1. 从零搭一个游戏阵容推荐脚本为什么先卡在 Key 管理上游戏阵容推荐脚本说白了就是输入你手头的角色池程序按一套评分规则吐出几套能打的组合。听起来不复杂但真动手写的时候麻烦往往不在算法而在“怎么让脚本稳定地调用大模型”。我这次用 Claude Code 从零搭一个原神向的阵容推荐脚本技术栈是 Windows Python Excel 可视化界面核心目标只有一个把多模型调用的 Key 管理收拢成一套统一配置让脚本跑起来不折腾。Claude Code 在这里的角色是“结对开发者”。你可以用自然语言描述需求它帮你生成 Python 代码、补全评分函数、甚至帮你写 Excel 读写逻辑。但 Claude Code 本身要调用模型脚本运行时也要调用模型如果每个环节都单独配 Key、单独改环境变量很快就会乱成一团。尤其是你同时想对比不同模型的推荐质量时Key 散落在.env、系统环境变量、代码硬编码里调试成本直接翻倍。这篇内容适合两类人一是想用 Claude Code 快速产出可运行脚本的开发者二是被多模型 Key 管理折磨过、想找一套统一配置方案的人。我会给出 TaoToken 统一 Key 在settings.json里的可复制配置骨架演示一次脚本运行验证动作并把常见的报错排查列清楚。你跟着做能跑通一套“输入角色池 → 模型评分 → 输出阵容建议 → Excel 展示”的完整链路。先说清楚整体思路。脚本分三层数据层读 Excel 里的角色属性逻辑层把角色池和评分规则拼成 prompt 发给模型展示层把模型返回的阵容写回 Excel 并做条件高亮。三层里只有逻辑层需要调模型所以 Key 只需要在一处配置其他层通过统一入口读取。这个“统一入口”就是 TaoToken 的 API 地址加一把 Key配合settings.json做集中管理。2. TaoToken 前置准备一把 Key 打通 Claude Code 与脚本在写代码之前先把调用通道理顺。TaoToken 提供统一的 API 入口Claude Code 和你的 Python 脚本都可以走同一个地址、同一把 Key。这样做的好处是你不需要在 Claude Code 里配一套、在脚本里再配一套改 Key 只改一个地方。官网地址是 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 根地址是 https://taotoken.net/api 。注意 API 地址不带 UTM 参数配置时直接用这个根地址加具体路径。你需要先拿到一把 API Key。进入控制台创建 Key路径是 https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewrite 创建完成后复制保存。Key 只在创建时完整显示一次丢了就重新建一把。拿到 Key 之后先确认你要用哪些模型。游戏阵容推荐这种任务建议用推理能力强的模型做评分用响应快的模型做批量初筛。TaoToken 的模型列表可以在模型对话页查看地址是 https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_contentmodelsutm_campaignrewrite 。你可以先在页面上手动试几条 prompt确认模型能理解“角色定位 元素反应 输出循环”这类游戏语境再写进脚本。如果你打算长期用 Claude Code 做开发建议了解一下 Coding Plan地址是 https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite 。它适合需要频繁调用模型写代码、调脚本的场景比按次调用更省心。接入文档在 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 配置细节以文档为准。这里有个关键点Claude Code 的配置和脚本的配置要指向同一个 API 根地址。Claude Code 走 Anthropic 兼容协议接入说明在 https://taotoken.net/doc/claudecode-anthropic?utm_sourcetaotoken_aicg_blog_endutm_contentclaudecode-anthropicutm_campaignrewrite 。脚本走标准 HTTP 请求两者共用一把 Key 即可。这样你在 Claude Code 里调试 prompt 的效果和脚本里跑出来的效果是一致的不会出现“编辑器里好好的脚本里报 401”这种割裂。3. 可复制配置settings.json 骨架与 Python 读取逻辑配置分两部分Claude Code 侧的settings.json和脚本侧的配置读取。先给 Claude Code 的配置骨架。在项目根目录创建.claude/settings.json内容如下{ env: { ANTHROPIC_BASE_URL: https://taotoken.net/api, ANTHROPIC_AUTH_TOKEN: 你的_TaoToken_API_Key, ANTHROPIC_MODEL: claude-sonnet-4-20250514 }, permissions: { allow: [ Read, Write, Bash(python:*) ] } }把你的_TaoToken_API_Key替换成控制台里复制的那把。ANTHROPIC_BASE_URL指向 TaoToken 的 API 根地址ANTHROPIC_MODEL填你要用的模型名具体可用模型以模型对话页和文档为准。permissions里放开 Read、Write 和 python 执行方便 Claude Code 直接帮你跑脚本验证。注意不要把 Key 提交到 Git。可以在.gitignore里加上.claude/settings.json或者用环境变量覆盖。如果你团队协作建议把 Key 放在系统环境变量里settings.json里只写变量引用。脚本侧不要重复写 Key。建一个config.py从环境变量或本地配置文件读取统一出口import os import json from pathlib import Path def load_config(): config_path Path(__file__).parent / config.json if config_path.exists(): with open(config_path, r, encodingutf-8) as f: cfg json.load(f) else: cfg {} return { api_base: cfg.get(api_base) or os.getenv(TAOTOKEN_API_BASE, https://taotoken.net/api), api_key: cfg.get(api_key) or os.getenv(TAOTOKEN_API_KEY, ), model: cfg.get(model) or os.getenv(TAOTOKEN_MODEL, claude-sonnet-4-20250514), } if __name__ __main__: c load_config() print(api_base:, c[api_base]) print(model:, c[model]) print(key_loaded:, bool(c[api_key]))再建一个config.json同样加进.gitignore{ api_base: https://taotoken.net/api, api_key: 你的_TaoToken_API_Key, model: claude-sonnet-4-20250514 }这样 Claude Code 和脚本读的是同一套地址和 Key改一处全生效。如果你在 Claude Code 里让模型帮你改脚本它也能直接读到这个配置结构不会生成互相冲突的 Key 写法。接下来是调用封装。建一个llm_client.py把 HTTP 请求收口import requests from config import load_config def chat(messages, temperature0.3, max_tokens2000): cfg load_config() url f{cfg[api_base]}/v1/messages headers { x-api-key: cfg[api_key], anthropic-version: 2023-06-01, content-type: application/json, } payload { model: cfg[model], max_tokens: max_tokens, temperature: temperature, messages: messages, } resp requests.post(url, headersheaders, jsonpayload, timeout60) resp.raise_for_status() data resp.json() return data[content][0][text]这段代码里api_base和api_key都来自load_config()没有硬编码。/v1/messages是 Anthropic 兼容路径TaoToken 的接入文档里有说明。如果你用的模型走 OpenAI 兼容格式路径和字段名要按文档调整别直接套。4. 阵容推荐脚本主体从 Excel 角色池到模型评分配置通了开始写推荐逻辑。数据层用pandas读 Excel假设你的角色表有这些列角色名、元素、定位、输出能力、生存能力、辅助能力。建一个team_recommender.pyimport pandas as pd from llm_client import chat def load_characters(pathcharacters.xlsx): df pd.read_excel(path) required [角色名, 元素, 定位, 输出能力, 生存能力, 辅助能力] for col in required: if col not in df.columns: raise ValueError(f缺少列: {col}) return df def build_prompt(df, top_n3): chars df.to_dict(orientrecords) lines [] for c in chars: lines.append( f{c[角色名]} | 元素:{c[元素]} | 定位:{c[定位]} | f输出:{c[输出能力]} 生存:{c[生存能力]} 辅助:{c[辅助能力]} ) char_text \n.join(lines) prompt f你是一个游戏阵容推荐助手。以下是玩家拥有的角色及其能力评分1-10 {char_text} 请推荐 {top_n} 套阵容每套 4 个角色。要求 1. 每套阵容说明元素搭配和定位互补逻辑 2. 给出每套阵容的综合评分1-10和一句话理由 3. 输出格式为 JSON 数组每个元素包含 team角色名列表、score、reason。 只输出 JSON不要额外解释。 return prompt def recommend(df, top_n3): prompt build_prompt(df, top_n) messages [{role: user, content: prompt}] raw chat(messages) return raw这里把角色池拼成结构化文本让模型按 JSON 输出。温度设 0.3减少随机性保证同一批角色多次运行结果稳定。top_n控制推荐套数你可以按需调整。展示层把模型返回的 JSON 解析后写回 Excel并做条件高亮。建一个exporter.pyimport json import pandas as pd from openpyxl.styles import PatternFill def parse_recommendations(raw): text raw.strip() if text.startswith(): text text.split()[1] if text.startswith(json): text text[4:] return json.loads(text.strip()) def export_to_excel(recs, pathrecommendations.xlsx): rows [] for i, r in enumerate(recs, 1): rows.append({ 阵容编号: i, 角色: / .join(r[team]), 评分: r[score], 理由: r[reason], }) df pd.DataFrame(rows) with pd.ExcelWriter(path, engineopenpyxl) as writer: df.to_excel(writer, indexFalse, sheet_name推荐结果) ws writer.sheets[推荐结果] fill PatternFill(start_colorFFF2CC, end_colorFFF2CC, fill_typesolid) for row in ws.iter_rows(min_row2, max_rowws.max_row, min_col3, max_col3): for cell in row: if cell.value and float(cell.value) 8: cell.fill fill return path评分大于等于 8 的阵容评分单元格会高亮成浅黄色方便你在 Excel 里一眼看到高推荐度的组合。主入口main.py串起来from team_recommender import load_characters, recommend from exporter import parse_recommendations, export_to_excel def main(): df load_characters(characters.xlsx) raw recommend(df, top_n3) recs parse_recommendations(raw) path export_to_excel(recs) print(f推荐完成结果已写入 {path}) for r in recs: print(f[{r[score]}] { / .join(r[team])} — {r[reason]}) if __name__ __main__: main()跑之前确认characters.xlsx在项目根目录列名和代码里一致。如果列名不同改load_characters里的required列表即可。5. 验证请求一次脚本运行与成功结果确认配置和代码都就位后先做一次最小验证别急着跑完整流程。第一步验证 Key 和地址是否通python -c from config import load_config; cload_config(); print(c[api_base], c[model], bool(c[api_key]))输出应该是https://taotoken.net/api claude-sonnet-4-20250514 True。如果key_loaded是False检查config.json是否存在、Key 是否填对。第二步单独测一次模型调用python -c from llm_client import chat; print(chat([{role:user,content:只回复两个字通了}]))如果返回“通了”或类似短回复说明 API 通道正常。如果报 401是 Key 问题报 404是路径问题报超时检查网络和timeout设置。第三步跑完整脚本python main.py成功时终端会打印类似推荐完成结果已写入 recommendations.xlsx [9] 角色A / 角色B / 角色C / 角色D — 元素覆盖完整输出与生存兼顾 [8] 角色E / 角色F / 角色G / 角色H — 双辅助保核循环流畅 [7] 角色I / 角色J / 角色K / 角色L — 爆发高但生存偏弱同时项目根目录生成recommendations.xlsx打开后能看到阵容编号、角色、评分、理由四列评分大于等于 8 的行有高亮。到这里一次完整的“读取角色池 → 模型评分 → 输出 Excel”链路就跑通了。如果你在 Claude Code 里做这一步可以直接让它执行python main.py并读取输出。Claude Code 的 Bash 权限已经在settings.json里放开了python:*它能直接跑并帮你分析报错。这也是统一 Key 的好处Claude Code 和脚本走同一个通道它看到的报错和脚本真实报错一致不会因为配置不同产生误导。6. 本篇常见错排查401、404、JSON 解析失败与超时401 Unauthorized最常见。先确认config.json里的api_key和控制台创建的一致注意有没有多余空格。如果 Key 是从环境变量读的确认变量名拼写正确。Claude Code 侧报 401检查settings.json里ANTHROPIC_AUTH_TOKEN是否填对以及有没有被系统环境变量覆盖。404 Not Found路径拼错。Anthropic 兼容格式是/v1/messagesOpenAI 兼容格式是/v1/chat/completions两者不能混用。确认api_base是https://taotoken.net/api没有多余斜杠。模型名也要和文档一致填了不存在的模型可能返回 404 或 400。JSON 解析失败模型返回里带了 Markdown 代码块标记或额外解释。parse_recommendations里已经做了 剥离但如果模型输出前后有自然语言json.loads仍会失败。解决办法是在 prompt 里强调“只输出 JSON”并把温度调低。如果还不行加一层正则提取第一个[到最后一个]之间的内容再解析。请求超时timeout60对大多数推荐任务够用但角色池很大时 prompt 会变长响应时间增加。可以把timeout调到 120或者分批发送角色。另外检查网络是否稳定TaoToken 的 API 地址是否可达。Excel 列名不匹配load_characters会抛ValueError提示缺少哪一列。按提示改 Excel 表头或改代码里的required列表。注意中英文列名要完全一致包括空格。Key 泄露风险config.json和.claude/settings.json都要加进.gitignore。如果已经提交过尽快在控制台轮换 Key。团队协作时用环境变量注入不要把 Key 写进代码。Claude Code 读不到配置确认.claude/settings.json在项目根目录且 JSON 格式合法。可以用python -m json.tool .claude/settings.json校验。如果 Claude Code 仍走默认地址检查是否有全局配置覆盖了项目配置。排查顺序建议先验 Key 和地址再验单次调用最后跑完整脚本。每一步的报错都对应不同的层别一上来就改代码。7. 继续往下走把统一 Key 用在更多模型对比场景脚本跑通之后你可以做一件很有价值的事用同一套配置对比不同模型的推荐质量。因为 Key 和地址是统一的你只需要改config.json里的model字段就能切换模型跑同一批角色数据把结果分别导出成不同 Excel 文件对比。这比每个模型单独配一套环境要省事得多。如果你要长期做这类开发建议把 Coding Plan 用起来地址是 https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite 适合频繁调用模型写代码和调脚本的场景。API Key 管理在控制台 https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewrite 接入细节以文档 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 为准。Claude Code 的 Anthropic 兼容配置参考 https://taotoken.net/doc/claudecode-anthropic?utm_sourcetaotoken_aicg_blog_endutm_contentclaudecode-anthropicutm_campaignrewrite 。最后留一个实用技巧把characters.xlsx和recommendations.xlsx分开存放每次跑脚本前备份一份角色表。模型推荐结果受 prompt 影响很大你可以把不同版本的 prompt 存成prompt_v1.txt、prompt_v2.txt用同一批角色对比效果找到最稳定的那版再固化进代码。这样你的阵容推荐脚本会越跑越准而不是每次都在调 Key 和路径上浪费时间。