1. 为什么 Anaconda 里装完 OpenRouterKey 反而更乱了如果你在 Anaconda 环境里跑过 OpenRouter大概率经历过这个阶段一开始只想调一个模型结果项目里慢慢堆了 OpenAI、Claude、Gemini、DeepSeek 好几套 Key每个 SDK 的初始化方式还不一样。openrouter-env里装完openrouter另一个环境里又装了openai.env文件散落在不同目录改一个 Key 要翻三个文件夹。这个场景的核心痛点不是「装不上」而是装完之后多模型调用的入口太分散。OpenRouter 本身是一个聚合层它把多家模型统一到一个 API 格式下这已经省了一部分事。但实际项目里你往往还需要在 OpenRouter 之外保留直连通道或者团队里有人用 OpenRouter、有人用别的聚合方式Key 和 base_url 就开始打架。我试过在一个数据分析项目里同时接三个模型做对比结果config.toml里写了四组配置每次换模型都要改代码。后来把 TaoToken 作为统一 Key 和 API 通道接进来才把这件事收敛成「一个 Key、一个 base_url、多模型名切换」的结构。这篇要交付的就是这套结构在 Anaconda 环境下先完成 OpenRouter SDK 的安装再用 TaoToken 统一 Key 和通道给出可复制的config.toml与settings.json骨架最后用一次真实请求验证多模型调用是否打通。适合已经在用 Anaconda 做本地开发、手里有多个模型 Key、想让配置不再混乱的人。2. 前置准备Anaconda 环境与 TaoToken 通道2.1 创建干净的 conda 环境Anaconda 最大的好处是环境隔离所以第一步不是急着装包而是先建一个专用环境。OpenRouter SDK 要求 Python 3.9 以上这里用 3.10 比较稳。打开 Anaconda Prompt执行conda create --name openrouter-env python3.10 -y conda activate openrouter-env激活成功后命令行提示符前面会出现(openrouter-env)。这一步别跳过后面所有 pip 安装都要在这个环境里做否则包会装到 base 环境导致「明明装了却 import 不到」。2.2 安装 OpenRouter SDK 与配置依赖pip install openrouter python-dotenv tomliopenrouter是官方 SDKpython-dotenv用来读.envtomli用来解析config.tomlPython 3.11 以下需要它3.11 可用内置tomllib。如果你在国内网络下 pip 慢可以临时指定镜像源pip install openrouter python-dotenv tomli -i https://pypi.tuna.tsinghua.edu.cn/simple2.3 获取 TaoToken API KeyTaoToken 在这里的角色是统一 Key 与 API 通道。你不需要在代码里分别维护 OpenRouter 的 Key、其他模型的 Key而是用 TaoToken 的一个 Key 走统一入口模型名在请求里切换。获取步骤打开https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentapi_keys登录后创建一个 API Key。复制 Key形如sk-开头的一串字符先存到安全的地方。如果你要确认可用模型列表可以到https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentdoc查看接入文档里的模型名对照。注意Key 只放在.env或系统环境变量里不要写进.py文件也不要提交到 Git。.env要加进.gitignore。3. 可复制配置config.toml 与 settings.json 骨架多模型调用混乱的根源通常是配置散落在代码各处。解决办法是把「通道配置」和「模型选择」抽出来放到独立配置文件里。下面给两套骨架你可以按项目习惯选一套也可以两套并存config.toml给 Python 脚本读settings.json给需要 JSON 配置的工具读。3.1 config.toml 骨架在项目根目录新建config.toml# config.toml # TaoToken 统一通道配置 [provider] name taotoken base_url https://taotoken.net/api api_key_env TAOTOKEN_API_KEY # 从环境变量读取不写明文 [defaults] model gpt-4o-mini temperature 0.7 max_tokens 1024 [models] # 模型别名 - 实际模型名方便代码里用短名切换 fast gpt-4o-mini reasoning claude-3-5-sonnet cheap deepseek-chat long_context gemini-1.5-pro [openrouter] # 保留 OpenRouter 直连通道作为备选 enabled false base_url https://openrouter.ai/api/v1 api_key_env OPENROUTER_API_KEY这里的关键设计是[models]段代码里只写fast、reasoning这样的别名换模型时改配置文件不动业务代码。base_url指向 TaoToken 的 API 地址api_key_env指向环境变量名避免明文。3.2 settings.json 骨架有些工具或框架只认 JSON那就再放一份settings.json{ provider: { name: taotoken, base_url: https://taotoken.net/api, api_key_env: TAOTOKEN_API_KEY }, defaults: { model: gpt-4o-mini, temperature: 0.7, max_tokens: 1024 }, models: { fast: gpt-4o-mini, reasoning: claude-3-5-sonnet, cheap: deepseek-chat, long_context: gemini-1.5-pro }, openrouter: { enabled: false, base_url: https://openrouter.ai/api/v1, api_key_env: OPENROUTER_API_KEY } }两份配置的字段结构保持一致这样你在 Python 里读 TOML、在别的工具里读 JSON语义不会错位。3.3 .env 文件项目根目录新建.envTAOTOKEN_API_KEYsk-你的TaoToken密钥 OPENROUTER_API_KEYsk-or-你的OpenRouter密钥.gitignore里加上.env config.local.toml4. 验证请求一次跑通多模型切换配置写好了接下来用一段脚本验证「统一 Key 多模型切换」是否真的通了。这里不依赖 OpenRouter SDK 的特定封装而是用 OpenAI 兼容的调用方式走 TaoToken 通道因为 TaoToken 的 API 地址兼容 OpenAI 格式这样代码更通用。4.1 编写验证脚本新建test_multi_model.pyimport os import tomli from dotenv import load_dotenv from openai import OpenAI # 加载 .env load_dotenv() # 读取 config.toml with open(config.toml, rb) as f: cfg tomli.load(f) provider cfg[provider] api_key os.getenv(provider[api_key_env]) if not api_key: raise RuntimeError(f环境变量 {provider[api_key_env]} 未设置) # 初始化统一客户端 client OpenAI( api_keyapi_key, base_urlprovider[base_url], ) def ask(alias: str, prompt: str) - str: model_name cfg[models][alias] resp client.chat.completions.create( modelmodel_name, messages[{role: user, content: prompt}], temperaturecfg[defaults][temperature], max_tokenscfg[defaults][max_tokens], ) return resp.choices[0].message.content if __name__ __main__: for alias in [fast, cheap]: print(f--- 模型别名: {alias} ---) print(ask(alias, 用一句话说明什么是向量数据库。)) print()如果你还没装openai包先补一个pip install openai4.2 运行与预期结果在 Anaconda Prompt 里确保还在openrouter-env环境切到项目目录cd D:\your_project python test_multi_model.py正常输出会类似--- 模型别名: fast --- 向量数据库是一种专门存储和检索高维向量数据的数据库常用于相似度搜索。 --- 模型别名: cheap --- 向量数据库把文本、图片等转成向量后存储支持按相似度快速查找。两个别名对应不同模型但走的是同一个base_url和同一个 Key。这就是「统一 Key 打通多模型调用」的效果换模型只改config.toml里的[models]映射代码零改动。4.3 用模型对话页面做交叉验证如果你不想写脚本也可以直接到https://taotoken.net/model-chat?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentmodel_chat的模型对话页面用同一个 Key 对应的账号登录手动切换模型发一条消息确认通道本身是通的。脚本报错时这一步能帮你快速判断是「Key/通道问题」还是「代码问题」。5. 本篇常见错排查5.1 ModuleNotFoundError: No module named openrouter九成是环境没激活。Anaconda 里pip install装到了 base 环境但运行时用的是openrouter-env。解决conda activate openrouter-env pip list | findstr openrouter如果列表里没有重新在激活状态下装一次。Windows 用findstrmacOS/Linux 用grep。5.2 401 Unauthorized 或 invalid api key先确认.env里的变量名和config.toml里api_key_env写的一致。常见错误是.env写TAOTOKEN_KEY配置里写TAOTOKEN_API_KEY读出来是None。另外检查 Key 有没有多余空格复制时容易带上换行。5.3 base_url 写错导致 404TaoToken 的 API 地址是https://taotoken.net/api不要自己拼/v1。有些 OpenAI 兼容客户端会自动补/v1/chat/completions如果你手动写成https://taotoken.net/api/v1可能变成/api/v1/v1/...。以接入文档https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentdoc里的说明为准。5.4 模型名不存在 model not foundconfig.toml里[models]的值必须是通道支持的模型名。别名fast只是你本地用的短名真正发出去的是gpt-4o-mini这类实际名称。如果报模型不存在去文档里核对模型名拼写注意大小写和连字符。5.5 TOML 解析报错Python 3.10 及以下必须装tomli并且用tomli.load()3.11 可以用tomllib.load()。如果你在 3.10 环境里写了import tomllib会直接ModuleNotFoundError。统一用tomli兼容性最好。5.6 conda 环境切换后 pip 仍指向旧环境有时候conda activate后which pipWindows 用where pip还指向全局。可以显式用python -m pip install openrouter这样保证装进当前环境的 Python 里。6. 长期编码与 Agent 场景的配置收敛如果你只是偶尔跑几个脚本上面的config.toml已经够用。但如果你在做长期编码、Agent 工作流或者团队协作Key 和通道的管理还需要再收敛一层。一个实用做法是把「通道选择」也做成配置项。比如本地开发用 TaoToken 统一通道CI 环境用另一个 Key通过环境变量切换[provider] name taotoken base_url https://taotoken.net/api api_key_env TAOTOKEN_API_KEY [provider.ci] base_url https://taotoken.net/api api_key_env TAOTOKEN_CI_KEY代码里根据os.getenv(APP_ENV)决定读哪一段。这样本地和 CI 共用一套模型别名只是 Key 不同。对于需要长期跑编码任务的场景可以了解 Coding Plan 的额度结构把高频调用和低频调用分开规划避免月底额度不够用。入口在https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentcoding_plan里面有不同档位的说明按你的实际调用量选。另外Anaconda 环境本身也建议定期清理。项目结束后conda deactivate conda remove --name openrouter-env --all这样不会在磁盘上堆一堆用不到的虚拟环境。如果同一个项目要长期维护就把config.toml、settings.json、.env.example一起提交到仓库.env本身不提交新人克隆后复制.env.example填自己的 Key 即可。这套结构跑下来多模型调用的配置就从「散落在代码里」变成了「集中在两个文件里」换模型、换通道、换环境都只动配置不动业务逻辑。