Hugging Face Trending：Qwen3 Coder 经 TaoToken 跑 PyPI 包重构

🚀 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

Hugging Face Trending 这几天被 Qwen3 Coder 占据了好几格。我通过 TaoToken 来跑这次 PyPI 包结构重构：先记录原始测试，再让模型生成新实现并复跑。实验对象是 python-slugify，很多博客标题转 slug 都用它；代码集中在一个 __init__.py 里，stopwords、Unicode 转换、正则替换全混在一起。选它的理由很具体：小到能在一个上下文里完整放下，又有明确的拆分边界。把原始测试跑绿，让模型动手，最后复跑同一组测试，这个闭环比只刷排行榜更能看出开源权重在真实依赖工程里的表现。接入层换来换去容易掩盖问题，所以我只保留一个 Key 和一个 Base URL，Claude Code 里切到 Qwen3 Coder 就完事。对这篇来说，TaoToken 只是 Key、Base URL 和复现基线，不是被评测对象；被评测的是“开源权重 + 本地 pytest + 依赖 diff”这条链路。本文不含任何排行榜分数，只记录一次本机运行。

1. 为什么选 python-slugify 当 Qwen3 Coder 的重构对象

python-slugify 在 PyPI 上存活了很久，它的接口很稳定：一个 slugify() 函数，接受文章标题，返回 URL 可用的 slug。它的实现却不像接口这么收敛。拿到源码后会发现，Unicode 预转换、停用词过滤、正则替换、截断逻辑全部堆在同一个模块里，一个函数从上到下要处理五六种边界条件。这种“接口稳定、内部拥挤”的包最适合做结构重构，因为它能明确判断重构有没有破坏行为：只要输入输出不变，测试就不该变。

用 Qwen3 Coder 来做这次重构，是因为 Hugging Face Trending 上它正热，而且它属于开源权重模型，可以通过兼容 API 接进现有工具链。我不需要把整个 IDE 换成某个专用 Agent，也不用为它单独装一套 Python SDK；Claude Code 的配置里换个 Base URL 和模型 ID，就能让对话直接读到项目文件。真正要动手改的代码不在线上，而在本地工作区，这让实验可以反复重来。把原始测试结果留下来，模型生成的 diff 落盘，再跑同一份测试做对照，整个流程不需要生产环境参与。

2. 原始基线：安装、三组用例与 pytest 复跑命令

先建一个干净目录，用虚拟环境隔离版本。我用的是 Python 3.11，在 macOS 上跑；Linux 也没区别。命令如下：

mkdir -p ~/slugify-tt && cd ~/slugify-tt
python3.11 -m venv .venv
source .venv/bin/activate
pip install -U pip
pip install python-slugify pytest

安装完成后确认模块来自 PyPI，而不是本地残留：

python -c "import slugify; print(slugify.__file__)"

只要打印出的路径在虚拟环境 site-packages 下，依赖就是干净的。接着写一组尽可能小但能覆盖主路径的测试。我没有用包自带的完整测试套件，而是自己固定了三组用例：普通标点、数字段落、长句。原因很简单：重构前后必须保证这几条公共行为不变。

# tests/test_slug.py
from slugify import slugify

def test_hello_world():
    assert slugify("Hello, World!") == "hello-world"

def test_numbers():
    assert slugify("Foo Bar 123") == "foo-bar-123"

def test_sentence():
    assert slugify("The quick brown fox jumps over the lazy dog.") == "the-quick-brown-fox-jumps-over-the-lazy-dog"

跑原始测试：

python -m pytest tests/ -q

这版跑出来的结果是 3 passed。我只记录结果，不改动这个文件。为了让复现链更完整，把输出留一份快照：

python -m pytest tests/ -q > before.log
cat before.log

至此，重构前的“原始测试结果”已经固定。接下来要做的所有事情，都是为了让 after.log 和 before.log 一致。

3. 把默认供应商切到 TaoToken：Key、Base URL 与 Claude Code 配置

接入部分只做一件小事：把模型调用的默认供应商指到 TaoToken。先去 TaoToken 创建一个 API Key，然后记下两个信息：Base URL 是 https://taotoken.net/api，模型 ID 以模型广场展示为准。这里不要照抄网上的模型名，同一个模型在广场上的 ID 可能跟 Hugging Face 仓库名不完全一样；后面排障部分会专门说这个坑。

如果你在用 Claude Code，可以直接通过环境变量切过去：

export ANTHROPIC_BASE_URL=https://taotoken.net/api
export ANTHROPIC_AUTH_TOKEN=YOUR_API_KEY
export ANTHROPIC_MODEL=YOUR_MODEL_ID

也可以写进 ~/.claude/settings.json 的 env 块，效果一样：

{
  "env": {
    "ANTHROPIC_BASE_URL": "https://taotoken.net/api",
    "ANTHROPIC_AUTH_TOKEN": "YOUR_API_KEY",
    "ANTHROPIC_MODEL": "YOUR_MODEL_ID"
  }
}

如果不想动编辑器配置，TaoToken 也提供 CLI，安装后可以直接发一条补全请求验证连通性：

npm install -g @taotoken/taotoken
taotoken cc -k YOUR_API_KEY -u https://taotoken.net/api -m YOUR_MODEL_ID

注意 Base URL 末尾不要拼 /v1。我一开始填了 https://taotoken.net/api/v1，请求路径直接变成 /api/v1/v1/messages，返回 404；去掉 /v1 就正常了。CLI、Claude Code 和 Base URL 共用同一个 Key，切模型时只需要改 YOUR_MODEL_ID。

4. Qwen3 Coder 生成重构实现：Prompt、diff 与依赖变更清单

重构开始时，我没有让模型直接访问磁盘，而是把源码和测试文件内容粘进对话。这样生成结果可以人工审一遍再落盘，不会让 AI 工具直接改动项目文件。拼接命令很简单：

cat slugify/__init__.py
cat tests/test_slug.py

下面是我实际发给 Qwen3 Coder 的 Prompt，未做修改：

请重构这个 python-slugify 包：
1. 保持 slugify() 的公共参数和返回语义不变；
2. 把 __init__.py 中的 Unicode 转换、停用词集合、正则规则分别移到 _unicode.py、_stopwords.py、_rules.py；
3. 保持现有运行依赖不变；
4. 给出完整 diff 和依赖变更清单。

模型返回了一版拆分后的实现。绝大部分 diff 是把原有函数体平移到新模块，而不是重写算法，这正是我预期中的“结构重构”。下面的 diff 是原始输出的骨架，完整版有两百多行：

diff --git a/slugify/__init__.py b/slugify/__init__.py
--- a/slugify/__init__.py
+++ b/slugify/__init__.py
@@ -1,3 +1,4 @@
+from ._unicode import unicode_lookup
+from ._stopwords import STOPWORD_SET
+from ._rules import PRE_REGEX

重构后的文件布局：

slugify/
├── __init__.py
├── _unicode.py
├── _stopwords.py
└── _rules.py

__init__.py 后续只保留 slugify() 主入口、参数解析和流程编排，Unicode 映射、停用词表、正则规则各自归位。这个拆分没有改变调用方，也没有动依赖。

依赖变更清单如下。这里“无变化”也是有效结果，因为任务目标是结构，不是换库；真正需要确认的是重构后 text-unidecode 仍然被正确引用。

关于模型 ID，有一点必须说清楚：TaoToken 模型广场展示的 ID 才是 API 配置里该填的东西，Hugging Face 上的仓库名可以作为对照参考，但不能直接抄进 ANTHROPIC_MODEL。模型广场入口和 Key 管理在同一个页面，以 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 展示的为准。

5. 复跑 pytest：重构前后对照表

新文件落盘后，我没有马上相信“看起来能过”，而是直接重新跑同一份测试：

python -m pytest tests/ -q

输出仍然是 3 passed。再把三个原始输入单独手跑一遍，结果和重构前完全一致。也就是说，这次重构在行为层面没有引入可见变化，公共 API、默认参数、返回格式都保住了。

为了让自己不遗漏回归，把复跑输出也留一份：

python -m pytest tests/ -q > after.log
diff before.log after.log

diff 没有任何输出，说明两份日志逐行相同。这个操作比只看终端上的 3 passed 更稳，因为它是可留档的对照证据。

下面是这次本机运行的对照表。我刻意把它和公榜类结论分开：这不是模型能力排行榜，只是同一台机器、同一把 Key、同一 Prompt 下的一次实验记录，不代表任何 Benchmark 结论。

如果你也想复现这张表，直接按第 3 节的配置切到 TaoToken，再用第 4 节的 Prompt 走一遍即可；不需要额外装 Agent 框架，也不用申请第二个 Key。

6. 排障：Base URL 末尾的 /v1 与模型 ID 来源

这次实测里我只踩到两个配置层面的坑，都跟模型本身无关。第一个是 Base URL 末尾多写 /v1。很多兼容接口的文档会把 /v1 写进地址，但 TaoToken 的 Base URL 就是 https://taotoken.net/api，末尾不带 /v1。加错之后，Claude Code 会把路径拼成 /api/v1/v1/messages，请求直接 404；改成不带 /v1 的地址后马上通过。

第二个坑是模型 ID 的来源。API 配置里的模型 ID 要以 TaoToken 模型广场展示为准，不能把 Hugging Face 仓库页上的名字原样拿过来。我一开始看到的是 HF 仓库名，填进去后请求返回模型不存在；去 TaoToken 控制台看了一圈才发现广场上直接展示了 API 用的模型 ID。这个 ID 在 Key 创建页和模型广场都能看到，照抄一次就能用。排障完成后，第 3 节的配置会变成一份可复现的模板，不再依赖运气。

7. 去控制台对一下账

这次调用消耗了多少 Token，记录在哪个模型 ID 下面，去 TaoToken 控制台看用量明细就行。建议你把上面的复现命令完整跑一遍，然后回到 Qwen3 Coder 的对话里，把 before.log 和 after.log 的 diff 输出贴回去，让它再确认一遍是否有遗漏的行为变化。创建 Key 的入口和模型广场在同一个页面，复现时不必再翻文档。

🚀 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