self.timeout (cfg[connect_timeout], cfg[read_timeout]) self.max_retries cfg[max_retries] self.params ConfigLoader().model_params() def chat(self, prompt, systemNone): url f{self.base_url}/v1/chat/completions headers { Authorization: fBearer {self.api_key}, Content-Type: application/json, } messages [] if system: messages.append({role: system, content: system}) messages.append({role: user, content: prompt}) payload { model: self.model, messages: messages, temperature: self.params[temperature], max_tokens: self.params[max_tokens], top_p: self.params[top_p], } last_err None for _ in range(self.max_retries 1): try: resp requests.post(url, headersheaders, jsonpayload, timeoutself.timeout) resp.raise_for_status() return resp.json()[choices][0][message][content] except Exception as e: last_err e raise RuntimeError(fAI 调用失败: {last_err})现在把 AI 辅助接到病人登记流程里。原来的RecordPatient._confirm()只做非空校验现在加一层字段纠错把姓名、出生日期、性别丢给模型让它返回规范化后的 JSON。# ui/record_patient.py import json import tkinter as tk from tkinter import ttk, messagebox from core.db import DB from core.config_loader import ConfigLoader from ai.client import AIClient class RecordPatient: def __init__(self): self.root tk.Tk() self.root.title(病人登记) self.root.geometry(300x250) self.cmb ttk.Combobox(self.root, width10) self.cmb[values] (男, 女) self.cmb.current(0) self.name_label tk.Label(self.root, text姓名: ) self.birthdate_label tk.Label(self.root, text出生日期: \n(yyyy-mm-dd)) self.sex_label tk.Label(self.root, text性别: ) self.input_name tk.Entry(self.root, width12) self.input_birthdate tk.Entry(self.root, width12) self.okk_button tk.Button(self.root, text登记, width10, commandself._confirm) self._gui_arrang() def _gui_arrang(self): self.name_label.place(x20, y20) self.birthdate_label.place(x20, y80) self.sex_label.place(x20, y140) self.input_name.place(x160, y20) self.input_birthdate.place(x160, y80) self.cmb.place(x160, y140) self.okk_button.place(x90, y180) def _confirm(self): name self.input_name.get().strip() birthdate self.input_birthdate.get().strip() sex self.cmb.get() if not (name and birthdate and sex): messagebox.showerror(message有内容为空) return if ConfigLoader().ai_enabled(enable_field_validation): name, birthdate, sex self._ai_normalize(name, birthdate, sex) db DB() cursor db.cursor() sql INSERT INTO patient (name, birthday, sex) VALUES (%s, %s, %s) cursor.execute(sql, (name, birthdate, sex)) db.commit() cursor.execute(SELECT MAX(id) FROM patient) new_id cursor.fetchone()[0] db.close() messagebox.showinfo(注册成功, f注册成功!,病人id为{new_id}) self.input_name.delete(0, end) self.input_birthdate.delete(0, end) def _ai_normalize(self, name, birthdate, sex): client AIClient() prompt ( f请规范化以下病人信息只返回 JSON不要解释。 f姓名:{name} 出生日期:{birthdate} 性别:{sex}。 f日期格式必须是 yyyy-mm-dd性别只能是 男 或 女。 ) try: raw client.chat(prompt, system你是数据规范化助手只输出 JSON。) data json.loads(raw) return data.get(name, name), data.get(birthdate, birthdate), data.get(sex, sex) except Exception: return name, birthdate, sex注意 SQL 从原来的字符串拼接改成了参数化%s这是顺手修掉的一个注入风险。AI 规范化失败时回退到原始值不阻塞登记流程。启动验证分三步。第一步确认环境变量已注入export TAOTOKEN_API_KEY你的Key export DB_PASSWORD你的数据库密码 python -c from core.config_loader import ConfigLoader; cConfigLoader(); print(c.taotoken[base_url]); print(c.db[host])预期输出是https://taotoken.net/api和你的数据库地址说明占位符替换成功。第二步单独验证 AI 通道python -c from ai.client import AIClient c AIClient() print(c.chat(返回 JSON: {\ok\: true}, system只输出 JSON)) 如果返回类似{ok: true}的内容说明 Key 和通道都正常。如果报 401检查 Key 是否复制完整如果超时检查网络和read_timeout设置。第三步跑通增删改查。启动主程序python main.py依次做四个动作登记一个新病人观察是否弹出“注册成功”并返回 id用查询窗口输入该 id确认姓名、生日、性别显示正确在管理中心修改该病人信息重新查询确认更新生效删除该记录再查询确认返回“未查询到记录”。四个动作都通过说明配置骨架和 AI 辅助层已经正确接入。6. 本篇常见错排查接入过程中最容易卡住的几个点我按出现频率排一下。第一个是tomllib导入失败。如果你用的是 Python 3.10 或更早版本import tomllib会直接报ModuleNotFoundError。解决办法是pip install tomli然后把import tomllib改成import tomli as tomllib。这个错误在启动阶段就会暴露比较好定位。第二个是环境变量没生效导致 Key 为空。表现是 AI 调用返回 401 或提示api_key为空。排查方法是打印ConfigLoader().taotoken[api_key]的前四位确认不是空字符串。注意export只在当前终端会话有效如果你用 IDE 运行需要在运行配置里单独设置环境变量。第三个是数据库连接超时。pymssql连接 SQL Server 时如果host写了主机名而不是 IP本地 DNS 解析可能很慢。建议config.toml里直接写127.0.0.1。另外timeout设太小会在网络抖动时误报本地开发设 5 秒比较合适。第四个是 AI 返回内容不是纯 JSON。模型有时会在 JSON 外面包一层 json 代码块导致json.loads失败。稳妥做法是在_ai_normalize里先做一次清洗去掉首尾的代码块标记再解析。我在ai/client.py里没有强制清洗是因为不同模型行为不同建议你在业务层按实际返回处理。第五个是 Tkinter 多窗口导致主循环冲突。原代码里每个类都tkinter.Tk()多个窗口同时存在时mainloop行为会异常。建议改成tk.Toplevel()挂到主窗口下或者用单主窗口 Frame 切换的方式。这个不影响配置验证但会影响实际使用体验。第六个是 SQL 参数化后%s和?混用。pymssql用%ssqlite3用?如果你中途换数据库驱动记得同步改占位符。配置骨架里driver字段就是为这个预留的可以在DB类里根据driver分支处理。排查顺序建议从配置读取开始再到通道连通性最后到业务逻辑。大部分问题在前两步就能定位不用一上来就怀疑 AI 调用代码。7. 下一步把配置骨架用到真实开发流配置骨架跑通之后你可以按自己的节奏扩展。如果接下来要长期做编码类任务比如自动生成病历模板、批量清洗病人数据、写单元测试可以看看 Coding Plan https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite 它更适合持续性的开发场景。如果只是想先验证模型返回质量模型对话页 https://taotoken.net/chat?utm_sourcetaotoken_aicg_blog_endutm_contentchatutm_campaignrewrite 可以直接试。接入过程中遇到 Key 或通道问题API Keys 管理页 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi-keysutm_campaignrewrite 和接入文档 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 是最快的排查入口。最后留一个实用技巧把config.toml和settings.json的示例文件命名为config.example.toml和settings.example.json提交到仓库真实文件加入.gitignore。新人拉下来只需要复制示例、填入自己的环境变量五分钟就能跑起来。这个习惯在多人协作的本地开发场景里比任何文档都管用。 用 Python 从零搭建病人信息管理系统：TaoToken 统一 Key 接入与配置文件骨架
1. 从 Tkinter 到 AI 辅助病人信息管理系统为什么需要统一 Key用 Python 写病人信息管理系统很多人第一版都是 Tkinter pymssql 直连数据库登录窗口、病人登记、病例查询、医生管理一套界面堆下来能跑但真正上线到本地开发环境后问题会集中爆发。最典型的是三件事数据库连接参数散落在每个类里改一次密码要全局搜索替换AI 辅助录入、病历摘要、智能查询这些能力没有统一入口每接一个模型就多一套 Key 和 SDK配置文件格式混乱config.toml和settings.json各写一半新人拉下来根本不知道先改哪个。这篇面向的是需要快速跑通 AI 辅助录入与查询的 Python 开发者。目标很明确交付一份可复制的config.toml与settings.json骨架把数据库连接、TaoToken 统一 Key、模型通道收敛到一处再给出启动后验证病人信息增删改查是否生效的具体动作。你不需要推翻原来的 Tkinter 界面只需要把数据层和 AI 调用层抽出来接上统一通道即可。先说清楚 TaoToken 在这个系统里扮演什么角色。它提供的是统一的 API 通道和 Key 管理官网是 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 入口是 https://taotoken.net/api 。你可以把它理解成“一个 Key 走通多个模型”的网关病人登记时用 AI 做字段纠错、病例查询时用 AI 做自然语言转 SQL 草稿、医生录入时用 AI 做摘要这些调用都走同一个 Key不用在代码里塞五六个厂商的密钥。对本地开发场景来说这能省掉大量配置切换的时间。需要提前说明的是本文所有操作都在本地开发环境完成数据库用你现有的 SQL Server 或换成 SQLite 都行重点是配置骨架和验证流程。下面从原问题拆解开始一步步把可复制的配置和验证动作给出来。2. 原问题与场景Tkinter 直连数据库的三个坑先复盘一下传统写法的痛点这样你才知道配置骨架要解决什么。参考的原始代码里dbTools()函数在每个类里被反复调用连接字符串pymssql.connect(DESKTOP-9NADTHD, sa, shiyike, hospital)硬编码在函数体内。这意味着第一环境切换成本高。开发机、测试机、演示机的数据库地址不同每次换环境都要改代码。如果再加上 AI 模型的 Key配置项会膨胀到十几个散落在Login、RecordPatient、QueryPatient各个类里维护起来非常痛苦。第二AI 能力接入没有统一层。假设你想在病人登记时加一个“根据主诉自动填充科室”的功能传统做法是在RecordPatient._confirm()里直接调某个模型的 HTTP 接口。等你想换模型或者加一个“病历摘要”功能又要在AddPaList里再写一遍请求逻辑。Key 管理、超时重试、错误处理全部重复。第三配置格式不统一。有人用.ini有人用.json有人直接写 Python 常量。团队协作时config.toml和settings.json混用读取逻辑各写各的新人接手第一小时全花在找配置上。所以这篇的解法是把配置分成两层。config.toml管“连接类”信息——数据库地址、端口、账号、TaoToken 的 base_url 和 Key 引用settings.json管“业务类”信息——模型名称、超时时间、重试次数、AI 功能开关。两者通过一个ConfigLoader类统一读取业务代码只依赖这个 Loader不直接碰文件。场景落地是这样的你本地已经有一个能跑的 Tkinter 病人管理系统现在要加三个 AI 辅助功能——登记时字段校验、查询时自然语言转条件、病例录入时自动摘要。这三个功能都通过 TaoToken 统一 Key 调用配置全部收敛到两个文件里。下面先讲 TaoToken 的前置准备。3. TaoToken 前置Key 申请与通道确认在写配置骨架之前你需要先拿到统一 Key 并确认通道地址。这一步不复杂但有几个细节容易踩坑。首先访问官网 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 了解通道能力然后进入控制台创建 API Key。控制台入口是 https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewrite API Keys 管理页是 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi-keysutm_campaignrewrite 。创建时建议按用途命名比如patient-system-dev方便后续区分开发和生产。拿到 Key 之后确认两件事base_url 用https://taotoken.net/api不要带 UTM 参数这是给代码调用的干净地址模型名称要和你settings.json里写的一致。如果你不确定用哪个模型可以先到模型对话页 https://taotoken.net/chat?utm_sourcetaotoken_aicg_blog_endutm_contentchatutm_campaignrewrite 试一下确认通道通不通、返回格式是否符合预期。这里有个实操建议不要把 Key 直接写进config.toml提交到 Git。正确做法是config.toml里写占位符真实 Key 放在环境变量里Loader 读取时做一次替换。这样配置文件可以安全地进版本库Key 通过.env或系统环境变量注入。下面第 4 节的骨架就是按这个思路设计的。另外如果你的系统后续要做长期编码或 Agent 类功能比如自动生成病历模板、批量处理病人数据可以了解 Coding Plan https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite 它更适合持续性的编码任务。本文聚焦的是本地开发场景下的接入与验证先用按量调用跑通即可。4. 可复制配置config.toml 与 settings.json 骨架这一节是核心交付。先给目录结构再给两个文件的完整内容最后给 Loader 代码。你直接复制就能用。目录结构建议这样组织patient_system/ ├── config/ │ ├── config.toml │ └── settings.json ├── core/ │ ├── config_loader.py │ └── db.py ├── ai/ │ └── client.py ├── ui/ │ └── main_window.py └── main.pyconfig/config.toml负责连接类配置# config/config.toml # 数据库连接配置 [database] driver pymssql host 127.0.0.1 port 1433 user sa password ${DB_PASSWORD} # 从环境变量注入 database hospital charset utf8 timeout 5 # TaoToken 统一通道配置 [taotoken] base_url https://taotoken.net/api api_key ${TAOTOKEN_API_KEY} # 从环境变量注入 default_model claude-3-5-sonnet connect_timeout 10 read_timeout 60 max_retries 2 # 日志配置 [logging] level INFO file logs/patient_system.logconfig/settings.json负责业务类配置{ app: { name: 病人信息管理系统, version: 1.0.0, debug: true }, ai_features: { enable_field_validation: true, enable_nl_query: true, enable_record_summary: true }, model_params: { temperature: 0.2, max_tokens: 1024, top_p: 0.9 }, ui: { window_width: 500, window_height: 300, theme: default } }两个文件的分工要记清楚config.toml里的值会随环境变化所以用环境变量占位settings.json里的值是业务逻辑参数相对稳定可以直接写死。接下来是 Loader它负责把两者合并成一个可访问的对象# core/config_loader.py import os import json import tomllib from pathlib import Path class ConfigLoader: _instance None def __new__(cls, config_dirconfig): if cls._instance is None: cls._instance super().__new__(cls) cls._instance._load(config_dir) return cls._instance def _load(self, config_dir): base Path(config_dir) with open(base / config.toml, rb) as f: self.toml tomllib.load(f) with open(base / settings.json, r, encodingutf-8) as f: self.json json.load(f) self._resolve_env(self.toml) def _resolve_env(self, node): if isinstance(node, dict): for k, v in node.items(): if isinstance(v, str) and v.startswith(${) and v.endswith(}): env_key v[2:-1] node[k] os.environ.get(env_key, ) else: self._resolve_env(v) property def db(self): return self.toml[database] property def taotoken(self): return self.toml[taotoken] def ai_enabled(self, feature): return self.json[ai_features].get(feature, False) def model_params(self): return self.json[model_params]注意tomllib是 Python 3.11 起内置的如果你用 3.10 及以下换成tomli并pip install tomli即可。Loader 用单例模式保证全局只读一次文件避免每个类都去解析配置。数据库连接层也顺手抽出来替换掉原来散落的dbTools()# core/db.py import pymssql from core.config_loader import ConfigLoader class DB: def __init__(self): cfg ConfigLoader().db self.conn pymssql.connect( servercfg[host], usercfg[user], passwordcfg[password], databasecfg[database], portcfg[port], charsetcfg[charset], timeoutcfg[timeout], ) def cursor(self): return self.conn.cursor() def commit(self): self.conn.commit() def close(self): self.conn.close()这样RecordPatient、QueryPatient里只需要db DB()不再关心连接参数从哪来。配置骨架到这里就完整了下面进入 AI 客户端和验证环节。5. 接入 AI 辅助统一 Key 调用与增删改查验证配置就绪后写一个统一的 AI 客户端所有 AI 功能都走它。这样 Key 只在一处使用换模型只改settings.json。# ai/client.py import requests from core.config_loader import ConfigLoader class AIClient: def __init__(self): cfg ConfigLoader().taotoken self.base_url cfg[base_url].rstrip(/) self.api_key cfg[api_key] self.model cfg[default_model] self.timeout (cfg[connect_timeout], cfg[read_timeout]) self.max_retries cfg[max_retries] self.params ConfigLoader().model_params() def chat(self, prompt, systemNone): url f{self.base_url}/v1/chat/completions headers { Authorization: fBearer {self.api_key}, Content-Type: application/json, } messages [] if system: messages.append({role: system, content: system}) messages.append({role: user, content: prompt}) payload { model: self.model, messages: messages, temperature: self.params[temperature], max_tokens: self.params[max_tokens], top_p: self.params[top_p], } last_err None for _ in range(self.max_retries 1): try: resp requests.post(url, headersheaders, jsonpayload, timeoutself.timeout) resp.raise_for_status() return resp.json()[choices][0][message][content] except Exception as e: last_err e raise RuntimeError(fAI 调用失败: {last_err})现在把 AI 辅助接到病人登记流程里。原来的RecordPatient._confirm()只做非空校验现在加一层字段纠错把姓名、出生日期、性别丢给模型让它返回规范化后的 JSON。# ui/record_patient.py import json import tkinter as tk from tkinter import ttk, messagebox from core.db import DB from core.config_loader import ConfigLoader from ai.client import AIClient class RecordPatient: def __init__(self): self.root tk.Tk() self.root.title(病人登记) self.root.geometry(300x250) self.cmb ttk.Combobox(self.root, width10) self.cmb[values] (男, 女) self.cmb.current(0) self.name_label tk.Label(self.root, text姓名: ) self.birthdate_label tk.Label(self.root, text出生日期: \n(yyyy-mm-dd)) self.sex_label tk.Label(self.root, text性别: ) self.input_name tk.Entry(self.root, width12) self.input_birthdate tk.Entry(self.root, width12) self.okk_button tk.Button(self.root, text登记, width10, commandself._confirm) self._gui_arrang() def _gui_arrang(self): self.name_label.place(x20, y20) self.birthdate_label.place(x20, y80) self.sex_label.place(x20, y140) self.input_name.place(x160, y20) self.input_birthdate.place(x160, y80) self.cmb.place(x160, y140) self.okk_button.place(x90, y180) def _confirm(self): name self.input_name.get().strip() birthdate self.input_birthdate.get().strip() sex self.cmb.get() if not (name and birthdate and sex): messagebox.showerror(message有内容为空) return if ConfigLoader().ai_enabled(enable_field_validation): name, birthdate, sex self._ai_normalize(name, birthdate, sex) db DB() cursor db.cursor() sql INSERT INTO patient (name, birthday, sex) VALUES (%s, %s, %s) cursor.execute(sql, (name, birthdate, sex)) db.commit() cursor.execute(SELECT MAX(id) FROM patient) new_id cursor.fetchone()[0] db.close() messagebox.showinfo(注册成功, f注册成功!,病人id为{new_id}) self.input_name.delete(0, end) self.input_birthdate.delete(0, end) def _ai_normalize(self, name, birthdate, sex): client AIClient() prompt ( f请规范化以下病人信息只返回 JSON不要解释。 f姓名:{name} 出生日期:{birthdate} 性别:{sex}。 f日期格式必须是 yyyy-mm-dd性别只能是 男 或 女。 ) try: raw client.chat(prompt, system你是数据规范化助手只输出 JSON。) data json.loads(raw) return data.get(name, name), data.get(birthdate, birthdate), data.get(sex, sex) except Exception: return name, birthdate, sex注意 SQL 从原来的字符串拼接改成了参数化%s这是顺手修掉的一个注入风险。AI 规范化失败时回退到原始值不阻塞登记流程。启动验证分三步。第一步确认环境变量已注入export TAOTOKEN_API_KEY你的Key export DB_PASSWORD你的数据库密码 python -c from core.config_loader import ConfigLoader; cConfigLoader(); print(c.taotoken[base_url]); print(c.db[host])预期输出是https://taotoken.net/api和你的数据库地址说明占位符替换成功。第二步单独验证 AI 通道python -c from ai.client import AIClient c AIClient() print(c.chat(返回 JSON: {\ok\: true}, system只输出 JSON)) 如果返回类似{ok: true}的内容说明 Key 和通道都正常。如果报 401检查 Key 是否复制完整如果超时检查网络和read_timeout设置。第三步跑通增删改查。启动主程序python main.py依次做四个动作登记一个新病人观察是否弹出“注册成功”并返回 id用查询窗口输入该 id确认姓名、生日、性别显示正确在管理中心修改该病人信息重新查询确认更新生效删除该记录再查询确认返回“未查询到记录”。四个动作都通过说明配置骨架和 AI 辅助层已经正确接入。6. 本篇常见错排查接入过程中最容易卡住的几个点我按出现频率排一下。第一个是tomllib导入失败。如果你用的是 Python 3.10 或更早版本import tomllib会直接报ModuleNotFoundError。解决办法是pip install tomli然后把import tomllib改成import tomli as tomllib。这个错误在启动阶段就会暴露比较好定位。第二个是环境变量没生效导致 Key 为空。表现是 AI 调用返回 401 或提示api_key为空。排查方法是打印ConfigLoader().taotoken[api_key]的前四位确认不是空字符串。注意export只在当前终端会话有效如果你用 IDE 运行需要在运行配置里单独设置环境变量。第三个是数据库连接超时。pymssql连接 SQL Server 时如果host写了主机名而不是 IP本地 DNS 解析可能很慢。建议config.toml里直接写127.0.0.1。另外timeout设太小会在网络抖动时误报本地开发设 5 秒比较合适。第四个是 AI 返回内容不是纯 JSON。模型有时会在 JSON 外面包一层 json 代码块导致json.loads失败。稳妥做法是在_ai_normalize里先做一次清洗去掉首尾的代码块标记再解析。我在ai/client.py里没有强制清洗是因为不同模型行为不同建议你在业务层按实际返回处理。第五个是 Tkinter 多窗口导致主循环冲突。原代码里每个类都tkinter.Tk()多个窗口同时存在时mainloop行为会异常。建议改成tk.Toplevel()挂到主窗口下或者用单主窗口 Frame 切换的方式。这个不影响配置验证但会影响实际使用体验。第六个是 SQL 参数化后%s和?混用。pymssql用%ssqlite3用?如果你中途换数据库驱动记得同步改占位符。配置骨架里driver字段就是为这个预留的可以在DB类里根据driver分支处理。排查顺序建议从配置读取开始再到通道连通性最后到业务逻辑。大部分问题在前两步就能定位不用一上来就怀疑 AI 调用代码。7. 下一步把配置骨架用到真实开发流配置骨架跑通之后你可以按自己的节奏扩展。如果接下来要长期做编码类任务比如自动生成病历模板、批量清洗病人数据、写单元测试可以看看 Coding Plan https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite 它更适合持续性的开发场景。如果只是想先验证模型返回质量模型对话页 https://taotoken.net/chat?utm_sourcetaotoken_aicg_blog_endutm_contentchatutm_campaignrewrite 可以直接试。接入过程中遇到 Key 或通道问题API Keys 管理页 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi-keysutm_campaignrewrite 和接入文档 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 是最快的排查入口。最后留一个实用技巧把config.toml和settings.json的示例文件命名为config.example.toml和settings.example.json提交到仓库真实文件加入.gitignore。新人拉下来只需要复制示例、填入自己的环境变量五分钟就能跑起来。这个习惯在多人协作的本地开发场景里比任何文档都管用。