登录社区云，与社区用户共同成长
邀请您加入社区
本文深入解析智能对话Agent的开发全流程，涵盖四大核心模块：架构设计、Rasa框架实战、Transformer对话生成和多模态融合。通过可运行的Python代码示例，详细演示了意图识别（BERT模型）、实体提取（SpaCy）、对话管理（状态机）等关键技术实现。文章从工业级应用角度出发，为中级开发者提供从零构建智能对话系统的完整指南，包含自然语言理解、上下文管理和多模态处理等核心环节的实战解决方案
其实经过Cursor的使用，我感觉系统的开发方式其实已经发生了系统性的改变，过去可能需要人来设计系统和纯手敲代码，但是今天的工作方式更多的应该是给ai写提示词，指挥ai工作，这可能才是未来工程师的工作，工程师与ai构成一个人机协同系统，完成项目的开发。接着Cursor遍开始按照前面制定的计划开始修改项目，每一个改动都可以在对话中被观测到，其实给我的最大感觉，这个Cursor和装了AI assist
到目前为止，知识库、检索工具、MCP 客户端都已经就绪，但仍缺少一个面向最终用户的入口。本章用 FastAPI 把整条 RAG 链路串起来：接收前端发来的自然语言问题，调用 MCP 工具检索相关工单，构造检索增强提示词喂给 Ollama，再用 SSE 把模型的流式回答推送到前端。完成本章后，读者将拥有一个可被任意前端调用的 /llm/rag 接口，并理解 SSE 协议为何特别适合本地 LLM 这种
摘要：FastAPI路径参数是嵌入URL的动态变量（如/user/{id}），用于资源标识，默认必填且支持自动类型校验。通过类型注解（如item_id:int）实现数据转换，错误时返回422。高级功能包括：① 用Path()添加数值/字符串校验规则；② 用Enum限定可选值；③ 需注意路由顺序（具体路径优先）和参数名严格匹配。与查询参数不同，路径参数直接影响路由匹配且不可设默认值。FastAPI自
📝 文章摘要 正则化是深度学习中防止过拟合、提升泛化能力的关键技术。本文系统性地解析了六大正则化机制：L1正则化通过稀疏性实现特征选择；L2正则化通过权重衰减控制模型复杂度；Dropout通过随机丢弃神经元防止特征共适应；BatchNorm通过归一化稳定训练过程；Label Smoothing缓解模型过度自信；AdamW通过解耦权重衰减优化自适应优化器。文章还深入探讨了L1/L2的几何直觉差异、
异步优化：httpx异步客户端、异步数据库连接池、并发任务处理缓存策略：Redis缓存层、自动缓存中间件、会话存储限流保护：slowapi限流、令牌桶算法、AI API特殊限流监控体系：Prometheus指标、Grafana仪表板、结构化日志性能测试：Locust负载测试关键指标P99延迟 < 500ms错误率 < 0.1%缓存命中率 > 80%监控关键指标QPS（每秒请求数）P50/P95/P
FastAPI中间件链实战：认证+监控+限流一体化设计 本文针对企业级API开发中的横切关注点管理问题，提出基于FastAPI中间件链的解决方案。通过分层设计实现： 认证中间件：支持JWT与API Key双轨认证，利用request.state传递用户上下文 限流中间件：集成Redis实现滑动窗口限流，自动添加响应头信息 监控中间件：全链路追踪（含TraceID）、耗时统计和日志记录 采用洋葱模型
FastAPI作为高性能Python框架，压力测试需关注并发处理能力、响应时间及资源利用率。Locust作为开源负载测试工具，能模拟真实用户行为，通过编写Python脚本定义用户场景。
但是千辛万苦搞到的账号，我担心接入claude code，不一定什么时候会被识别地址，这样会导致又被封号，所以我没敢在Claude code上使用claude，刚好deepseek升级了，推出了v4版本，这个版本对claude 提供支撑，索性我下载了cc switch，切换了claude code的脑子。但是功能都一样，可以用来测一测现在这个系统的情况。从记录情况来看，我个人感觉，随着ai工具的发
本文介绍了一个基于FastAPI和Dify的计算机专业知识管理与智能问答平台。系统采用MySQL数据库和SQLAlchemy ORM，通过JWT实现安全认证，并整合Dify API提供AI智能问答功能。平台包含四大核心模块：用户认证模块实现密码加密和Token鉴权；知识库管理模块支持文章CRUD和分页查询；AI智能助手模块利用Dify工作流实现文章总结和问答；个人中心模块处理用户信息和密码修改。重
摘要：RAGEval-Chat V2.0项目实现了从CLI到Web应用的架构升级，采用FastAPI+Vue3前后端分离设计，集成Docker一键部署方案。系统核心功能包括基于SSE的流式对话、知识库可视化管理和RAG质量评估体系，支持Recall@K、MRR等指标量化分析。项目创新性地引入AICoding范式，将开发者角色转变为"架构师+指挥官"，并计划未来实现自动化参数调优
AI Agent（智能体）是能够自主完成复杂任务的AI系统。
总体来看，通过这次升级我感觉 FAISS 知识向量数据库更像是一种内存级的知识向量数据库，Milvus 像是更像是一种存在文件系统里面的数据库，可能用传统数据库打比方，FAISS 更像是 Redis ，Milvus像是Mysql。当前的 Paper-RAG-Agent-with-LangGraph 系统使用的 FAISS 知识向量数据库，但是和落地场景下的实际项目还有差距，这次升级主要目的是把这个
坑现象解决方案API Key为空导致静默失败模型返回空content但error字段也为空在Provider中先检查API Key是否为空降级循环模型A失败→B，B失败→A来回切换加fallback_cooldown冷却时间DeepSeek和Qwen的Message格式不同格式不兼容时返回400用统一的ChatMessage dataclass做转换费用估算不准确账单金额与估算差太多用实际usag
坑现象解决方案中文切分语义割裂切分后的chunk语义不完整自定义separator列表，加入中文标点Chroma入库极慢大量文档入库时卡死使用批量add，避免循环单条入库Embedding重复计算相同query重复计算使用LRU缓存（@lru_cache）流式输出被nginx截断SSE响应被buffer截断nginx配置或去掉nginx直接代理Qdrant连接超时容器未启动就访问先轮询检查Qdra
"""app/models.py - 请求/响应模型""""""聊天消息""""""聊天请求"""...,description="对话消息列表",None,description="模型名称，默认使用配置中的模型",None,ge=1,le=8192,description="最大生成token数",None,ge=0.0,le=2.0,description="温度参数，控制随机性",Fals
✅ JWT令牌创建和解码✅ OAuth2认证流程✅ 密码哈希和验证✅ 受保护路由实现✅ Token刷新机制✅ RBAC权限控制✅ 角色验证装饰器一套完整的认证系统是AI应用的基础。下一篇文章我们将学习如何调用DeepSeek API搭建智能助手。下篇预告：《用FastAPI调用DeepSeek API搭智能助手》流式输出多轮对话价格优化。
Pydantic 是一个：基于 Python Type Hint 的数据校验与数据建模库Pydantic 官方网站Pydantic GitHub 仓库name: strage: intage="18"有时候：类型正确 ≠ 数据合法。你可能不允许。Pydantic 本质上是：Python 世界的数据契约系统（Data Contract System）类型定义数据校验数据解析JSON 序列化之中。Fa
爪印之约」是一个从数据库设计 → API 开发 → 前端渲染 → 安全加固的全栈实战项目。✅用户认证体系：JWT + bcrypt，统一异常处理✅三权角色管理：super_admin / staff / general，依赖注入权限校验✅宠物全生命周期管理✅寄养服务闭环：申请 → 审核 → 接回请求 → 审核完成✅AI 智能助手：悬浮 Widget，支持流式对话✅OSS 图片管理：私有 Bucke
本文深入解析了CrewAI框架中crew.kickoff()方法的完整执行链路，通过七层调用栈详细剖析了从入口函数到LLM工具调用的全过程。文章首先展示了整体执行流程的分层结构，包括变量插值、任务调度、Agent执行、LLM推理等关键环节。随后重点分析了入口函数kickoff()的实现细节，包括回调处理、变量插值机制和规划模式的工作原理。其中特别介绍了SafeDict类如何实现安全的变量替换，以及
架构师修炼的底层密码：原理、链路、时序、体感 一位20年经验的架构师总结出八个字作为技术修炼的核心框架：原理、链路、时序、体感。这四者构成闭环体系：原理是地基，链路是骨架，时序是脉搏，体感是灵魂。 原理：追问技术本质，理解“为什么必须这样”，而非仅会使用。例如Redis单线程快的原因在于网络IO瓶颈而非CPU。 链路：掌握请求/数据的完整路径，从起点到终点，关注点与点的连接问题（如超时、数据不一致
OpenClaw-AgentOps 是一个面向贵金属交易研究场景的企业级 AI Agent 平台。用户在飞书或微信里发送一句自然语言指令，例如“今日贵金属分析”“今日指标速览”“今日变量评分”“停止分析”，系统会通过 OpenClaw 读取会话消息，自动识别任务意图，并调度多个智能体完成行情数据采集、原始资料归档、RAG 证据检索、六阶段大模型分析、风险审校、报告生成、飞书/微信推送和本地看板沉淀
本文介绍了一套劳动力招聘管理系统的设计与实现，系统面向求职者、招聘方和管理员三类用户，提供招聘信息发布审核、实时消息聊天、AI智能审核与问答等功能。采用Vue3+Pinia前端和FastAPI+MySQL+Redis后端技术栈，集成Dify工作流实现双AI智能体协同。系统解决了传统零工招聘中信息审核难、沟通效率低等问题，通过自动化状态流转、WebSocket实时通信和AI辅助提升运营效率。文章重点
本文介绍了一个基于FastAPI构建的小说阅读平台开发项目。该项目采用SQLite轻量化存储和Dify赋能AI辅助功能，旨在为读者提供干净舒适的阅读体验，同时为作者提供智能写作工具。技术架构采用分层设计，包括前端层、API层、业务层、数据层和AI引擎层。核心功能包括用户认证模块、小说管理模块（支持TXT文件批量上传）和个性化阅读体验模块。项目亮点在于结合异步后端处理与AI辅助能力，实现了阅读与创作
本文介绍了一个基于Vue2+FastAPI+Dify的AI医疗预检分诊助手项目。该系统通过AI收集患者症状信息并生成初步分诊建议，再由医生审核确认，形成完整的医疗问诊闭环。项目采用前后端分离架构，前端使用Vue2+ElementUI，后端采用FastAPI+MySQL，AI功能通过Dify工作流实现
基于FastAPI + SQLAlchemy + 原生HTML/CSS/JavaScript构建的AI智能学习笔记管理系统，支持笔记CRUD、AI摘要生成、AI对话交互等功能。
project1/├── backend/ # 后端服务│ ├── app/ # 核心应用│ │ ├── main.py # FastAPI 入口│ │ ├── models/ # 数据模型│ │ ├── routers/ # API 路由│ │ ├── services/ # 业务逻辑│ │ ├── schemas/ # 数据校验│ │ └── utils/ # 工具类│ ├── uploads
本文介绍了一个基于FastAPI的健康打卡系统开发项目。系统采用前后端分离架构，前端使用HTML5/CSS3/JavaScript，后端使用Python+FastAPI+SQLite，并集成DifyAI平台提供智能健康咨询服务。项目实现了用户管理、健康打卡、收藏管理、套餐订阅和AI咨询等功能。文章详细阐述了项目架构设计、数据库模型、关键技术实现（包括用户认证、打卡模块和AI集成），并总结了开发过程
项目摘要：智能在线教育平台开发 本项目构建了一个基于FastAPI和现代Web技术的智能在线教育平台，主要特点包括： 架构设计：采用前后端分离架构，前端使用HTML5/CSS3/ES6+技术栈，后端基于Python FastAPI框架，数据库使用MySQL 8.0 核心功能： 多角色系统（学生/教师/管理员） 课程管理系统与学习进度追踪 集成Dify平台的AI智能问答和章节学习助手 JWT认证和细
摘要： Blog AI System 是一个面向开发者的智能博客管理平台，集成AI分析能力，提供单篇博客分析（摘要、关键词、难度）、全局画像（主题聚类、写作风格）及个性化学习路线推荐。技术栈采用FastAPI+MySQL+Dify API，实现JWT认证、异步数据库会话和统一响应格式。核心亮点包括Markdown字数统计、AI工作流封装及自动化学习路径生成，为开发者提供数据驱动的写作成长支持。
提升效率：自动化的课程管理流程用户体验：简洁直观的操作界面智能服务：AI 助手提供 24/7 在线支持数据安全：完整的实名认证机制。
本文介绍了一个基于FastAPI开发的旅游推荐系统"Travel Advisor"项目。该项目实现了用户注册登录、景点浏览推荐、收藏管理、AI智能对话、天气查询等功能，采用三层架构设计，集成MySQL数据库和Dify AI平台。文章详细讲解了技术选型、功能模块、数据库设计及部署流程，特别适合Python初学者学习参考。项目亮点包括完整的功能覆盖、清晰的代码架构、丰富的预置数据以及AI赋能，为开发者
现象：点击“确认订单”无反应。原因：函数定义在内，全局作用域不可访问。解决：将事件绑定函数挂载到window对象，或在中统一注册。低成本AI集成：Dify工作流让智能客服上线时间从周级缩短到小时级仲裁闭环：AI无法处理的问题自动生成通知，管理员实时介入角色自适应界面：一套代码服务三类用户，维护成本低。
本文介绍了一个基于FastAPI的AI智能租房系统，旨在解决传统租房中的信息不对称、效率低下和沟通成本高等痛点。系统采用前后端分离架构，后端使用FastAPI框架，前端采用原生HTML/CSS/JS实现。核心功能包括：AI智能问答（集成DIFY平台）、WebSocket实时消息推送、个性化房源推荐和全流程租房管理。系统实现了JWT认证、bcrypt加密等安全措施，并支持多条件房源筛选和管理员后台管
创建订单时，请求体通常不是一个简单字符串，而是一段结构化 JSON，比如用户 ID、商品列表、收货地址。这种数据适合用 Pydantic 模型来描述。app = FastAPI(title="订单服务", version="1.0.0")product_id: int = Field(..., gt=0, description="商品 ID")quantity: int = Field(...,
数据验证：自动验证输入数据的类型和约束数据序列化：将 Python 对象转换为字典/JSON数据解析：将原始数据解析为 Python 对象文档生成：自动生成 API 文档# 基础用户模型id: intemail: strage: Optional[int] = None # 可选字段，默认值为 Noneis_active: bool = True # 默认值为 Truecreated_at: da
FastAPI依赖注入系统详解 FastAPI的依赖注入通过Depends()实现资源自动注入，核心价值在于代码复用、逻辑解耦和测试友好性。 核心概念 声明式编程：只需声明依赖（如user: User = Depends(get_current_user)），框架自动处理依赖逻辑。 优势：避免重复代码（如分页、认证），分离业务与基础设施（数据库、缓存），支持Mock测试。 基本用法 函数依赖：通用
FastAPI框架简化了API开发流程，通过自动解析请求参数和灵活构建响应实现高效开发。核心功能包括：请求处理（路径参数、查询参数、请求体等输入方式），响应处理（JSON响应、状态码设置、异常处理等输出控制）。开发者只需专注业务逻辑，框架自动完成数据校验、序列化及文档生成。文章详细介绍了各类参数处理方式、响应模型定义及异常处理机制，并强调了使用Pydantic模型和status模块的最佳实践。该框
本项目构建了一个电商知识图谱系统，采用Neo4j图数据库存储数据，结合MySQL关系型数据库和多种技术栈实现。系统包含数据准备、实体抽取模型训练、知识图谱构建和智能问答四个核心模块。通过Label-studio进行数据标注，训练BERT模型实现实体抽取；利用Python连接MySQL和Neo4j完成数据同步；最后基于LangChain框架开发问答系统，支持语义检索和自然语言回答。项目实现了商品分类
fastapi
——fastapi
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
2048 AI社区
AtomGit开源社区
