Python - 重逢

Python 重返手记：从语法复习到 FastAPI 最小服务

背景（略）
笔者高中阶段接触过 Python，毕业后长期以前端（JavaScript / TypeScript）为主；在 AI 应用开发技术栈中，Python 重新成为高频语言。下文按练习代码串联知识点，叙事从简。

---

1. AI 语境下为何重返 Python

与「算法课入门语言」不同，当前 AI 应用开发中 Python 多承担编排与集成角色：

• 模型与工具链：transformers、LangChain、LlamaIndex 等文档与示例以 .py 为主；
• 服务化：FastAPI + Pydantic 常用于将模型能力暴露为 HTTP API；
• 数据流水线：清洗、切片、入库脚本普遍用 Python 编写。

复习路径可概括为：内置类型与脚本能力 → 大模型 HTTP 调用 → 自有 API 服务。以下三节即按此顺序展开。

---

2. 内置类型：字符串、容器与数值

2.1 字符串

数据预处理、Prompt 拼接、日志输出中，字符串方法出现频率极高：

my_name = ' zhang _an_Li.py'
print(my_name.title())   # 单词首字母大写（含 _、空格时需结合样例理解）
print(my_name.upper())
print(my_name.lower())
print(f"Hello, {my_name.title()}!")  # f-string
print("\t" + my_name)
print("\n" + my_name)
print(my_name.strip())
print(my_name.lstrip())
print(my_name.rstrip())
print(my_name.removeprefix(' zhang'))  # 3.9+
print(my_name.removesuffix('.py'))

方法 / 写法	作用	备注
str.title()	标题化大小写	对含 _、空格的字符串不宜想当然
strip / lstrip / rstrip	去空白	用户输入、文本清洗常用
removeprefix / removesuffix	按前缀/后缀删除	3.9+，语义优于手动切片
f-string	插值格式化	日常可读性优于 % 与 str.format()

2.2 数值与命名约定

print(0.1 + 0.2)  # 浮点二进制表示导致精度误差，非逻辑错误

TEST_SCORE = 85   # 全大写：模块级常量约定
print(TEST_SCORE)

金额、token 计费等场景需知晓浮点误差；必要时使用 decimal.Decimal，或以整数最小单位存储。

2.3 列表：拷贝与推导式

array = [1, 2, None, 4, 5]
b = array[:]      # 浅拷贝：新列表对象，元素仍引用原对象
b[2] = 3
print(array[2])   # None
print(b)

print([v**2 for v in range(10)])  # [0, 1, 4, 9, ...]

写法	含义
lst[:]、list(lst)	浅拷贝，一层容器独立
copy.deepcopy()	嵌套可变结构需深拷贝时使用
列表推导式	紧凑的映射/过滤，可读性优于等价 for 循环

仅当列表元素本身为可变对象且被原地修改时，浅拷贝后的列表才会与原列表联动；对 None、数字等赋新值只影响副本。

2.4 元组与字典

test = (12, 1)
print(test[0])

a = {1: 2, 3: 4}
print(a.items())  # dict_items；JSON 序列化前键常需转为 str

类型	可变性	典型用途
tuple	不可变	固定记录、多返回值、可哈希键
dict	可变	配置映射、计数、内存中的 JSON 形态

---

3. 大模型 API：OpenAI 兼容调用

语法复习之外，可用熟悉的前端栈先打通 Chat Completions 调用链：

import "dotenv/config";
import OpenAI from "openai";

const openai = new OpenAI({
  baseURL: 'https://api.deepseek.com',
  apiKey: process.env.DEEPSEEK_API_KEY,
});

async function main() {
  const completion = await openai.chat.completions.create({
    messages: [{ role: "system", content: "..." }],
    model: "deepseek-v4-pro",
    thinking: { "type": "enabled" },
    reasoning_effort: "high",
    stream: false,
  });
  console.log(completion.choices[0].message.content);
}

要点	说明
baseURL	兼容 OpenAI 协议的厂商或中转端点
dotenv + API_KEY	密钥走环境变量，避免硬编码
messages	标准角色：system / user / assistant
thinking / reasoning_effort	厂商扩展，深度推理类能力（以官方文档为准）
stream: false	非流式，一次性返回 content

同类逻辑在 Python 侧通常用 openai 或 httpx 实现；下一节的 FastAPI 则转向提供 HTTP 服务，而非仅作为客户端消费 API。

---

4. FastAPI 最小 HTTP 服务

4.1 代码与语义

from fastapi import FastAPI
from pydantic import BaseModel

app = FastAPI()

class Item(BaseModel):
    name: str
    price: float
    is_offer: bool | None = None

@app.get("/")
def read_root():
    return {"Hello": "World"}

@app.get("/items/{item_id}")
def read_item(item_id: int, q: str | None = None):
    return {"item_id": item_id, "q": q}

@app.put("/items/{item_id}")
def update_item(item_id: int, item: Item):
    return {"item_name": item.name, "item_id": item_id}

概念	说明
FastAPI()	ASGI 应用入口，由 Uvicorn 等加载
@app.get / @app.put	绑定 HTTP 方法与路径
{item_id}	路径参数，自动解析为 int，类型不符返回 422
q: str | None = None	可选查询参数，如 /items/1?q=foo
Item(BaseModel)	Pydantic 声明请求体字段与类型，进入视图前完成校验
return dict	自动序列化为 JSON 响应

Pydantic 与 TypeScript：字段注解类似 interface，并附带运行时校验；非法请求体在业务逻辑执行前被拒绝。

联合类型：bool | None = None 表示字段可省略（Python 3.10+）；等价于 Optional[bool] = None。

4.2 运行与调试

uvicorn main:app --reload

路径	作用
/	根路由 JSON
/docs	Swagger UI，在线试调
/redoc	ReDoc 文档

习惯消费 REST API 的前端背景，在此完成从调用方到提供方的最小切换；后续可在此入口挂载 LLM 代理、RAG 检索等路由。

---

5. 知识链路与延伸

flowchart LR
    A[字符串·列表·元组·字典] --> B[Chat Completions 客户端]
    B --> C[FastAPI + Pydantic]
    C --> D[流式响应·鉴权·LLM·RAG]

层次	内容
语言层	内置类型、字符串与容器语义
协议层	Chat Completions；REST + JSON
服务层	路径/查询/请求体建模，自动 OpenAPI 文档

常见下一步：POST 接收 Prompt、StreamingResponse 流式输出；pydantic-settings 管理密钥；APIRouter 拆分路由；CORS 供前端联调；Python openai 包复现客户端调用。

---

6. 结语

高中阶段 Python 侧重基础语法；在 AI 应用开发中，同一语言更多用于数据整理、HTTP 服务封装、模型编排。内置类型巩固脚本能力，OpenAI 兼容 SDK 打通模型调用，FastAPI 则补上最小可运行 API——三者构成「脚本 → 外部模型 → 自有服务」的紧凑入门链。

---