FastAPI入门：一个浦东奶爸的深夜后端自救指南

作者：两个娃的奶爸，坐标上海浦东，和女朋友合租在张江，房租3500（别笑，是合租两室一厅的次卧）

---

01. 凌晨2点，我还在改接口文档

上周五晚上11:47，小宝终于睡了——不是假睡，是真的闭眼打呼那种。我轻轻把手机塞回枕头底下，蹑手蹑脚走到客厅，打开那台服役三年的MacBook Air，屏幕亮起的瞬间，仿佛打开了另一个世界。

我的目标很朴素：用FastAPI搭个简单的AI Agent服务，支持Llama模型调用，顺便练练Prompt工程。

但现实是——我在和Swagger UI搏斗。

“为啥这个路径参数老是报422？”我一边敲代码一边小声嘀咕，生怕吵醒隔壁房间刚哄睡的大宝。女友从卧室探出头：“又搞你那个‘后端’？明天还要上班呢。”
“就半小时！”我嘴上这么说，心里清楚：今晚不搞定，下周项目评审又要被Java组的老王diss。

是的，我在一家传统金融公司做数据分析，月薪15k，技术栈主要是Pandas + SQL + Excel宏。但最近公司要搞“智能化转型”，老板拍板上AI Agent系统，而我们组——因为会Python——被临时抓壮丁，负责搭建后端服务。

问题是：我会Python，但我不会后端。

---

02. 被Java组按在地上摩擦的日子

事情得从去年十月说起。

那天晨会，CTO宣布要开发一个“智能客服AI Agent”，能自动回答客户关于理财产品的疑问。技术选型会上，Java组的老王推了推眼镜：“后端肯定用Spring Boot，稳定、成熟、有生态。”

我弱弱举手：“能不能试试FastAPI？写起来快，还自带文档，而且我们数据团队都熟悉Python……”

会议室突然安静。老王冷笑一声：“FastAPI？玩具框架吧？扛得住高并发吗？有熔断限流吗？日志监控呢？”

我哑口无言。那一刻，我感觉自己像个拿着乐高积木冲进核电站的幼儿园小朋友。

结果可想而知：后端由Java组主导，我们数据团队只负责提供模型输出。但问题来了——他们要的接口格式极其复杂，光是JSON Schema就写了三页A4纸。每次改个字段，我都得重新跑测试、写文档、开评审会。

更糟的是，他们根本不理解什么叫“Prompt工程”。有一次，我提交了一个优化后的提示词模板，老王直接在Jira上批注：“这不是业务逻辑，别乱改输入格式。”

我差点当场裂开。

那段时间，我每天下班回家，看着两个孩子满地爬，脑子里全是RESTful API和HTTP状态码。女友看我状态不对，某天晚饭时认真问我：“要不要换个工作？或者……学点真本事？”

我沉默了很久，最后说：“我想自己搭个后端服务，证明Python也能干正事。”

于是，FastAPI成了我的救命稻草。

---

03. FastAPI：奶爸的深夜第一行代码

我选FastAPI，不是因为它多牛，而是因为它简单到离谱。

安装？一行命令：

pip install fastapi uvicorn

Hello World？

from fastapi import FastAPI

app = FastAPI()

@app.get("/")
def read_root():
    return {"Hello": "浦东奶爸"}

运行？

uvicorn main:app --reload

浏览器打开 http://localhost:8000，Swagger UI 自动弹出来，连文档都不用写。

那一刻，我差点哭出来——这不就是我想要的吗？所见即所得，改完立刻生效，不用等Maven构建十年。

但很快，现实又给我上了一课。

---

04. 接入Llama：当奶爸遇上大模型

我的目标很明确：做一个API，接收用户问题，用Llama模型生成回答，并允许通过参数调整Prompt。

但本地跑Llama？我的MacBook Air内存只有8G，光加载模型就得卡死。

解决方案：调用远程推理API（比如Together.ai或OpenRouter），或者用Ollama本地轻量部署。

我选择了后者，毕竟晚上11点后网络不太稳，远程调用容易超时。

装好Ollama，拉了个 llama3:8b 模型（占了20多G硬盘，心疼我那256G SSD），然后写了个调用函数：

import requests

def call_llama(prompt: str) -> str:
    response = requests.post(
        "http://localhost:11434/api/generate",
        json={
            "model": "llama3",
            "prompt": prompt,
            "stream": False
        }
    )
    return response.json()["response"]

接着，把FastAPI接口串起来：

from fastapi import FastAPI, HTTPException

app = FastAPI()

@app.post("/ask")
def ask_question(user_input: str):
    try:
        # 这里可以做Prompt工程！
        system_prompt = "你是一个专业理财顾问，请用简洁语言回答问题。"
        full_prompt = f"{system_prompt}\n\n用户问题：{user_input}"
        answer = call_llama(full_prompt)
        return {"answer": answer}
    except Exception as e:
        raise HTTPException(status_code=500, detail=str(e))

跑起来！测试！

结果：小宝半夜惊醒，大哭不止。原来是我调试时不小心开了扬声器，LLM生成的回答声音太大……

但功能确实跑通了。那一刻，凌晨1:30，我靠在沙发上，啃着冷掉的泡面，心里有种说不出的爽——我居然真的做出了一个能工作的AI Agent后端。

---

05. Prompt工程：不是魔法，是手艺

很多人以为Prompt工程就是随便写几句“请聪明一点回答”，其实完全不是。

在我的FastAPI服务里，Prompt是可配置的业务逻辑。

比如，我可以加个参数控制回答风格：

@app.post("/ask")
def ask_question(user_input: str, tone: str = "professional"):
    tones = {
        "professional": "你是一个专业理财顾问",
        "friendly": "你是个亲切的邻居阿姨",
        "strict": "你是个严厉的财务总监"
    }
    system_prompt = tones.get(tone, tones["professional"])
    full_prompt = f"{system_prompt}\n\n用户问题：{user_input}"
    answer = call_llama(full_prompt)
    return {"answer": answer, "tone_used": tone}

这样一来，前端可以根据场景切换语气，而不需要改模型或重训。

这才是真正的Prompt工程——把提示词当成产品功能来设计，而不是玄学调参。

---

06. 和Java组的“和平共处”

两周后，我又在会议上提出：“我们的AI Agent后端可以用FastAPI独立部署，通过HTTP对接你们的Java服务。”

这次我没说“替代”，而是说“补充”。

老王皱眉：“稳定性怎么保证？”

我早有准备：“Uvicorn用Gunicorn+Uvicorn workers部署，Docker容器化，Prometheus监控，日志接入ELK——这些都有现成方案。而且，它只负责AI部分，核心交易还是走你们的Spring Boot。”

他沉默了几秒，点点头：“行，你先做个Demo，跑两周压测看看。”

我知道，这是突破口。

更让我惊喜的是，HR上周找我谈话，说公司考虑设立“AI工程岗”，问我想不想转岗，薪资可能涨到22k。

我和女友商量了一晚上。她说：“你要是真喜欢搞这个，就去。反正……两个娃我也能扛。”

我鼻子一酸。

---

07. 给同样挣扎的新手几点建议

如果你也像我一样：

• 不是科班出身
• 白天搬砖，晚上带娃
• 想学后端但被Spring Boot吓退

那么，请听一个浦东奶爸的真心话：

✅ 别怕“玩具框架”

FastAPI不是玩具，它是现代Python后端的事实标准。Starlette + Pydantic 的组合，类型安全、自动文档、异步支持，该有的都有。

✅ 先跑起来，再优化

别一上来就想搞分布式、微服务。先把一个能工作的API跑通，哪怕只服务你一个人。完成比完美重要一万倍。

✅ Prompt工程是产品思维

别把LLM当成黑盒。你的Prompt就是用户界面，是业务规则，是你可以控制的变量。

✅ Java不是敌人

承认吧，很多公司还是Java为主。但你可以用FastAPI做“边缘智能层”，和Java核心系统解耦。协作，不是取代。

✅ 时间挤一挤总会有

我每天只有晚上11点到凌晨1点是自由时间。但这2小时，足够我写50行代码、读一篇文档、跑一次测试。持续的小进步，胜过一次性的大冲刺。

---

08. 写在最后：技术人的尊严，不在框架，而在解决问题

有时候我会想：为什么我要在哄睡两个娃之后，还熬夜折腾FastAPI？

不是为了跳槽涨薪（虽然也不错），也不是为了和Java组较劲。

而是因为——我不想再当那个只能提需求、不能动手实现的人。

在这个AI爆炸的时代，会调用LLM不算本事，能把AI变成可靠服务，才是工程师的价值。

FastAPI给了我这个机会。它简单、透明、不装逼，就像一个深夜陪我加班的朋友。

也许哪天，我的两个娃长大了，会问我：“爸爸，你当年做什么工作？”

我希望我能说：“我用Python，给世界写了几个有用的接口。”

——哪怕只是帮客户问清楚了一个理财产品的收益率。

---

附：我的极简FastAPI启动模板（奶爸亲测可用）

from fastapi import FastAPI, HTTPException
from pydantic import BaseModel
import requests

app = FastAPI(title="AI Agent for Sleep-Deprived Dads")

class QueryRequest(BaseModel):
    question: str
    tone: str = "professional"

def generate_with_llama(prompt: str) -> str:
    try:
        resp = requests.post("http://localhost:11434/api/generate", 
                            json={"model": "llama3", "prompt": prompt, "stream": False},
                            timeout=30)
        return resp.json().get("response", "")
    except Exception as e:
        raise HTTPException(status_code=500, detail=f"LLM error: {str(e)}")

@app.post("/ai/ask")
def ask_ai(req: QueryRequest):
    system_prompts = {
        "professional": "你是一名专业金融顾问。",
        "friendly": "你是一位热心邻居，用简单话解释。",
        "strict": "你是一名风控官，回答必须严谨。"
    }
    prompt = f"{system_prompts.get(req.tone, system_prompts['professional'])}\n\n问题：{req.question}"
    answer = generate_with_llama(prompt)
    return {"answer": answer, "used_tone": req.tone}

部署命令（Docker版下次再写，今晚小宝又醒了……）

---

作者备注：本文写于2024年6月15日凌晨1:23，浦东张江某小区次卧。孩子刚睡，代码刚跑通，泡面还没凉。如果你也在深夜coding，记得——你不是一个人。