软件工程第一次作业

这个作业属于哪个课程 202601 软件工程（福州大学—计算机与大数据学院）
这个作业要求在哪里 2026 秋软件工程个人作业（第一次）
这个作业的目标 完成 Hugging Face API 调用与前端交互实践，搭建 GitHub 个人主页，并通过技能自评与学习规划明确后续目标
学号 182400143

软件工程第一次个人作业

一、环境准备

二、Hugging Face API 调用：Flux 真实感图像生成

2.1 账号与 Token 准备

我在 Hugging Face 官网注册账号并创建了用于本次作业的 Fine-grained Access Token。为了避免泄露密钥，我没有把 Token 写入前端代码或提交到 Git 仓库，而是将其保存在本地 .env 文件中，由后端读取。

01-huggingface-token

2.2 项目实现思路

本项目采用“浏览器前端 → Node.js/Express 后端 → Hugging Face Inference API”的调用方式：

  1. 用户在前端输入提示词并点击“生成图像”；
  2. 前端通过 fetch 将提示词发送给后端的 /api/generate 接口；
  3. 后端校验提示词，并使用服务器端保存的 HF_TOKEN 调用 XLabs-AI/flux-RealismLora；
  4. 后端把生成图片转换为 Base64 数据返回，前端负责显示和下载图片。

这种方式可以避免把 Token 暴露在浏览器中，同时也便于统一处理参数校验和错误信息。后端调用模型的核心代码如下：

const client = new InferenceClient(process.env.HF_TOKEN);
const image = await client.textToImage({
  model: "XLabs-AI/flux-RealismLora",
  provider: "fal-ai",
  inputs: prompt,
  parameters: {
    num_inference_steps: 28,
    guidance_scale: 7.5
  }
});

2.3 API 调用成功记录

启动项目后，后端运行于 http://localhost:3000。终端日志显示模型为 XLabs-AI/flux-RealismLora、推理提供商为 fal-ai，并记录了两次成功生成请求，对应两版提示词长度 76 和 166。

02-hf-api-success

2.4 提示词设计思路与修改过程

第一版提示词为：

A university student working on a software engineering project in a library.

这一版只描述了人物和场景，即“一名大学生正在图书馆完成软件工程项目”。它能够让模型生成与主题相关的图像，但描述比较简单，人物动作、光线效果和整体氛围具有较大的随机性，真实感和可控性有限。

03-flux-prompt-v1

第二版提示词为：

A realistic photo of a university student working on a software engineering project in a bright library, natural window light, detailed desk, candid moment, 35mm lens.

在第二版中，我加入了更多能够增强真实感的描述：

  • realistic photo：强调写实摄影风格；
  • bright library：明确环境是明亮的图书馆；
  • natural window light：加入自然窗光，使光线更真实；
  • detailed desk：丰富桌面细节；
  • candid moment：使人物状态更接近自然抓拍；
  • 35mm lens：模拟摄影镜头效果，增强照片感。

04-flux-prompt-v2

相比第一版，第二版不仅说明了“画什么”，还进一步描述了“画面应该如何呈现”，因此人物、环境、光线和摄影风格更明确，最终结果也更接近真实世界中的照片。

这次提示词迭代过程可以概括为：基础场景描述 → 增加真实摄影风格、光线与细节 → 提高图像的真实感和可控性。通过这次尝试，我认识到提示词不能只描述主体，还应适当加入环境、光线、镜头和风格等信息，帮助模型更准确地理解需求。

2.5 调用体验与心得

这次实践让我完整经历了注册账号、配置 Token、阅读接口文档、编写前后端代码、处理返回图片和调整提示词的过程。我认识到，完成一个 AI 应用并不只是调用一次模型接口，还要考虑密钥安全、输入校验、错误提示和交互体验。把 Token 保存在服务端环境变量中，可以降低密钥泄露风险；在终端记录模型、提供商和请求时间，则有助于确认调用状态和排查问题。

通过这个小项目，我开始把“会写一些代码”转变为“能够围绕一个需求完成一个可以运行、可以说明、可以验证的小型软件”。

三、GitHub 个人主页

我创建了与 GitHub ID 同名的仓库，并在仓库根目录编写 README.md，作为个人主页的介绍页面。主页主要展示了个人介绍、兴趣爱好、技能与专业能力、项目实践、技术方向和未来规划。

05-github-profile-1
06-github-profile-2
07-github-profile-3
08-github-profile-4

在主页中，我重点展示了本次完成的 Flux Realism 图像生成器，并梳理了 Java、C++、JavaScript、HTML、CSS、Node.js、Git、基础数据结构与算法和 Hugging Face API 等技能与实践经历。个人发展规划等内容见上方 GitHub 主页截图。

四、当前技能树与技术偏好

4.1 已掌握或正在学习的能力

能力方向 当前情况
Java 掌握基础语法，能够编写简单程序
C++ 掌握基础语法，并用于数据结构与算法练习
JavaScript 能够实现网页的基础交互逻辑
HTML、CSS 能够搭建和美化基础网页
Node.js 能够用于简单的后端程序与接口调用实践
Git 能够完成基础的版本管理操作
数据结构与算法 学习过常见的基础数据结构与算法
Hugging Face API 能够配置 Token、调用模型，并在前端展示生成结果

4.2 自我评估

目前，我能够使用 Java、C++ 完成基础编程和算法练习，也能使用 HTML、CSS 和 JavaScript 制作简单网页。在本次作业中，我进一步使用 Node.js 搭建了后端，并调用 Hugging Face API 完成图像生成。这说明我已经具备完成小型程序和简单 Web 应用原型的基础能力。

不过，我现在掌握的内容仍以基础知识和小型实践为主。对前端框架、数据库、系统设计、自动化测试、项目部署和多人协作等内容还不熟悉；数据结构与算法也需要通过更多练习来巩固。对于 Hugging Face API，我目前主要会完成基础调用和提示词调整，对模型原理、模型训练和部署等内容还缺少系统认识。

4.3 技术偏好与感兴趣的方向

目前我比较感兴趣的方向包括：

  1. Web 开发：希望继续学习前后端开发，逐步掌握前端框架、数据库和部署；
  2. 人工智能应用：希望了解如何把模型能力接入实际软件，完成有用的 AI 应用；
  3. 数据结构与算法：希望提升分析问题和设计解决方案的能力；
  4. 软件工程实践：希望学习测试、版本协作和规范化开发，让程序不仅能够运行，也更容易维护。

五、截至目前的代码量与目标

截至目前，我在课程练习和个人实践中累计编写了 3000 多行代码。这些代码主要来自 Java、C++、Web 基础练习。代码行数不能完全代表编程能力，但能够反映我的实践积累和学习过程。

完成本学期课程后，我希望累计代码量达到 8000 行左右。我计划通过课程作业、算法练习和小型项目逐步增加实践量。这个目标不只是为了追求数字，更希望新增的代码具有清晰的结构和实际用途，并在编写过程中练习需求分析、版本管理、测试和项目总结。

六、本课程中最期待学习的知识与希望获得的收获

我在本课程中最期待学习的是完整的项目开发流程。以前的学习更多集中在编写单个程序或完成某项功能，我希望通过软件工程课程了解一个项目如何从需求分析开始，经过设计、编码、测试和修改，最后形成可以使用和展示的成果。

我希望在课程结束后，自己能够独立完成一个完整项目，并在实践中提高代码规范和解决问题的能力。除了让程序能够运行，我也希望逐渐养成先分析需求、合理组织代码、记录问题和验证结果的习惯。

七、ChatGPT 生成的软件工程课程学习指南

我选择的 AI 工具是 ChatGPT。我向它提出的问题是：

请为一名学习过 Java、C++、JavaScript、HTML、CSS、Node.js、Git 和基础数据结构与算法，并完成过 Hugging Face API 入门调用的软件工程专业学生，生成一份简要、可执行的软件工程课程学习指南。指南应包含学习顺序、实践任务、工具建议和阶段性成果要求。

下面是 ChatGPT 生成的学习指南：

软件工程课程学习指南

第一阶段：理解需求与软件生命周期

  • 学习需求分析、用户故事、用例和验收标准；
  • 了解瀑布、迭代和敏捷开发的基本思想；
  • 实践任务：为一个小型 Web 应用写出用户故事、功能清单和验收标准；
  • 阶段成果：一份简洁的需求说明书和项目计划。

第二阶段：设计系统与接口

  • 学习模块划分、分层设计、接口设计和数据流；
  • 了解 REST API、状态码、输入校验和错误处理；
  • 实践任务：画出系统结构图，并设计主要 API 的请求和响应格式；
  • 阶段成果：一份设计文档和可运行的接口原型。

第三阶段：编码规范与版本控制

  • 学习命名、注释、代码复用和基本重构方法；
  • 掌握 Git 的提交、分支、合并、冲突解决和代码评审；
  • 实践任务：为一个项目建立分支策略，使用清晰的提交信息完成两次功能迭代；
  • 阶段成果：可追踪的 Git 历史和一份项目 README。

第四阶段：测试与质量保证

  • 学习单元测试、集成测试、接口测试和边界条件；
  • 了解测试覆盖率、缺陷记录和回归测试；
  • 实践任务：为核心模块编写测试，覆盖正常输入、错误输入和异常场景；
  • 阶段成果：自动化测试脚本、测试报告和缺陷修复记录。

第五阶段：部署与持续集成

  • 了解环境变量、构建、部署、CI/CD 和基础监控；
  • 学习如何区分开发环境、测试环境和生产环境；
  • 实践任务：将项目部署到一个可访问的环境，并配置自动化检查；
  • 阶段成果：部署地址、运行说明和 CI 流程记录。

第六阶段：综合项目与复盘

  • 综合使用需求分析、设计、编码、测试和部署知识；
  • 每周记录完成内容、遇到的问题和下一步计划；
  • 实践任务：完成一个从需求到发布的完整项目；
  • 阶段成果：源代码、设计文档、测试结果、项目演示和个人复盘。

建议使用的工具包括 Git 和 GitHub、VS Code、Node.js、Postman 或 Insomnia、自动化测试框架，以及 GitHub Actions 等 CI 工具。每个阶段都应保留可展示的成果，并通过小步迭代持续改进。

八、对 AI 学习指南的分析

我认为这份指南总体合理，而且与我当前的能力状态比较匹配。

首先，它按照“需求—设计—编码—测试—部署—复盘”的顺序组织学习内容，符合软件从想法到交付的基本流程。我的当前项目已经能够完成编码和简单 API 调用，但在测试、部署和复盘方面还比较薄弱，因此这份指南能够补上我目前最明显的短板。

其次，它为每个阶段都安排了实践任务和阶段成果，没有只停留在概念记忆层面。例如，要求编写验收标准、设计 API、保留 Git 历史、补充自动化测试和记录缺陷，这些任务可以直接转化为可检查的学习结果，对我比较有帮助。

不过，这份指南仍然比较通用，还需要结合课程进度和个人时间进行调整。它没有明确每个阶段需要投入多少时间，也没有指定项目规模、测试覆盖率和部署平台；如果完全照着执行，可能会因为任务过多而难以坚持。此外，AI 生成的内容可能存在遗漏，不能替代教师讲义、课程实验要求和官方技术文档。

对我来说，最适合的执行方式是先把当前的 Flux 图像生成器作为练习项目，按照“需求—设计—编码—测试—总结”的顺序补全项目过程，再逐步学习部署和团队协作。这样既能把指南落实到实际项目中，也能避免一次安排过多内容而难以坚持。

九、随笔后台编辑截图

image

posted @ 2026-09-08 22:19  Ofseven  阅读(29)  评论(0)    收藏  举报