网站首页 > 厂商资讯 > AI工具 >

使用FastAPI开发AI对话后端的详细指南

在当今数字化时代，人工智能（AI）技术在各个领域中的应用日益广泛。其中，AI对话系统作为一种重要的交互方式，能够为用户提供便捷、智能的服务。FastAPI，作为一款高性能、易于使用的Web框架，成为了开发AI对话后端的热门选择。本文将详细讲述如何使用FastAPI开发AI对话后端，并分享一个实际开发过程中的故事。

一、FastAPI简介

FastAPI是一款现代、快速（高性能）的Web框架，用于构建API，支持异步请求处理。它由Python编写，完全基于标准Python类型提示，无需额外安装包。FastAPI的特点包括：

高性能：FastAPI在处理大量并发请求时表现出色，能够快速响应用户请求。
易于使用：FastAPI的语法简洁，上手速度快，开发者可以轻松地编写API。
类型安全：FastAPI支持类型提示，能够帮助开发者及时发现代码中的错误。

二、使用FastAPI开发AI对话后端

环境搭建

首先，我们需要安装FastAPI及其依赖库。在命令行中执行以下命令：

pip install fastapi uvicorn[standard]

创建项目结构

创建一个名为ai_dialogue的新目录，并在该目录下创建以下文件：

ai_dialogue/

├── main.py

├── app/

│   ├── __init__.py

│   ├── models.py

│   ├── schemas.py

│   └── api.py

└── requirements.txt

编写代码

（1）models.py：定义数据库模型

from pydantic import BaseModel



class Dialogue(BaseModel):

    id: int

    user: str

    question: str

    answer: str

（2）schemas.py：定义数据传输对象（DTO）

from pydantic import BaseModel



class DialogueCreate(BaseModel):

    user: str

    question: str

（3）api.py：定义API接口

from fastapi import FastAPI, HTTPException

from .models import Dialogue

from .schemas import DialogueCreate

from .database import SessionLocal



app = FastAPI()



def get_db():

    db = SessionLocal()

    try:

        yield db

    finally:

        db.close()



@app.post("/dialogues/", response_model=Dialogue)

def create_dialogue(dialogue: DialogueCreate):

    db = get_db()

    new_dialogue = Dialogue(user=dialogue.user, question=dialogue.question, answer="")

    db.add(new_dialogue)

    db.commit()

    db.refresh(new_dialogue)

    return new_dialogue

（4）main.py：启动服务器

from fastapi import FastAPI

from .api import app



app = FastAPI()



if __name__ == "__main__":

    import uvicorn

    uvicorn.run(app, host="0.0.0.0", port=8000)

数据库连接

在ai_dialogue目录下创建一个新的Python文件database.py，用于处理数据库连接。

from sqlalchemy import create_engine

from sqlalchemy.orm import sessionmaker



DATABASE_URL = "sqlite:///./test.db"



engine = create_engine(

    DATABASE_URL, connect_args={"check_same_thread": False}

)

SessionLocal = sessionmaker(autocommit=False, autoflush=False, bind=engine)



Base = SQLAlchemyBase.metadata

Base.metadata.create_all(bind=engine)

运行项目

在命令行中，进入ai_dialogue目录，并执行以下命令：

uvicorn main:app --reload

此时，服务器已启动，监听8000端口。

三、实际开发过程中的故事

在开发过程中，我们遇到了一个有趣的问题。在处理对话数据时，我们需要将用户输入的问题和AI生成的回答存储到数据库中。然而，由于对话内容可能包含敏感信息，我们需要确保数据的安全性。

为了解决这个问题，我们决定对用户输入的问题进行加密处理，然后再将其存储到数据库中。加密算法选择AES，密钥由服务器端生成并存储在环境变量中。

在api.py文件中，我们添加了加密和解密函数：

from cryptography.fernet import Fernet



# 生成密钥

key = Fernet.generate_key()

cipher_suite = Fernet(key)



def encrypt_data(data):

    return cipher_suite.encrypt(data.encode()).decode()



def decrypt_data(data):

    return cipher_suite.decrypt(data.encode()).decode()

在创建对话时，我们对用户输入的问题进行加密：

@app.post("/dialogues/", response_model=Dialogue)

def create_dialogue(dialogue: DialogueCreate):

    encrypted_question = encrypt_data(dialogue.question)

    db = get_db()

    new_dialogue = Dialogue(user=dialogue.user, question=encrypted_question, answer="")

    db.add(new_dialogue)

    db.commit()

    db.refresh(new_dialogue)

    return new_dialogue

在获取对话内容时，我们对其进行解密：

@app.get("/dialogues/{dialogue_id}")

def read_dialogue(dialogue_id: int):

    db = get_db()

    dialogue = db.query(Dialogue).filter(Dialogue.id == dialogue_id).first()

    if dialogue is None:

        raise HTTPException(status_code=404, detail="Dialogue not found")

    decrypted_question = decrypt_data(dialogue.question)

    return {"id": dialogue.id, "user": dialogue.user, "question": decrypted_question, "answer": dialogue.answer}

通过这种方式，我们确保了用户输入的问题在存储过程中得到了加密，从而提高了数据的安全性。

总结

本文详细介绍了如何使用FastAPI开发AI对话后端。通过搭建环境、创建项目结构、编写代码、数据库连接以及实际开发过程中的故事，展示了FastAPI在构建高性能、易用的AI对话系统中的优势。希望本文能对您有所帮助。