怎么用自己电脑做网站服务器吗社群营销成功案例
FastAPI + OpenAI 模型 的 GitHub 项目结构模板，适合用作大模型（如 GPT-4） API 服务的基础框架。该模板包括了基本的项目结构、配置、文档以及与 OpenAI API 的交互方式。
项目结构
fastapi-openai-api/
├── app/
│ ├── __init__.py # Python 包初始化文件
│ ├── main.py # FastAPI 主应用文件
│ ├── models.py # 数据模型（请求和响应）
│ ├── openai_service.py # OpenAI 接口交互逻辑
│ ├── config.py # 配置文件（API 密钥等）
│ ├── schemas.py # 请求和响应的 Pydantic 模型
│ ├── utils.py # 辅助工具函数（如日志记录等）
│ └── requirements.txt # Python 依赖列表
├── docker/
│ ├── Dockerfile # Docker 构建文件
│ └── docker-compose.yml # Docker Compose 配置（如果需要）
├── tests/
│ ├── test_main.py # FastAPI API 测试文件
│ └── test_openai_service.py # OpenAI 服务单元测试文件
├── .gitignore # Git 忽略文件
├── README.md # 项目说明文档
└── requirements.txt # 项目依赖（包含 FastAPI 和 OpenAI 库）文件说明
1.app/main.py - FastAPI 应用入口
from fastapi import FastAPI, HTTPException
from app.schemas import ChatRequest, ChatResponse
from app.openai_service import ask_openaiapp = FastAPI(title="FastAPI + OpenAI API")@app.post("/chat", response_model=ChatResponse)
async def chat(req: ChatRequest):try:answer = await ask_openai(req.question)return ChatResponse(answer=answer)except Exception as e:raise HTTPException(status_code=500, detail=str(e))2.app/schemas.py - 请求和响应的 Pydantic 模型
from pydantic import BaseModelclass ChatRequest(BaseModel):question: strclass ChatResponse(BaseModel):answer: str3.app/openai_service.py - 与 OpenAI API 的交互
import openai
from app.config import OPENAI_API_KEYopenai.api_key = OPENAI_API_KEYasync def ask_openai(question: str) -> str:response = openai.Completion.create(model="gpt-4", # 这里可以根据需要更换为不同的模型prompt=question,max_tokens=150)return response.choices[0].text.strip()4.app/config.py - 配置文件
import os# 推荐使用环境变量来管理敏感信息
OPENAI_API_KEY = os.getenv("OPENAI_API_KEY", "sk-xxxxxxxxxxxxxxxxxx")5.app/requirements.txt - Python 依赖
fastapi
uvicorn
openai
python-dotenv
6.tests/test_main.py - FastAPI API 测试
from fastapi.testclient import TestClient
from app.main import appclient = TestClient(app)def test_chat():response = client.post("/chat", json={"question": "What's the weather like?"})assert response.status_code == 200assert "answer" in response.json()7.tests/test_openai_service.py - OpenAI 服务单元测试
import pytest
from app.openai_service import ask_openai@pytest.mark.asyncio
async def test_ask_openai():answer = await ask_openai("What is the capital of France?")assert answer == "Paris" # 你可以根据 OpenAI 的回答调整预期结果Docker 部署
1.docker/Dockerfile - Dockerfile
# 使用官方 Python 镜像
FROM python:3.9-slim# 设置工作目录
WORKDIR /app# 将本地代码复制到 Docker 容器中
COPY . /app# 安装依赖
RUN pip install --no-cache-dir -r requirements.txt# 启动 FastAPI 服务
CMD ["uvicorn", "app.main:app", "--host", "0.0.0.0", "--port", "8000"]2.docker/docker-compose.yml - Docker Compose 配置
version: '3.8'services:fastapi-openai:build: .ports:- "8000:8000"environment:- OPENAI_API_KEY=${OPENAI_API_KEY} # 从环境变量中读取 API 密钥运行项目
1.本地运行：
uvicorn app.main:app --reload
2.Docker 构建与运行：
docker-compose up --build
访问 http://127.0.0.1:8000/docs，你将看到自动生成的 Swagger UI，支持 API 调试。