FastAPI

课程目标（14 天，3h+ 模式）

你要拿到的是“可上线、可排障、可面试讲”的能力：

1. 能独立实现一个 FastAPI + Agent/RAG 服务。
2. 能做流式接口、鉴权、限流、错误治理。
3. 能把服务打包部署并讲清架构取舍。
4. 能回答后端高频追问（幂等、异步链路、一致性）。

Day0：一次配好基础环境

python -m venv .venv
source .venv/bin/activate
pip install -U pip
pip install fastapi uvicorn pydantic-settings httpx pytest pytest-asyncio

14 天带练路径

阶段一：基础服务（Day1-Day4）

Day1：路由与数据校验

• 建立 GET /health、POST /chat。
• 区分 Path / Query / Body。
• 产出：请求/响应 schema 规范化。

Day2：依赖注入与配置管理

• 使用 Depends 注入鉴权与配置。
• 引入 pydantic-settings 管理环境变量。
• 产出：可切换 dev/staging 配置。

Day3：异步与外部调用

• 用 httpx.AsyncClient 对接外部 LLM API。
• 明确超时、重试、错误映射。
• 产出：统一异常返回结构。

Day4：流式响应（重点）

• 实现 SSE/StreamingResponse。
• 支持 token 分段返回。
• 产出：前端可实时看到生成过程。

阶段二：工程化（Day5-Day9）

Day5：中间件与日志链路

• 增加 request_id 中间件。
• 记录请求耗时、状态码、异常。

Day6：鉴权与限流

• JWT/OAuth2 基础版本。
• 限流维度：user/ip/api_key。

Day7：任务异步化

• 建 task_id 模式：提交即返回。
• 用队列或后台任务执行重任务。

Day8：数据层与状态表

• 设计任务状态表字段：task_id/status/progress/error_code/trace_id。
• 产出：可追踪每个任务执行过程。

Day9：测试体系

• pytest + TestClient 覆盖核心接口。
• 场景：成功、超时、鉴权失败、参数错误。

阶段三：部署与面试（Day10-Day14）

Day10：容器化部署

• 编写 Dockerfile。
• docker compose 启 API + Redis/Postgres。

Day11：性能与稳定性

• 压测关键接口（P95、吞吐）。
• 加熔断和降级策略。

Day12：可观测性接入

• 结构化日志 + trace（可接 LangSmith/Otel）。
• 产出：慢请求定位流程图。

Day13：整合 AI 场景

• 接入 LangGraph 或 RAG 入口接口。
• 提供 /agent/run 与 /agent/stream。

Day14：项目讲述与题库演练

• 用 STAR 写项目讲述。
• 准备 10 个 FastAPI 追问题标准回答。

面试高频问答（精炼）

1. 为何选 FastAPI？
   类型驱动、异步友好、自动契约，适合 AI IO 密集场景。
2. 流式怎么做？
   StreamingResponse + SSE，配合网关超时与缓冲配置。
3. 怎么做幂等？
   user_id + request_hash 幂等键，Redis + DB 双重兜底。
4. Redis 挂了怎么办？
   缓存回源 DB；锁和限流降级；核心真相不放 Redis。

每天最小交付物

• notes/fastapi/dayX.md
• demos/fastapi/dayX/
• 1 张运行或 trace 截图

资料索引（官方优先）

最新资料（2026-05 校验）

• 以上 A 级链接为权威来源；异步与版本差异以当前主版本文档为准。
• 与中间件、系统设计联动：middleware-for-ai-backend、backend-system-design-for-ai。