# 零服务器搭一条 AI 内容流水线：腾讯云函数 + 混元 OpenAI 兼容接口实战

> 一个人做内容号，最累的从来不是写，而是「每天都得从零开始想写什么」。这篇文章把选题、初稿、润色三段交给混元大模型，用腾讯云函数做调度，本地不插电、服务器不开机，每天固定时间自动把一份可编辑的稿件送到你手上。全程无服务器、无运维、可白嫖额度跑。

## 一、先说结论

整套东西由三部分组成：

- **模型层**：混元大模型的 OpenAI 兼容接口（`https://api.hunyuan.cloud.tencent.com/v1`），可以直接用官方 `openai` SDK，只改 `base_url` 和 `model`；
- **调度层**：腾讯云函数 SCF + 定时触发器，七段 Cron 每天唤醒一次；
- **产出层**：Markdown 文件（可扩展到云存储 COS 或公众号草稿箱）。

一次运行的成本：约 3 次模型调用，普通选题+初稿级别的 token 量，用 `hunyuan-lite` 直接是零成本，用涡轮版一天几分钱。

## 二、为什么不直接做个网页聊天框

聊天框解决的是「我问它答」，但内容生产真正卡人的是**流程断点**：

```
人工：想选题  →  人工：憋初稿  →  人工：排版润色  →  发布
        ↑ 80% 的时间耗在这三个环节的"启动成本"上
```

改成流水线之后，人的位置移到**最后一个环节**：

```
定时触发 → 生成选题 → 生成初稿 → 自动润色+排版 → 你只做"审和改"
```

关键认知：**AI 不负责写完，AI 负责把"空白的页"变成"可以改的稿"。** 这才是能长期跑下去的分工。

## 三、准备工作

### 3.1 拿到混元 API Key

腾讯云控制台 → 混元大模型 → **API Key 管理** → 新建 API Key。

⚠️ 一个时效性提醒：官方已公告混元相关能力**正在逐步迁移至 TokenHub**，原平台不再新增模型能力、停止支持新购模型服务，已购服务仍可继续使用。所以如果你是**新开通**，直接去 TokenHub 开；老账号继续用兼容接口也没问题。

兼容接口地址与模型名（写代码时直接用）：

| 项目       | 值                                                           |
| -------- | ----------------------------------------------------------- |
| base_url | `https://api.hunyuan.cloud.tencent.com/v1`                  |
| 完整路径     | `https://api.hunyuan.cloud.tencent.com/v1/chat/completions` |
| 旗舰       | `hunyuan-turbos-latest`                                     |
| 轻量       | `hunyuan-lite`                                              |
| 深度推理     | `hunyuan-t1-latest`                                         |
| 多模态      | `hunyuan-vision-latest`                                     |

**注意并发限制**：混元生文接口默认 **5 个并发**，且主子账号共享。这一点直接决定后面代码必须写重试——不是可选项。

### 3.2 本地环境

```bash
pip install openai
export HUNYUAN_API_KEY="你的Key"
```

## 四、核心代码

目录结构：

```
ai-pipeline/
├── config.py        # 客户端与模型配置
├── llm.py           # 带重试与 JSON 容错的调用封装
├── pipeline.py      # 选题 → 初稿 → 润色
└── index.py         # 云函数入口 main_handler
```

### 4.1 config.py：别把密钥写进代码

```python
import os
from openai import OpenAI

BASE_URL = "https://api.hunyuan.cloud.tencent.com/v1"
MODEL = os.environ.get("HUNYUAN_MODEL", "hunyuan-turbos-latest")

# 云函数环境下从「函数配置 → 环境变量」读取，本地从 shell 读取
client = OpenAI(
    api_key=os.environ["HUNYUAN_API_KEY"],
    base_url=BASE_URL,
    timeout=60,      # 单次请求超时给足，模型首 token 可能较慢
    max_retries=0,   # 重试自己控，便于打印失败原因
)
```

密钥走环境变量，绝不要硬编码后提交到仓库——这是云函数场景最常见的低级事故。

### 4.2 llm.py：重试 + JSON 容错是刚需

```python
import json
import random
import time

from config import MODEL, client


def chat(prompt: str, system: str | None = None,
         temperature: float = 0.7, max_tokens: int = 2048) -> str:
    messages = []
    if system:
        messages.append({"role": "system", "content": system})
    messages.append({"role": "user", "content": prompt})

    last_err = None
    for attempt in range(4):
        try:
            resp = client.chat.completions.create(
                model=MODEL,
                messages=messages,
                temperature=temperature,
                max_tokens=max_tokens,
            )
            return resp.choices[0].message.content
        except Exception as e:          # 并发超限 / 网络抖动 / 5xx 都走这里
            last_err = e
            if attempt == 3:
                break
            # 指数退避 + 抖动，避免多实例同时重试再次撞并发上限
            time.sleep(2 ** attempt + random.random())
    raise RuntimeError(f"模型调用失败: {last_err}")


def _extract_json(raw: str):
    """模型经常在 JSON 前后加说明文字，直接 json.loads 会炸"""
    for left, right in (("[", "]"), ("{", "}")):
        s, e = raw.find(left), raw.rfind(right)
        if s != -1 and e > s:
            try:
                return json.loads(raw[s:e + 1])
            except json.JSONDecodeError:
                continue
    return None


def chat_json(prompt: str, retries: int = 3, **kw):
    for _ in range(retries):
        data = _extract_json(chat(prompt, **kw))
        if data is not None:
            return data
    raise ValueError("模型连续多次未返回合法 JSON")
```

这两段是整条流水线里最值钱的部分：**并发上限 5 是硬约束**，不写退避重试，跑几天一定会遇到莫名其妙的失败；**JSON 容错**则是让流水线无人值守的前提。

### 4.3 pipeline.py：三步生产

```python
import json
import os
from datetime import datetime

from llm import chat, chat_json

POSITIONING = os.environ.get(
    "ACCOUNT_POSITIONING",
    "AI 工具实操与人工智能应用科普，读者是刚开始用 AI 的普通职场人",
)


def gen_topics(n: int = 5):
    prompt = (
        f"账号定位：{POSITIONING}\n"
        f"请给出 {n} 个选题，每个包含 title（标题）和 pain_point（读者痛点），"
        f"以 JSON 数组返回，字段只用 title 和 pain_point，不要输出任何其他内容。"
    )
    return chat_json(prompt, temperature=0.9)


def gen_draft(topic: dict):
    prompt = (
        f"你是技术科普作者。围绕选题《{topic['title']}》写一篇初稿。\n"
        f"读者痛点：{topic['pain_point']}\n"
        "要求：\n"
        "1. 结构为：场景引入 → 具体做法（分步骤）→ 可复制的代码或操作 → 常见坑 → 小结；\n"
        "2. 代码要完整可运行，不要用 TODO 占位；\n"
        "3. 语言平实，不用排比句和空洞的形容词；\n"
        "4. 只输出 Markdown 正文，不要写标题之外的解释。"
    )
    return chat(prompt, temperature=0.6, max_tokens=4096)


def polish(draft: str):
    prompt = (
        "下面是初稿，请做三件事后返回完整成稿：\n"
        "1. 删掉凑字数的废话和无信息量的排比；\n"
        "2. 给每段补一句「这一段解决什么问题」的定位句；\n"
        "3. 检查代码块语言标注是否完整（python/bash/json）。\n"
        "不要改代码逻辑，不要新增你无法确认的事实。\n\n"
        f"初稿：\n{draft}"
    )
    return chat(prompt, temperature=0.3, max_tokens=4096)


def run_pipeline():
    today = datetime.now().strftime("%Y-%m-%d")
    topics = gen_topics(3)
    results = []
    for t in topics:
        draft = gen_draft(t)
        final = polish(draft)
        results.append({"title": t["title"], "content": final})
    # 云函数实例是无状态的，落盘只在本地/容器生命周期内有效，
    # 生产环境建议改写为上传 COS：
    #   from qcloud_cos import CosConfig, CosS3Client
    #   client.put_object(Bucket=..., Body=final.encode("utf-8"), Key=f"{today}/{title}.md")
    out_dir = "/tmp/out"
    os.makedirs(out_dir, exist_ok=True)
    for i, r in enumerate(results):
        with open(f"{out_dir}/{today}-{i + 1}.md", "w", encoding="utf-8") as f:
            f.write(f"# {r['title']}\n\n{r['content']}\n")
    return results
```

### 4.4 index.py：云函数入口

```python
import json

from pipeline import run_pipeline


def main_handler(event, context):
    try:
        results = run_pipeline()
        return {
            "code": 0,
            "msg": "ok",
            "count": len(results),
            "titles": [r["title"] for r in results],
        }
    except Exception as e:
        # 返回结构化的失败信息，方便在云函数日志里一眼定位
        return {"code": -1, "msg": str(e)}
```

## 五、部署到腾讯云函数

1. **新建函数**：控制台搜「云函数 SCF」→ 新建 → 从头创建；
   - 运行环境：**Python 3.11**
   - 内存：**512MB**（Python 依赖解压和导入吃内存，128MB 容易在初始化阶段就超时）
   - 执行超时：**300 秒**（一条流水线 3 组调用，每组 2~3 次模型请求，60 秒远远不够）
2. **打包依赖**（云函数默认不带第三方库，`openai` 必须自己打进去）：

```bash
mkdir -p build && cd build
pip install openai -t .
cp ../*.py .
zip -r ../pipeline.zip .
```

1. **上传代码**：函数代码 → 本地上传 ZIP 包 → 上传 `pipeline.zip`；处理程序填 `index.main_handler`。
2. **配置环境变量**：函数配置 → 环境变量，加三个 Key：
   - `HUNYUAN_API_KEY`
   - `HUNYUAN_MODEL`（如 `hunyuan-turbos-latest`，省钱填 `hunyuan-lite`）
   - `ACCOUNT_POSITIONING`（账号定位，直接决定选题质量）
   - 保存后**必须点右上角保存**，否则不生效。
3. **加定时触发器**：触发管理 → 创建触发器 → **定时触发** → `0 30 8 * * * *`

   这是腾讯云的**七段式 Cron**（秒 分 时 日 月 星期 年），少一段直接报错，是新手最常踩的坑。`0 30 8 * * * *` 表示每天 08:30 执行。第一次跑完后去日志里核对触发时刻的时区，确认是不是你要的北京时间。
4. **验证**：函数详情 → 测试 → 自定义事件，事件体填 `{}`，点测试，看返回的 `titles`。

## 六、成本与限流

| 项目    | 说明                                                 |
| ----- | -------------------------------------------------- |
| 模型计费  | 按 token 计，`hunyuan-lite` 免费，涡轮版量级在每天几分钱；价格以控制台实时为准 |
| 并发上限  | 混元生文默认 5 并发，主子账号共享                                 |
| 云函数计费 | 按调用次数 + 资源使用量，一天一次基本落在免费额度内                        |
| 优化点   | 单次执行串行调用即可，别为提速开多线程——会直接撞并发限制                      |

## 七、踩坑清单

1. **`ModuleNotFoundError: openai`** —— 依赖没打进 ZIP，或者 `pip install -t .` 装到了错误的 Python 版本下。
2. **执行中途被掐断** —— 超时设太短。经验做法：看近期正常执行的耗时分布，取 P95 再上浮 30%~50% 作为超时值，别一上来就拉满 900 秒。
3. **`json.loads` 随机报错** —— 模型偶尔会给 JSON 包一层说明文字，必须用切片容错，不要直接 `json.loads(raw)`。
4. **偶发调用失败** —— 大概率撞并发上限，指数退避是解法；连续失败说明你确实把并发用满了。
5. **改了环境变量没生效** —— 环境变量要单独保存一次。
6. **实例无状态** —— 云函数实例执行完就回收，别指望把文件留在容器里当持久存储，要存就存 COS。
7. **密钥泄露** —— 别把 Key 写进代码、别提交到 Git。

## 八、小结

这套东西真正的价值不是「AI 帮我写文章」，而是**把"启动成本"从每天几十分钟压到接近零**：每天早上固定拿到 3 份带结构、带代码、可以直接改的稿子，你只需要挑一份改。

下一步可以做的两件事：

- 把产出接到**云存储 COS**，增量积累成素材库；
- 账号认证完成后接**公众号草稿箱接口**，让稿件直接落到草稿箱里，连复制粘贴都省掉。

代码不复杂，难的是把它真正挂到每天跑。定时触发器一点，这件事就从"我要写"变成"它在跑"。

---

*本文代码在 Python 3.11 + 云函数运行时环境下编写，本地先跑通再部署；涉及的价格、并发额度等以腾讯云控制台实时展示为准。*


一个人做内容号，最累的从来不是写，而是「每天都得从零开始想写什么」。这篇文章把选题、初稿、润色三段交给混元大模型，用腾讯云函数做调度，本地不插电、服务器不开机，每天固定时间自动把一份可编辑的稿件送到你手上。全程无服务器、无运维、可白嫖额度跑。

零服务器搭一条 AI 内容流水线：腾讯云函数 + 混元 OpenAI 兼容接口实战

人工智能

零服务器搭建AI内容流水线：腾讯云函数定时触发，混元OpenAI兼容接口自动完成选题、初稿、润色三步，每日定时输出可编辑稿件。含完整代码、部署教程、成本分析及避坑指南，本地不运行、无运维，适合个人内容号低成本自动化生产。

代码解释

服务器

云函数

云存储

TokenHub

Markdown

容器

Python

JSON

2026上云采购 | AI焕新·智启新局

tione

对象存储COS新用户低至1元！


文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

零服务器搭一条 AI 内容流水线：腾讯云函数 + 混元 OpenAI 兼容接口实战-腾讯云开发者社区-腾讯云

零服务器搭一条 AI 内容流水线：腾讯云函数 + 混元 OpenAI 兼容接口实战

零服务器搭一条 AI 内容流水线：腾讯云函数 + 混元 OpenAI 兼容接口实战

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐