企业官网建设流程全解析

1. crewai 里 Litellm 报 BadRequestError，先别急着改源码

如果你在用 crewai 搭多智能体流程，模型层走的是 Litellm，然后某天突然抛出一个litellm.exceptions.BadRequestError，大概率不是 crewai 本身坏了，也不是 Litellm 不支持国内模型服务，而是模型名和 base_url 的写法没对上 Litellm 的路由规则。

我自己第一次遇到这个报错时，第一反应是「Litellm 是不是不认国内这些 OpenAI 兼容端点」，甚至去翻 Litellm 的 provider 源码想加分支。结果折腾半天发现，问题根本不在支持不支持，而在于模型名前缀少写了一个openai/。Litellm 看到没有前缀的模型名，会按它内置的 provider 映射去猜，猜不到就走到默认分支，参数拼出来不对，服务端直接返回 400，于是包装成BadRequestError抛给你。

这篇就围绕这个场景展开：crewai 调用 Litellm 时出现BadRequestError的排查路径，覆盖 openai 兼容接口、模型名与 base_url 配置，给出可复制的config.toml/settings.json骨架，以及 TaoToken 统一 Key 通道的接入步骤。适合正在用 crewai + Litellm 接国内模型、被 400 卡住的人。核心检索词就三个：crewai、Litellm、BadRequestError。

先说结论，最容易被忽略的一行改动是：

# 报错写法 llm = LLM(model="qwen3-235b-a22b-instruct-2507", base_url="...", api_key="sk-xxx") # 正确写法：模型名前加 openai/ llm = LLM(model="openai/qwen3-235b-a22b-instruct-2507", base_url="...", api_key="sk-xxx")

openai/这个前缀不是让你去调 OpenAI 官方，而是告诉 Litellm：这是一个 OpenAI 兼容端点，请走/chat/completions那条路由。下面把原理、配置、验证、排障一步步拆开。

2. 为什么加openai/前缀就能解决 BadRequestError

2.1 Litellm 的 provider 路由逻辑

Litellm 处理一个模型名时，会先做一次「provider 解析」。它的规则大致是：如果模型名里带/，斜杠前面那段就被当作 provider 标识；如果没有斜杠，就拿整个字符串去匹配内置的模型清单。

你写qwen3-235b-a22b-instruct-2507，没有斜杠，Litellm 在内置清单里找不到完全匹配项，就会 fallback 到默认 provider 推断。推断出来的调用方式和你的 base_url 不匹配，请求体里可能缺字段、或者 endpoint 拼错，服务端返回 400。

你写openai/qwen3-235b-a22b-instruct-2507，斜杠前是openai，Litellm 立刻知道：走 OpenAI 兼容协议，用 openai-client 发请求，自动补/chat/completions。模型名斜杠后的部分原样传给服务端。这样 base_url 指向哪个兼容服务都行。

2.2 base_url 不要画蛇添足

官方文档里有一句很关键的话：不要在 base_url 上添加任何额外内容，比如/v1/embedding。LiteLLM 用 openai-client 发请求，会自动补上相关端点路径。

也就是说，你的 base_url 应该停在版本号那一层：

https://your-endpoint.example.com/v1

而不是：

https://your-endpoint.example.com/v1/chat/completions # 错

多写一段路径，openai-client 再拼一次，就变成/v1/chat/completions/chat/completions，服务端当然 400。

2.3 两种前缀对应两种端点

crewai 里的 LLM 调用基本都是对话补全，所以记住openai/就够了。

3. TaoToken 统一 Key 通道的前置准备

3.1 为什么用统一 Key 通道

crewai 项目里往往不止一个模型：规划用一个大模型，执行用另一个，评审再用一个。如果每个模型都单独配 key、单独记 base_url，配置会散得到处都是，排查BadRequestError时你甚至分不清是哪个通道出的问题。

统一 Key 通道的思路是：所有 OpenAI 兼容请求都走同一个入口，模型名区分具体模型，key 只有一份。这样配置集中、报错集中、切换模型只改一个字符串。

3.2 拿到 Key 和入口地址

进入控制台创建 API Key，入口在这里：

• 控制台：https://taotoken.net/console?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite
• API Keys 管理：https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite

创建后你会得到一串sk-开头的 key。base_url 用 API 地址：

https://taotoken.net/api

注意这里不要在后面加/v1/chat/completions，原因见 2.2。如果你用的客户端要求带版本号，就写到/api这一层，让 openai-client 自己补。

3.3 环境变量先落地

在动手改 crewai 代码前，先把 key 放进环境变量，避免硬编码：

export TAOTOKEN_API_KEY="sk-你的key" export TAOTOKEN_BASE_URL="https://taotoken.net/api"

Windows PowerShell：

$env:TAOTOKEN_API_KEY="sk-你的key" $env:TAOTOKEN_BASE_URL="https://taotoken.net/api"

这样后面 config.toml 和代码里都引用变量名，换 key 不用改文件。

4. 可复制的 config.toml 与 settings.json 骨架

4.1 crewai 的 config.toml 骨架

crewai 新版本支持用config.toml管理 LLM 配置。下面这份可以直接抄，重点是model字段带openai/前缀：

# config.toml [llm] # 统一走 OpenAI 兼容通道，前缀 openai/ 不能省 model = "openai/qwen3-235b-a22b-instruct-2507" base_url = "https://taotoken.net/api" api_key = "env:TAOTOKEN_API_KEY" temperature = 0.3 max_tokens = 2048 [llm.fallback] model = "openai/qwen3-235b-a22b-instruct-2507" base_url = "https://taotoken.net/api" api_key = "env:TAOTOKEN_API_KEY"

api_key = "env:TAOTOKEN_API_KEY"这种写法让 crewai 从环境变量读，不把 key 写进仓库。

4.2 settings.json 骨架

如果你的项目用 JSON 配置，等价写法：

{ "llm": { "model": "openai/qwen3-235b-a22b-instruct-2507", "base_url": "https://taotoken.net/api", "api_key": "env:TAOTOKEN_API_KEY", "temperature": 0.3, "max_tokens": 2048 } }

4.3 代码里直接构造 LLM

不走配置文件、直接在 Python 里构造也可以：

import os from crewai import LLM llm = LLM( model="openai/qwen3-235b-a22b-instruct-2507", base_url=os.environ["TAOTOKEN_BASE_URL"], api_key=os.environ["TAOTOKEN_API_KEY"], ) if __name__ == "__main__": response = llm.call( "Analyze the following messages and return the name, age, and breed. " "Meet Kona! She is 3 years old and is a black german shepherd." ) print(response)

对比一下报错版本和修复版本，唯一区别就是model字段：

# 报 BadRequestError model="qwen3-235b-a22b-instruct-2507" # 正常 model="openai/qwen3-235b-a22b-instruct-2507"

4.4 多模型场景的配置

crewai 里不同 agent 用不同模型时，每个都带前缀：

[llm.planner] model = "openai/qwen3-235b-a22b-instruct-2507" base_url = "https://taotoken.net/api" api_key = "env:TAOTOKEN_API_KEY" [llm.executor] model = "openai/qwen3-235b-a22b-instruct-2507" base_url = "https://taotoken.net/api" api_key = "env:TAOTOKEN_API_KEY"

模型名不同就换斜杠后面那段，前缀和 base_url 保持不变。

5. 最小复现请求与验证动作

5.1 先用 curl 验证通道本身

在改 crewai 之前，先用 curl 确认 key 和 base_url 是通的，把变量隔离出来：

curl -sS https://taotoken.net/api/chat/completions \ -H "Authorization: Bearer $TAOTOKEN_API_KEY" \ -H "Content-Type: application/json" \ -d '{ "model": "qwen3-235b-a22b-instruct-2507", "messages": [{"role": "user", "content": "reply with ok"}], "max_tokens": 16 }'

注意这里 curl 直接打/chat/completions，因为 curl 不会自动补路径。如果这一步返回正常 JSON，说明 key 和通道没问题，问题在 Litellm 的模型名写法上。

5.2 再用 Litellm 单独验证

绕开 crewai，直接调 Litellm，确认前缀规则：

import os from litellm import completion resp = completion( model="openai/qwen3-235b-a22b-instruct-2507", base_url=os.environ["TAOTOKEN_BASE_URL"], api_key=os.environ["TAOTOKEN_API_KEY"], messages=[{"role": "user", "content": "reply with ok"}], max_tokens=16, ) print(resp.choices[0].message.content)

如果这个能通，而 crewai 里不通，那就是 crewai 的配置没把model字段传对。

5.3 最后跑 crewai 最小示例

import os from crewai import LLM llm = LLM( model="openai/qwen3-235b-a22b-instruct-2507", base_url=os.environ["TAOTOKEN_BASE_URL"], api_key=os.environ["TAOTOKEN_API_KEY"], ) response = llm.call("Say hello in one word.") print(response)

三步验证的顺序很重要：curl 验通道 → Litellm 验前缀 → crewai 验集成。哪一步断掉，问题就锁定在哪一层。

5.4 成功结果长什么样

正常返回是一段文本，比如Hello。如果返回里带choices、usage这些字段，说明走的是标准 OpenAI 兼容响应结构。crewai 拿到这个结构后自己解析，不会再抛BadRequestError。

6. 本篇常见错排查清单

6.1 模型名没加openai/前缀

这是最高频的原因。症状是BadRequestError，堆栈里能看到get_llm_provider相关调用。修复就是加前缀。判断方法：把模型名打印出来，看斜杠前是不是openai。

6.2 base_url 多写了路径

症状同样是 400，但错误信息里可能带Not Found或路径重复。检查 base_url 是不是写成了.../api/v1/chat/completions。正确写法停在https://taotoken.net/api。

6.3 前缀和端点不匹配

调/chat/completions用了text-completion-openai/，或者反过来。对照 2.3 的表格改。crewai 场景基本都是openai/。

6.4 key 没读到环境变量

症状是 401 而不是 400，但有时会被包装成BadRequestError。检查os.environ.get("TAOTOKEN_API_KEY")是否有值。config.toml 里写env:TAOTOKEN_API_KEY时，确认变量名拼写一致。

6.5 模型名斜杠后拼错

前缀对了，但斜杠后的模型名写错，服务端找不到模型，也可能返回 400。把模型名复制到 curl 里单独测一次，确认服务端认这个名字。

6.6 crewai 版本差异

老版本 crewai 的 LLM 构造参数和新版本略有不同。如果base_url传了不生效，检查是不是要用api_base。看 crewai 的 LLM 类签名，或者打印llm.__dict__确认参数进去了。

6.7 排查顺序建议

遇到BadRequestError别一上来就改源码。按这个顺序走：先看模型名有没有openai/前缀 → 再看 base_url 有没有多写路径 → 再用 curl 验通道 → 再用 Litellm 验前缀 → 最后看 crewai 配置。九成问题在前两步就解决了。

7. 接入文档与后续动作

配置和排查都跑通后，建议把 key 管理、模型切换这些动作固定下来。需要看更细的接入说明，可以走接入文档：

• 接入文档：https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite
• API Keys 管理：https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite

如果你只是想快速验证某个模型名能不能通，用模型对话页面直接试：

• 模型对话：https://taotoken.net/chat?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite

如果你在搭长期的编码 Agent 或者多智能体流水线，模型调用量大、需要稳定通道，可以看 Coding Plan：

• Coding Plan：https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite

回到这篇的核心：crewai 下 Litellm 的BadRequestError，绝大多数情况就是模型名少了个openai/前缀，加上就好。base_url 停在版本层，别多写路径。先用 curl 验通道，再用 Litellm 验前缀，最后跑 crewai，问题定位会快很多。