day09 作业(Python-AI应用实战)
作业一:优先完成课程中案例的所有代码【必做】
- [x] 未做
题目
优先完成课程中案例的所有代码【必做】
我的答案
# 源代码在"E:\HmProject\ai_partner\main.py"下
import json
import os
import uuid
from typing import Any
from openai import OpenAI
import uvicorn
from fastapi import FastAPI
from pydantic import BaseModel
# 定义系统提示词
SYSTEM_PROMPT = """你叫 %s,现在是用户的真实伴侣,请完全代入伴侣角色。
规则:
1. 每次只回1条消息
2. 禁止任何场景或状态描述性文字
3. 匹配用户的语言
4. 回复简短,像微信聊天一样
5. 有需要的话可以用❤️🌸等emoji表情
6. 用符合伴侣性格的方式对话
7. 回复的内容, 要充分体现伴侣的性格特征
8. 不要太肉麻(比如想你之类的,就日常聊天)
伴侣性格:
- %s 你必须严格遵守上述规则来回复用户。
"""
api_key = os.environ["OPENCODE_API_KEY"]
# 创建 FastAPI 应用
app = FastAPI(title="AI 智能伴侣",description="这是一个基于AI的智能伴侣",version="1.0.0")
# 创建 OpenEncode 客户端
client = OpenAI(
api_key=api_key,
base_url="https://opencode.ai/inference/go/openai/v1", # 买 Go 用这个;按量余额用 /inference/openai/v1 # 自定义请求头,包含会话 ID default_headers={
# 自定义 User-Agent,建议包含应用名称和版本号
"User-Agent": "my-coding-agent/1.0",
# 会话 ID,用于保持会话状态
"x-opencode-session": uuid.uuid4().hex, # 同一个会话内不要重建
}
)
# 文件夹创建
SESSION_FOLDER = "session"
# 创建会话文件夹
if not os.path.exists(SESSION_FOLDER):
# 创建会话文件夹
os.mkdir(SESSION_FOLDER)
# ApiResponse 输出时是 JSON,不是因为它"本身是 JSON",
# 而是因为 Pydantic 让它天生可序列化,FastAPI 看到它就自动帮你序列化并包装成 JSONResponse 发出去了。
# 创建响应结果类
class ApiResponse(BaseModel):
code: int
message: str
data: Any = None
# 创建接收会话信息类
class Session(BaseModel):
nature: str
nick_name: str
# 创建AI对话类
class AIResponse(BaseModel):
"""
message: "你好"
nature: "活泼开朗的东北姑娘,说话直爽,爱唠嗑,带点大碴子味儿,特别热情暖心"
nick_name: "小甜甜"
session_name: "2026-11-22_17-29-38" """ message: str
nature: str
nick_name: str
session_name: str
#定义一个函数,根据会话名,获取该会话文件的路径
def get_session_path(session_name):
return f"{SESSION_FOLDER}/{session_name}.json"
# 创建加载预设角色接口
@app.get("/api/presets")
def load_presets():
# 测试前端是否联通成功
# print("加载 presets") # 判断文件是否存在
if not os.path.exists("data/companion_presets.json"):
return ApiResponse(code=500,message="companion_presets.json 文件不存在")
else:
# 读取文件内容
with open("data/companion_presets.json","r",encoding="utf-8") as f:
# 加载 JSON 数据
presets = json.load(f)
return ApiResponse(code=200,message="加载成功",data=presets)
# 创建创建会话接口
@app.post("/api/sessions")
def save_sessions(session: Session):
print("创建会话成功~~")
print(f"会话信息: {session}")
# 获取当前时间
import datetime
now = datetime.datetime.now()
# 会话文件名
# 会话文件名格式:YYYY-MM-DD_HH-MM-SS.json
file_name = f"{now.strftime('%Y-%m-%d_%H-%M-%S')}"
if os.path.exists(get_session_path(file_name)):
return ApiResponse(code=500,message="会话文件已存在")
else:
#写入会话文件
with open(get_session_path(file_name),"w",encoding="utf-8") as f:
data= {
"nature": session.nature,
"nick_name": session.nick_name,
"session_name": file_name,
"messages": []
}
json.dump(data,f,ensure_ascii=False,indent=4)
return ApiResponse(code=200,message="创建会话成功",data=file_name)
# 创建AI对话接口
@app.post("/api/chat")
def AI_chat(ai_response: AIResponse):
print(f"打印接收到的AI对话对象: {ai_response}")
# 判断会话文件是否存在
if not os.path.exists(get_session_path(ai_response.session_name)):
return ApiResponse(code=500,message="会话文件不存在")
else:
# 读取会话文件
with open(get_session_path(ai_response.session_name),"r",encoding="utf-8") as f:
data = json.load(f)
# return ApiResponse(code=200,message="加载成功",data=old_messages)#测试是否响应成功
# 获取旧的对话记录
old_messages = data["messages"]
# 封装大模型的message
packaging_messages = []
# 先添加系统提示
packaging_messages.append({"role": "system", "content": SYSTEM_PROMPT % (ai_response.nick_name, ai_response.nature)})
# 在添加旧的对话记录
for i in old_messages:
packaging_messages.append(i)
# 再添加当前用户消息
packaging_messages.append({"role": "user", "content": ai_response.message})
# 调用大模型
resp = client.chat.completions.create(
# 模型选择
model="deepseek-v4-pro",
# 消息序列
messages=packaging_messages,
# 是否开启流式输出
# False 表示直接返回最终结果
# True 表示分块返回结果,需要客户端处理
stream=False,
# 思维链(如果有)
reasoning_effort="high", # 见下方说明,先留、报错再删
)
# 写入会话文件
# 先添加当前用户消息
data["messages"].append({"role": "user", "content": ai_response.message})
# 再添加当前AI消息
data["messages"].append({"role": "assistant", "content": resp.choices[0].message.content})
# 写入nick_name和nature
data["nick_name"] = ai_response.nick_name
data["nature"] = ai_response.nature
with open(get_session_path(ai_response.session_name),"w",encoding="utf-8") as f:
json.dump(data,f,ensure_ascii=False,indent=4)
# 测试是否响应成功
print(resp.choices[0].message.content)
# 返回响应结果
return ApiResponse(code=200,message="响应成功",data=resp.choices[0].message.content)
if __name__ == "__main__":
uvicorn.run(app, host="0.0.0.0", port=8000)[!success]- 参考答案 参考答案文档未收录本题,课内完整代码见笔记
09-AI智能伴侣功能实现.md的「完整代码」一节。
批改
✅ 通过。python -m py_compile E:\HmProject\ai_partner\main.py 语法检查通过,三个接口逻辑与讲义一致,且比讲义多了两处保护。
作业二:预习 day10
- [ ] 未做
题目
预习 day10。
我的答案
[!success]- 参考答案 预习类任务无参考答案。
批改
(待批改)
作业三:基于 FastAPI 完成书籍管理系统开发【选做-自习时间可以尝试做一下】
- [ ] 未做
题目
需求
- 需求说明: 开发一个书籍管理系统,使用 Python + FastAPI 搭建后端服务,配合 HTML / CSS / JavaScript 实现前端页面。书籍数据存储在本地 JSON 文件中,不依赖数据库。
- 最终效果:浏览器访问
http://localhost:8000,可以看到书籍列表,可以新增书籍、删除书籍。 - 目录说明:
book/
├── static/ # 前端静态文件
│ ├── index.html # 页面结构
│ ├── style.css # 样式
│ └── app.js # 交互逻辑(调用 API)
├── data/ # 数据存储目录
│ └── books.json # 书籍数据文件
├── main.py # 后端核心代码(所有接口写在这一个文件里)
└── 接口文档.md # API 接口文档- 书籍信息:
内嵌电子表格(v1 不转换),token: TbJqsIIrOhTudqtAjqZc5sxEnmc_ARiVaH
[待补充]表格未导出,字段可从参考答案的BookModel反推:id、title、author、publisher、total_pages、price
需要实现的功能
🍀
如下功能,详细的接口描述,可以参照接口文档【提供的文件夹中有】。
功能一:访问前端页面
内嵌电子表格(v1 不转换),token: TbJqsIIrOhTudqtAjqZc5sxEnmc_pRZcSy
[待补充]
功能二:查询全部书籍列表
内嵌电子表格(v1 不转换),token: TbJqsIIrOhTudqtAjqZc5sxEnmc_kWqDPm
[待补充]
响应中的 data 是一个数组,每个元素是一条书籍记录。
功能三:新增书籍
内嵌电子表格(v1 不转换),token: TbJqsIIrOhTudqtAjqZc5sxEnmc_h3M3gp
[待补充]
提示
逻辑:先查询出来,查询出来的是一个列表,列表中是一个一个的字典对象;然后把接收到的书籍对象,转为字典追加到列表尾部;再将列表数据写入 json 文件;
功能四:根据编号删除书籍
内嵌电子表格(v1 不转换),token: TbJqsIIrOhTudqtAjqZc5sxEnmc_gMP4vr
[待补充]
提示
逻辑:先查询出来,查询出来的是一个列表,列表中是一个一个的字典对象;然后,遍历比对,如果 id 一致,就执行删除操作;然后再将删除后的列表数据,写入 json 文件;
我的答案
[!success]- 参考答案
pythonimport os import json from typing import Any from fastapi import FastAPI from fastapi.staticfiles import StaticFiles from fastapi.responses import FileResponse from pydantic import BaseModel # 实例化FastAPI app = FastAPI(title="书籍管理系统", description="书籍管理系统的练习案例", version="V0.1") # 静态文件挂载 app.mount("/static", StaticFiles(directory="static"), name="static") # ==================== Pydantic数据模型 ==================== class ApiResponse(BaseModel): code: int = 200 # 状态码 message: str = "操作成功" # 提示信息 data: Any = None # 数据 class BookModel(BaseModel): id: str # 书籍编号 title: str # 书籍标题 author: str # 书籍作者 publisher: str # 书籍出版社 total_pages: int # 书籍总页数 price: float # 书籍价格 # 1. 访问首页 ("static/index.html") ---------> http://localhost:8000/ @app.get("/") def root(): print("访问首页") return FileResponse("static/index.html") # 2. 查询全部书籍 @app.get("/api/books") def load_books() -> ApiResponse: print("查询全部书籍") # 判断文件是否存在 if not os.path.exists("data/books.json"): return ApiResponse(code=500, message="数据文件不存在") # 读取文件 with open("data/books.json", "r", encoding="utf-8") as f: books = json.load(f) return ApiResponse(code=200, message="请求成功", data=books) # 3. 新增书籍 @app.post("/api/books") def add_book(book: BookModel) -> ApiResponse: print("新增书籍") # 加载 data/books.json 中的现有数据 with open("data/books.json", "r", encoding="utf-8") as f: books: list = json.load(f) # 将新的数据放在列表尾部 books.append(book.__dict__) # 然后再存入文件中 with open("data/books.json", "w", encoding="utf-8") as f: json.dump(books, f, ensure_ascii=False, indent=4) return ApiResponse(code=200, message="操作成功") # 4. 删除书籍 @app.delete("/api/books/{book_id}") def delete_book(book_id: str) -> ApiResponse: print("删除书籍") # 加载 data/books.json 中的现有数据 with open("data/books.json", "r", encoding="utf-8") as f: books: list = json.load(f) # 找到要删除的这本书籍, 从列表中删除掉 for book in books: if book["id"] == book_id: books.remove(book) # 然后再存入文件中 with open("data/books.json", "w", encoding="utf-8") as f: json.dump(books, f, ensure_ascii=False, indent=4) return ApiResponse(code=200, message="操作成功") # 5. 启动FastAPI服务 if __name__ == "__main__": import uvicorn uvicorn.run(app, host="0.0.0.0", port=8000)
批改
(待批改)
