Skip to content

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

python
# 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

python

[!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:
python
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

python

[!success]- 参考答案

python
import 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)