软件工程第一次作业

这个作业属于哪个课程	H202601软件工程与软件工程
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	掌握通过 HuggingFace API 调用 Flux 模型生成真实感图像并结合前端实现交互式文生图；梳理个人技能树、明确代码量目标与课程学习规划
学号	102402114

软件工程作业：Flux 文生图实践 + 技能树梳理与学习规划

第一部分 · 调用 HuggingFace 的 Flux 模型实现交互式文生图

一、作业目标

在 HuggingFace 官网注册账号并获取 API Token，调用 Flux 模型 生成一张贴近真实世界的图像；并在调用模型的代码基础上，结合一个前端页面，实现「输入提示词 → 点击生成 → 页面显示图片」的交互式生成，最后记录 API 调用步骤、提示词设计思路与心得体会。

二、环境准备

注册 HuggingFace 账号。
在 Settings → Access Tokens 创建 API Token。

安装依赖：

pip install flask huggingface_hub Pillow

设置环境变量（Token 不写进代码，避免泄露）：
```
$env:HF_TOKEN="hf_你的Token"
```

三、API 调用步骤

3.1 核心调用代码

import os
from huggingface_hub import InferenceClient

client = InferenceClient(provider="auto", api_key=os.environ["HF_TOKEN"])

image = client.text_to_image(
    "A majestic mountain lake at sunrise, mist rising from the calm water surface, pine trees in the foreground with dew on needles, snow-capped peaks reflecting in the glass-like lake, warm golden light hitting the mountain tops. Shot on Fujifilm X-T5, 24mm wide-angle lens, f/8, golden hour lighting, deep depth of field, National Geographic style, photorealistic, ultra detailed, 8K",
    model="black-forest-labs/FLUX.1-dev",
)
image.save("test.png")

3.2 调用成功记录

运行后成功生成了一张山湖风景图，说明 API 调用链路（Token → provider → 模型 → 出图）已经打通

四、前端交互实现

为了「交互生成」，我用 Flask（后端）+ HTML/CSS/JS（前端） 搭了一个小应用：前端提供提示词输入框和「生成」按钮，点击后通过 fetch 请求后端 /generate 接口，后端调用 HuggingFace API 生成图片，再把图片以 base64 返回给前端展示。

4.1 后端关键代码

@app.route("/generate", methods=["POST"])
def generate():
    prompt = request.get_json().get("prompt").strip()
    image = make_client().text_to_image(prompt, model=MODEL_ID)
    # 转 base64 返回给前端展示
    buf = io.BytesIO()
    image.save(buf, format="PNG")
    return jsonify({"image": base64.b64encode(buf.getvalue()).decode()})

4.2 前端交互页面

在浏览器中打开 http://127.0.0.1:5000，输入提示词、点击「生成图像」，页面直接显示结果：

五、提示词设计思路与修改过程

生成「贴近真实世界」的图像，关键是把"插画感"压下去、把"照片感"拉起来。我通过给提示词逐步加入主体细节、环境和摄影术语来迭代：

版本	提示词	效果
初版	`A mountain lake at sunrise`	画面有了，但细节少、偏示意
加主体与环境	`A mountain lake at sunrise, mist rising from the calm water, pine trees in the foreground, snow-capped peaks`	层次更丰富，构图更完整
加摄影参数	上一版 + `Shot on Fujifilm X-T5, 24mm wide-angle lens, f/8, golden hour lighting, deep depth of field`	更像实拍照片
最终版	上一版 + `National Geographic style, photorealistic, ultra detailed, 8K`	质感拉满，接近真实摄影

核心思路可以总结为一句话：主体 + 环境细节 + 光线 + 镜头参数 + 风格关键词，逐层叠加，让画面越来越像摄影作品。

六、体验与心得

这次作业让我踩了不少坑，也真正理解了调用大模型 API 背后的几个关键点：

免费额度有限：第三方推理会消耗免费额度（用完会报 402），而 Flux 系列在官方免费推理上已经下架（410）。这让我意识到：免费服务随时可能变化，实际开发要关注成本和稳定性。
Token 的类型和权限：普通的 read Token 无法调用推理接口，需要创建 Fine-grained Token 并勾选「Make calls to Inference Providers」权限，同时开启「读取门控仓库」权限（因为 Flux 是 gated 模型，需要先在模型页同意协议）。
provider 的差别：hf-inference 是官方推理，auto 会自动路由到 fal-ai 等第三方；不同 provider 的可用性和计费方式不一样。

第二部分 · GitHub 个人主页搭建

七、方案选择

我选择了【方案二：借助 GitHub Pages 搭建个人主页】——使用 GitHub Pages（基于 Academic Pages 模板）搭建了一个内容较为充实的展示页面，把自我介绍、技能成果与三年规划以网页形式呈现，方便展示与分享。

八、主页内容

主页按题目要求包含三部分：

1. 自我介绍

2. 技能与自我评估：

已掌握：Python（基础了解）、LangChain / Agent、Git
感兴趣的方向：后端全栈开发、大模型应用落地
最希望学习：数据库、系统设计、部署运维

3. 未来三年规划：以后端与数据库方向为主线——第一年打牢基础，第二年深入实战，第三年专精落地。

九、主页截图

第三部分 · 技能树梳理、代码量与课程学习规划

七、技能树与技术偏好（自我评估）

已具备的专业知识与能力

能力 A · Python 编程：基础了解，能编写简单脚本，希望进一步深入学习数据处理与 Web 后端开发
能力 B · LangChain / Agent 开发：熟悉大模型应用开发框架，能搭建基于 LLM 的 Agent 应用
能力 C · Git 版本控制：熟练使用 Git，具备规范的协作开发与代码管理习惯

感兴趣的技术方向

后端全栈开发
大模型（LLM）应用落地

还欠缺的能力

数据库深入（索引、事务、查询优化）
系统设计与微服务
部署运维（Docker、CI/CD）
前端工程化
计算机网络、操作系统等底层基础

八、代码量

截至目前的代码量：约5k-7k行（含课程作业与个人项目）
完成本学期课程后期望达到：约 2w 行

九、最期待学习的知识 & 希望获得的收获

最期待学习：后端系统设计与数据库优化，以及如何把大模型（LLM / Agent）真正落地到产品中；软件工程从需求分析到部署上线的完整流程。
希望获得的收获：能独立完成一个完整项目的能力、工程化思维，以及团队协作与项目管理的经验。

十、AI 工具生成的软件工程课程学习指南及分析

10.1 学习指南（由 DeepSeek 生成）

第一年 · 打牢基础

熟练掌握数据结构、算法与面向对象编程。

学习 Web 后端框架（FastAPI / Flask），能独立编写 RESTful API。

学习 SQL 与关系型数据库（MySQL / PostgreSQL）的基本操作与设计。

第二年 · 深入与实战
5. 深入学习数据库原理：索引、事务、查询优化。
6. 学习缓存（Redis）、消息队列与系统设计基础。
7. 走完软件工程全流程：需求分析、UML 建模、设计模式、测试。
8. 完成 1–2 个完整项目（团队协作），经历从需求到上线的全过程。

第三年 · 专精与落地
9. 学习微服务、容器化与部署（Docker、CI/CD）。
10. 结合大模型（LLM / Agent）做 AI 应用落地。
11. 补齐计算机网络、操作系统等底层基础。
12. 复盘总结，沉淀技术笔记与作品集。

10.2 我对这份指南的分析

这份指南整体是合理的：它抓住了软件工程的核心——既强调基础能力（编程、版本控制），也强调工程化思维（测试、CI/CD）和实战（做完整项目），还贴合了当前「AI 辅助开发」的趋势。

对我有帮助的部分：它帮我理清了学习重点，提醒我不要零散地学语法，而是系统地「做项目 + 补工程化能力」，这正好对应我欠缺的数据库、部署等短板。

不足之处：指南虽然按三年做了规划，但仍缺少具体的教材、课程资源和进度节点，对课程的理论部分（如需求规格说明书、设计文档的写法）着墨较少。所以我会把它当作「地图」，再结合课程进度补充具体细节。

十一、后台编辑页面截图

posted @ 2026-09-09 13:04 Xx__X 阅读(20) 评论(0) 收藏举报

刷新页面返回顶部

Xx__X