在Node js后端服务中集成Taotoken实现多模型异步调用-编程实验室

🚀 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

在Node.js后端服务中集成Taotoken实现多模型异步调用

基础教程类，指导Node.js开发者如何在服务端项目中接入Taotoken，使用openai包并配置baseURL与环境变量，编写异步函数调用聊天补全接口，并处理返回的流式或非流式响应，适用于构建AI功能的后端应用。

1. 准备工作：获取API Key与模型ID

在开始编写代码之前，你需要先在Taotoken平台上完成两项准备工作。第一是创建一个API Key，用于在代码中进行身份认证。登录Taotoken控制台，在API密钥管理页面可以创建新的密钥，请妥善保管，它只会显示一次。第二是确定你要调用的模型。前往模型广场，浏览并选择适合你需求的模型，记录下其模型ID，例如claude-sonnet-4-6或gpt-4o-mini。这些ID将在后续的API调用中作为model参数使用。

2. 项目初始化与依赖安装

在一个已有的Node.js后端项目，或者新建的项目目录中，你需要安装官方的OpenAI Node.js库。这个库提供了与OpenAI兼容API交互的便捷客户端，而Taotoken的接口正是与之兼容的。通过npm或yarn进行安装。

npm install openai

安装完成后，建议将你的Taotoken API Key设置为环境变量，而不是硬编码在代码中，这有利于安全性和不同环境（开发、测试、生产）的配置管理。你可以在项目根目录创建.env文件，并添加如下内容：

TAOTOKEN_API_KEY=你的实际API密钥

然后在你的代码中通过process.env.TAOTOKEN_API_KEY来读取它。可以使用dotenv包来加载.env文件，或者如果你使用的框架（如Express、NestJS等）已集成环境变量管理，则按其规范配置即可。

3. 配置OpenAI客户端并发起调用

核心步骤是正确初始化OpenAI客户端，并指向Taotoken的API端点。关键配置项是baseURL，对于使用OpenAI兼容SDK的方式，必须设置为https://taotoken.net/api。客户端会自动在此基础URL上拼接/v1/chat/completions等具体路径。

下面是一个完整的异步函数示例，它封装了一次非流式的聊天补全调用：

import OpenAI from "openai"; // 初始化客户端 const client = new OpenAI({ apiKey: process.env.TAOTOKEN_API_KEY, // 从环境变量读取密钥 baseURL: "https://taotoken.net/api", // 关键：配置Taotoken的Base URL }); /** * 调用Taotoken聊天补全API（非流式） * @param {string} model - 模型ID，从Taotoken模型广场获取 * @param {Array} messages - 消息历史数组，格式同OpenAI * @returns {Promise<Object>} - API返回的完成对象 */ async function callTaotokenChatCompletion(model, messages) { try { const completion = await client.chat.completions.create({ model: model, // 例如: "claude-sonnet-4-6" messages: messages, // 其他可选参数，如 temperature, max_tokens 等 // temperature: 0.7, // max_tokens: 1000, }); // 提取并返回助理的回复内容 const assistantMessage = completion.choices[0]?.message?.content; return { success: true, content: assistantMessage, fullResponse: completion, // 包含完整响应，如usage等信息 }; } catch (error) { console.error("调用Taotoken API时发生错误:", error); return { success: false, error: error.message, }; } } // 使用示例 (async () => { const result = await callTaotokenChatCompletion("claude-sonnet-4-6", [ { role: "user", content: "请用一句话介绍你自己。" }, ]); if (result.success) { console.log("模型回复:", result.content); console.log("本次消耗Token数:", result.fullResponse.usage?.total_tokens); } else { console.error("调用失败:", result.error); } })();

将上述代码集成到你的路由处理器或服务层中，即可为你的后端应用添加AI对话能力。

4. 处理流式响应

对于需要实时逐字输出或处理长文本的场景，你可以请求流式响应。这通过在调用时设置stream: true来实现，并迭代处理返回的流。以下是一个处理流式响应的示例：

/** * 调用Taotoken聊天补全API（流式） * @param {string} model - 模型ID * @param {Array} messages - 消息历史 * @param {Function} onChunk - 处理每个数据块的函数，接收一个字符串参数 */ async function callTaotokenStreamingCompletion(model, messages, onChunk) { try { const stream = await client.chat.completions.create({ model: model, messages: messages, stream: true, // 启用流式响应 }); let fullContent = ''; for await (const chunk of stream) { const content = chunk.choices[0]?.delta?.content || ''; if (content) { fullContent += content; // 调用回调函数处理当前收到的内容片段 if (onChunk) onChunk(content); } } // 流式传输结束 console.log("流式响应结束，完整内容长度:", fullContent.length); return { success: true, content: fullContent }; } catch (error) { console.error("流式调用发生错误:", error); return { success: false, error: error.message }; } } // 使用示例：模拟在HTTP响应中流式返回 // 假设在一个Express路由中 app.post('/api/chat-stream', async (req, res) => { res.setHeader('Content-Type', 'text/plain; charset=utf-8'); res.setHeader('Transfer-Encoding', 'chunked'); await callTaotokenStreamingCompletion( req.body.model, req.body.messages, (chunk) => { res.write(chunk); // 将每个片段写入HTTP响应流 } ); res.end(); // 流结束，关闭响应 });