登录社区云，与社区用户共同成长
邀请您加入社区
本文介绍了从SQLite升级到PostgreSQL的必要性和完整流程。SQLite在项目初期表现良好，但随着用户量增长会出现并发写入瓶颈、扩展性差等问题。文章详细指导如何在Mac上安装PostgreSQL和pgAdmin4图形管理工具，创建数据库和表，并通过FastAPI实现数据互通。通过具体代码示例展示了FastAPI连接PostgreSQL的方法，帮助开发者解决环境搭建、可视化操作和应用对接三
这一限制给NDK接口对接带来了诸多不便：开发者必须将组件创建任务通过任务队列提交至UI线程，不仅增加了开发复杂度，更关键的是，当需要动态创建大量组件时，所有任务会堆积在单一UI线程中串行执行。系统线程池（4个）和自定义线程（2个，分别异步/同步挂载）并行创建Button组件，组件创建完成后自动挂载到UI主树，页面显示带有“系统框架线程”、“用户线程1”、“用户线程2”标签的Button；非多线程组
以前关于这个项目的文档只是写了未来将要接入MCP服务，如今这个项目已经接入了这个服务，所以需要对项目的相关介绍做必要的修改，需要修改的有项目的总体介绍、项目的当前特性、技术栈、项目目录、工具介绍、配置说明、测试用例和未来工作做出适当调整。系统用到了智谱的MCP搜索服务，关注这个服务的一些配置，比如API、URL以及一些调用服务所要用到的基础参数，我是写死在项目中的，前面也讲过这种方式的问题，所以今
关注：朋蛋、码上小明。
本文介绍了外汇数据抓取的实践经验。实时数据获取推荐使用WebSocket订阅，能实现低延迟响应，文中提供了Python连接示例代码；历史数据抓取则需注意时间戳对齐、缺失数据处理和分页请求等关键点。作者建议根据需求选择API，实时数据用WebSocket保证及时性，历史数据通过REST接口确保完整性，并强调统一存储格式和预处理的重要性。文章总结了兼顾实时与历史数据的抓取方案，为量化分析和策略回测提供
FastAPI 是一种现代，快速(高性能)的 Web 框架，基于标准Python 类型提示使用 Python 3.6+ 构建 API。目前广泛应用于当前各种前后端分离的项目开发，测试运维自动化以及微服务的场景中。
本章展示了在 FastAPI 项目中集成 MongoDB、Elasticsearch 和 Redis 三大 NoSQL 数据库的完整实践。通过异步客户端实现数据库连接与健康检查，在 lifespan 生命周期中初始化索引和缓存。利用 MongoDB 的灵活文档模型支持动态字段与嵌入/引用关系，结合聚合管道创建脱敏视图以保障数据安全。借助 Elasticsearch 实现高性能全文检索与聚合分析，并
通信架构的走通为团队协作注入了强心针。前端交付：将 API 文档正式交付给同学，开始小程序端的流式数据监听联调。数据积累：协同组长进行 Bad Case 的数据收集与 Prompt 优化。无障碍优化：确保返回的ai_result文本能够被手机系统级的屏幕阅读器完美播报。
【代码】Fastapi docs访问空白。
本文介绍了使用FastAPI进行Python Web开发的基础教程。主要内容包括：1)在PyCharm中创建虚拟环境并配置FastAPI项目；2)编写第一个FastAPI接口，通过Uvicorn服务器运行项目；3)利用FastAPI自动生成的交互式文档进行接口调试。文章详细说明了环境配置步骤、项目运行方式以及文档访问地址，帮助开发者快速上手FastAPI框架。特别强调了虚拟环境的重要性，以及如何通
本文介绍了如何基于FastAPI封装腾讯云COS的STS临时密钥服务，实现安全的文件上传功能。主要内容包括：1）前置配置流程，包含存储桶创建、子账号密钥获取和权限策略设置；2）FastAPI服务实现，提供GET/POST两种方式获取临时上传凭证；3）UniApp客户端上传示例代码，包含图片和视频上传工具函数。方案通过STS临时密钥机制保障上传安全性，避免直接暴露主账号密钥，同时支持文件类型校验和上
本文档提供了FastAPI与PostgreSQL后端项目的完整配置指南，包含以下核心内容：1) 详细的环境版本要求（Conda/Python/PostgreSQL）；2) Conda环境变量配置的两种解决方案；3) 标准化的项目目录结构；4) 可直接运行的完整代码文件，包括数据库配置、模型定义、接口校验和CRUD操作。文档特别强调数据表自动创建机制和环境变量安全注意事项，所有代码经过优化可直接使用
摘要：本文介绍了一个基于 FastAPI 和 React 的开源企业级网盘系统 SkyDrive Enterprise。该系统采用前后端分离架构，支持秒传、断点续传等核心功能，具有轻量、高性能和私有化部署的特点。文章详细解析了元数据与存储分离的设计思路、秒传功能实现原理以及分片上传技术方案，并提供了 Docker 一键部署方案。项目已开源，适用于企业数字化办公场景下的文件管理需求。
我们定义了一个简单的LSTM网络，接收特征输入，lstmLayer设置隐含层神经元个数为100（这里后续会用贝叶斯优化调整），连接到分类输出层，和用于多分类任务。如果是二分类，numClasses就是2。
本文详解使用LangChain和FastAPI构建RAG系统的完整流程，包括文档加载、文本分割、向量存储、检索生成和API开发。重点介绍异步处理技术和部署策略，帮助开发者从原型到生产环境构建高性能RAG应用。
内容是否掌握如何创建 engine✅如何创建 Session✅如何定义 ORM 模型✅如何在 FastAPI 中集成✅如何使用连接池与最佳实践✅如何构建生产级结构✅。
整个过程跑下来，最深的体会是——好的调参就像煮拉面，火候（迭代次数）、配料（参数范围）、汤底（目标函数）缺一不可。NSGA-III这种多目标优化算法，本质上是在帮我们找那个"鲜味物质浓度最高，同时不破坏口感"的黄金平衡点。通过Optuna库实现机器学习模型超参数的优化与可视化，通过精心设计的目标函数，将搜索多个超参数空间，最终确定使模型性能最优的参数组合。本案例优化的是随机森林的超参数，优化算法采
查看远程服务器上cuda版本号。
本博客将完整实现一个多功能智能体，采用vLLM部署本地大模型，LangChain+MCP实现智能体构建和工具调用，并实现Agentic RAG。
j简单记录了基于 Vue.js（前端）+ Python（后端）+ MySQL （数据库）的线上外包任务系统首页全栈方案，基于此框架后续可扩展其他页面，供大家参考和交流！
特性aiomysqlasyncmy基础实现基于 PyMySQL，纯 Python 实现基于，C++ 扩展性能稳定，性能中等性能更优，尤其在高并发场景依赖环境无需编译环境，安装简单需要 C++ 编译环境MySQL 新特性支持一般更好社区与维护社区成熟，使用广泛相对较新，维护活跃度略低ORM 支持支持 Tortoise-ORM、SQLAlchemy 等同样支持，Tortoise-ORM 优先检测asy
OpenAI在2025开发者大会上发布多项重大升级：GPT-5 Pro API全面开放，支持多模态交互和智能推理；Sora 2视频生成API提供高精度控制；开发工具链新增Apps SDK和AgentKit，支持在ChatGPT内构建应用；企业级功能强化安全合规与系统集成。同时推出ChatGPT应用商店生态，开发者可共享评估工具和模板资源。这些升级标志着OpenAI从AI模型提供商向"AI
🧩 后端 Dockerfile。🧩 前端 Dockerfile。
FastAPI与Spring Boot性能对比：FastAPI基于Python异步IO，适合高并发I/O场景，内存占用低（<200MB）；Spring Boot依托JVM优势，CPU密集型任务性能更强，但内存消耗高（>300MB）。开发效率上FastAPI更简洁，而Spring Boot生态更完善。选择建议：轻量级API、资源敏感场景选FastAPI；复杂企业系统、高可靠性需求选Spr
UV是一个高性能Python包管理工具，比pip快10-100倍，支持现代依赖管理流程。它通过uv init初始化项目，uv add添加依赖，自动维护pyproject.toml和uv.lock文件。支持虚拟环境管理和Python版本切换，兼容旧项目迁移（uv add -r requirements.txt）。在Docker部署中，推荐使用预装UV的镜像，通过挂载缓存和绑定依赖文件实现高效构建。配
通过 Docker 部署 FastAPI+Vue 项目，不仅规避了环境配置的繁琐，还能保证开发环境与生产环境的一致性。本文步骤覆盖从本地配置到服务器部署的全流程，核心在于理解 "镜像构建→上传→容器启动" 的逻辑。后续如需更新项目，只需重新构建镜像并替换容器即可，极大简化了维护成本。容器化部署已成为现代应用的标配，掌握这一技能将显著提升你的开发效率。
我们将创建用于生成和验证 JWT 的工具函数。SECRET_KEY替换为生产环境中安全且唯一的密钥。import jwt：接受数据并返回 JWT 令牌。：解码并验证令牌，如果有效则返回有效载荷。
在 FastAPI 中，数据库模型（SQLAlchemy）和接口模型（Pydantic）有明确的职责区分。数据库模型直接映射表结构，处理数据库操作，包含敏感字段和技术细节；接口模型则负责API数据验证和序列化，使用Python原生类型并支持高级验证。二者通过转换层协作，数据库模型转为接口模型后才返回给客户端。这种分离设计实现了安全隔离、职责解耦，避免了技术泄露，使应用更安全、灵活和可维护。最佳实践
【代码】多gpu启动fastapi服务。
在 Python 编程中，异步编程是提升程序效率的关键手段。协程作为其核心机制，通过async def定义，利用await暂停执行以等待异步操作。async for和async with则为异步迭代与上下文管理提供便利，适用于网络请求、文件操作等 I/O 密集型场景，能有效减少等待时间，提升程序并发性能。
python 使用 Uvicorn搭建FastApi服务后，使用 pyinstaller 转成 exe后，不管怎么运行都会出现。load ASGI app: can not import module main 错误。此时使用python运行是没问题的，直接运行转换后的exe会报错。
（这里只能说是vLLM牛，对显存的拿捏十分精准）比如在上面的配置下，Qwen/Qwen2.5-7B-Instruct模型有两个实例，并且两个实例的权重优先级（devices中的weight参数）分别为1和2，那么最终请求会按照1：2的比例分配到两个实例上。如下所示，首先需要确保的是每一个模型实例的engine_args参数的model参数，这是模型权重的位置，不要填错，你可以从huggingfac
无服务器架构：数据库以单个文件形式存储（如mydb.dbACID事务支持：确保数据操作的原子性、一致性、隔离性和持久性。跨平台兼容：支持Windows、Linux、macOS等操作系统。本项目不仅适用于初学者快速上手FastAPI与SQLite，也为中高级开发者提供了完整的CRUD实现方案。通过本项目，您可以深入理解ORM、依赖注入、数据验证等核心概念，为后续开发更复杂的Web应用奠定坚实基础。行
通过模拟不同的用户负载和请求场景，测试 API 在压力下的响应时间、吞吐量等指标，并与历史性能数据进行对比，评估系统是否存在性能下降问题。性能回归测试是保证应用性能持续稳定的重要环节，尤其在 FastAPI 开发中，随着请求量的增加，API 性能往往成为瓶颈。API 的性能瓶颈通常出现在代码的多个环节，尤其在 FastAPI 中，异步处理虽然提高了性能，但也容易导致一些隐形的瓶颈。通过合理设计数据
本文将详细介绍如何使用 FastAPI 构建一个功能强大的网关服务，该网关服务能够处理认证、路由转发和日志记录等功能。我们将基于提供的代码文件进行分析，并对代码进行必要的优化和补充。这些功能使得该网关服务可以作为企业级应用的统一入口，确保系统的安全性和可扩展性。Base 类作为所有 ORM 模型的基类。
微服务架构是当今应用程序开发的一种流行设计模式，尤其适用于大型、分布式系统的开发。与传统的单体架构相比，微服务架构将应用拆分成若干小的、独立的服务，每个服务都实现一个明确的业务功能。每个微服务都拥有独立的数据库、通信接口以及管理机制，可以独立部署、扩展、更新，极大地提高了开发效率和可维护性。在微服务架构中，每个服务都是独立的进程，能够通过网络接口进行通信。常见的通信方式包括 HTTP REST A
事情是这样的，我使用vscode运行代码的时候，弹出这个问题，我的环境是conda创建的虚拟环境，然后想学习fastapi，第一步就进行不下去，感觉到有些无语，经过一番尝试后，我发现，所使用conda的命令行是可以这样运行的，最后发现，应该是vscode的命令行，没有识别到或者说激活到环境，所以就出现这样的问题。关于命令行的一些知识，我目前也还没有系统的学习过，所以真正的原理也不是很理解。以前没学
与传统的虚拟机不同，Docker 容器不需要模拟整个操作系统，而是直接使用宿主操作系统的内核，这使得容器启动非常快速，且资源消耗低。Docker 提供了一个轻量级、可移植、易于部署的环境，可以将 FastAPI 应用及其所有依赖打包在一个容器中，确保在不同环境下的行为一致性。Docker Compose 提供了一个便捷的方式来定义和管理多个容器的配置，简化了多服务的部署流程。分支有新的提交时，自动
Kubernetes 通过 Pod、Service 和 Deployment 等资源管理微服务的生命周期。容器化 FastAPI 应用：首先需要将 FastAPI 应用容器化，通常使用 Docker 来构建镜像。# Dockerfile 示例COPY ./app创建 Kubernetes 部署文件：然后，使用 Kubernetes 的 Deployment 和 Service 来管理 FastAP
1. **URL 和请求头**：我们将目标 URL 设置为 `https://example.com/api/send_code`，并设置了请求头 `User-Agent` 和 `Content-Type`，以模拟浏览器发送的请求。同时，请务必遵守法律和道德规范，确保爬虫行为合法合规。3. **发送请求**：我们使用 `requests.post()` 发送 `POST` 请求，并检查返回的状态码
最近公司承接的项目，需要完成一个智能报表助手建设，原有的项目技术方案主要思路是基于BERT模型进行语料训练，实现意图识别及词槽填充，根据模型返回的意图和词槽自行完成业务处理，从而实现自然语言与数据的交互。鉴于模型训练的复杂性（多轮对话下），意图识别准确性问题，项目组希望能从技术方案上有所突破，结合目前非常火爆的大模型推理技术，实现报表数据的分析与摘要，完成数据的问答及图表展现。开源框架，借助大模型
windows7系统, Python环境混乱,导致很多模块安装了但是不能用了, 比如django和fastapi
以前简单介绍过chainlit 以及litellm 以下是fastapi 集成chainlit ，使用litellm proxy 包装的标准openai 能力（同时还能实现计费）参考玩法环境准备包含了litellm proxy 以及ollama 的比较简单，我就不多介绍了，具体可以通过静态配置或者api 动态配置ollam...
不得不提及的是Portraiture是一款智能磨皮的滤镜插件，该插件能够给Photoshop和Lightroom添加智能磨皮美化功能，能够帮助使用者快速对图形中的人物的皮肤、头发、眉毛等部位进行美化，省去了手动调整的麻烦，提高很多P图的效率。可以说自动人脸检测，集成了先进人脸检测技术，能自动的识别脸部五官以及皮肤，包括鼻子，嘴巴，耳朵，眼睛和眉毛，结合先进的智能祛斑、智能磨皮、智能美肤、智能瘦脸等
本文介绍了一个基于FastAPI+Dify+MySQL的AI智能体系统，针对教育服务行业的痛点需求提供自动化解决方案。系统包含客服智能体、内部员工智能体和周报生成工作流，支持客户自动研判、24小时客服应答、内部知识查询及日报周报生成。技术架构采用Dify进行AI流程编排，FastAPI处理后端数据持久化，MySQL存储客户与日报数据。系统通过可视化配置实现无代码开发，已在CentOS 7虚拟机部署
更改工作目录，在项目所在文件夹下运行。在文件名前面添加项目文件夹名src。
目前项目的架构为前端为VUE框架，后端应用为langchain框架，服务部署对外支持为FastAPI框架，后端服务运行在Uvicorn。
文章目录1. 安装 Tortoise ORM2. 定义模型3. 初始化数据库连接4. 数据库操作4.1 创建数据4.2 查询数据4.3 更新数据4.4 删除数据5. 使用 Pydantic 模型6. 关闭数据库连接Tortoise ORM 是一个异步的 ORM 框架，使用 Python 的类和对象来操作数据库，不需要编写 SQL 语句。1. 安装 Tortoise ORM首先，确保已经安装 Tor
fastapi
——fastapi
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
腾讯云开发者社区
AtomGit开源社区
