第8章 实战四：API 接口服务项目

目标概述：本章教读者开发一个将 AI 模型封装成 Web API 服务的项目，例如构建一个简易的问答HTTP接口或聊天服务端。通过这一练习，读者将掌握如何用 AI 生成后端代码，提供 RESTful API 来服务于客户端应用。这在实践中非常重要，因为许多 AI 应用需要通过网络提供服务，将模型功能供他人调用。

提示词结构：我们将告诉 AI 生成一个 Web 服务项目的代码框架。提示内容包括：使用的后端框架（例如 Python Flask 或 FastAPI，为了直观我们选 FastAPI）、需要暴露的API端点（比如 /ask 用于提交问题得到回答）、请求和响应格式（JSON 输入输出），以及在API内部如何调用AI模型获得结果。提示词中明确要求：创建一个 app.py 作为主程序（含FastAPI应用和路由定义），实现 /ask POST接口，接受参数 {question: "..."}，返回 {answer: "..."}。并要求附带基本错误处理（如缺少参数时返回400）。

流程图：绘制Web API服务的架构：客户端 -> HTTP请求 (问题JSON) -> 服务器 (FastAPI) -> 调用OpenAI等获取回答 -> HTTP响应 (答案JSON) -> 客户端。标注出关键步骤如“API 解析请求”“与AI对话”“封装响应”。此外，简单展示流程中如何并发处理请求（提示FastAPI本身处理并发的能力）。

可视化代码生成过程：通过 Cursor 逐步生成 API 服务代码。首先根据提示生成 app.py，截图展示AI产出的FastAPI初始化和基本路由定义代码，解释其中重要部分。然后我们通过让AI补全具体实现：如 ask(question) 路由函数里调用OpenAI API获得答案并返回的逻辑。展示AI编写该部分代码的截图。如AI忽略了某些细节（比如未处理OpenAI API失败情况），我们追加提示要求加上异常处理，截图展示改进后的代码。最后，让AI生成一个简单的 requirements.txt 或 命令说明，以便运行服务。

样例项目代码结构：此服务项目结构相对简单：

app.py：包含所有路由和逻辑的主文件（小型应用可不分模块）；

requirements.txt：所需依赖（如 fastapi, openai 等）；

（可选）run.sh：用于启动UVicorn服务器的脚本。
解释如何运行该服务（例如 uvicorn app:app --reload），以及可扩展性（如果功能变多，可拆分成 controllers, services 等模块）。

生成结果截图：展示使用 curl 或 Postman 调用 API 的截图：例如向 POST /ask 发送 JSON {"question": "今天上海天气如何？"}，得到 `{"answer": "..."}。截图应包含请求和响应的示例，以证明API工作正常。若有可能，也展示服务器控制台日志截屏，看到请求进来和处理的信息。

测试点与失败案例：测试 API 的健壮性：如缺少参数调用是否正确返回错误，输入非常长的问题是否超时或被正确处理。探讨并发请求下服务性能（简单压测），确保 AI 生成的代码没有明显阻塞问题（例如使用异步IO的好处）。失败案例：开始AI生成的API可能每次调用模型新建Session，导致效率低或者不复用，或者忘记限制并发，我们识别并通过重构提示优化。另一个潜在问题是安全性，如未做任何鉴权即可调用。我们将在部署章节讨论此类问题，这里提醒读者注意。

术语解释：解释RESTful API、HTTP请求方法（GET/POST）、状态码（200/400等）、JSON格式等基本概念。确保非程序员读者理解我们构建的是一个“网上可以访问的AI机器人接口”，为后续真正上线部署打基础。