2026秋软件工程个人作业（第一次)

这个作业属于哪个课程	H202601软件工程与软件工程实践
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	调用Hugging Face API完成AI图像生成，结合前端实现交互；GitHub个人主页建设，梳理自己的专业技能、技术兴趣和未来发展规划；完成博客记录。
学号	102401115

一、Hugging Face 账号及 API Token 获取

1、创建Access Token

如图我已经创建了名为Yi-shang0101Access Token

2、C++ 项目编译及后端实现

核心代码由chatgpt生成

const std::string MODEL_ID =
    "XLabs-AI/flux-RealismLora";

const std::string HF_API_URL =
    "https://router.huggingface.co/fal-ai/fal-ai/flux-lora";

const std::string LORA_URL =
    "https://huggingface.co/XLabs-AI/flux-RealismLora/"
    "resolve/main/lora.safetensors";

本实验使用 XLabs-AI/flux-RealismLora，程序通过 Hugging Face Inference Provider 调用 FLUX LoRA 推理接口，并加载指定的 Realism LoRA 权重。

(1)Token 获取

const char* tokenEnv = std::getenv("HF_TOKEN");

if (!tokenEnv || std::string(tokenEnv).empty()) {
    std::cerr << "HF_TOKEN is not set." << std::endl;
    return 1;
}

std::string hfToken = tokenEnv;

为避免将 Hugging Face Token 直接写入源代码，程序通过系统环境变量 HF_TOKEN 获取认证信息，提高 API 密钥的安全性。

(2)接收前端请求

server.Post("/api/generate",
    [&](const httplib::Request& req,
        httplib::Response& res) {

        json input = json::parse(req.body);

        std::string prompt =
            input.value("prompt", "");

        int width =
            input.value("width", 1024);

        int height =
            input.value("height", 1024);

        // 后续调用 Hugging Face API
    });

(3)构造 FLUX 模型请求参数

json payload = {
    {"prompt", prompt},
    {"image_size", {
        {"width", width},
        {"height", height}
    }},
    {"num_inference_steps", steps},
    {"guidance_scale", guidance},
    {"num_images", 1},
    {"output_format", "jpeg"},
    {"loras", json::array({
        {
            {"path", LORA_URL},
            {"scale", loraScale}
        }
    })}
};

(4)HTTP 请求

std::string requestBody = payload.dump();

std::string auth =
    "Authorization: Bearer " + hfToken;

headers = curl_slist_append(
    headers, auth.c_str());

headers = curl_slist_append(
    headers, "Content-Type: application/json");

curl_easy_setopt(
    curl, CURLOPT_URL,
    HF_API_URL.c_str());

curl_easy_setopt(
    curl, CURLOPT_HTTPHEADER,
    headers);

curl_easy_setopt(
    curl, CURLOPT_POST, 1L);

curl_easy_setopt(
    curl, CURLOPT_POSTFIELDS,
    requestBody.c_str());

curl_easy_setopt(
    curl, CURLOPT_POSTFIELDSIZE,
    static_cast<long>(requestBody.size()));

(5)前后端交互

const response = await fetch("/api/generate", {
    method: "POST",
    headers: {
        "Content-Type": "application/json"
    },
    body: JSON.stringify(data)
});

用户在 Web 页面输入提示词并单击“生成图像”按钮后，JavaScript 将提示词和生成参数发送至 C++ 后端。C++ 后端调用 Hugging Face API，获得生成结果后保存图像，并将结果地址返回前端进行显示。

3、API 调用

API 调用成功展示

============================================================
[2026-09-10 00:08:18] Hugging Face API request
Request ID : 4f006d33
Model      : XLabs-AI/flux-RealismLora
Provider   : fal-ai
Prompt     : A university student reading in a library,
realistic photo.
Resolution : 1024x1024
Steps      : 28
Guidance   : 3.5
LoRA scale : 1
HTTP       : 200
Result     : SUCCESS
Elapsed    : 9.11 s
Saved      : static\generated\flux_20260910_000825_4f006d33.jpg
============================================================

前端最终生成结果见下图

4、提示词修改过程

第一版提示词

A university student reading in a library,
realistic photo.

附图

第二版提示词

A candid documentary photograph of a university student
reading beside a large window in a quiet modern campus library,
late-afternoon natural sunlight,
realistic skin texture with subtle imperfections,
individual hair strands,
slightly wrinkled cotton clothing,
books with natural wear,
realistic reflections on glass,
35mm full-frame camera,
50mm lens,
f/2.8,
ISO 400,
shallow depth of field,
physically plausible lighting,
true-to-life colors,
unretouched photography,
photorealistic,
no CGI,
no illustration,
no plastic skin.

附图

本实验首先使用较简单的提示词确定人物、动作及场景，但第一次生成结果在人物皮肤、环境材质以及光照方面仍存在一定的 AI 生成特征。因此第二次提示词增加了自然光、50mm 镜头以及浅景深等摄影语言，使画面更接近相机拍摄效果。在最终提示词中进一步加入真实皮肤纹理、细微瑕疵、头发丝、衣物褶皱、书籍磨损和玻璃反射等现实世界中常见的不完美细节，并加入光圈、ISO、镜头焦距以及物理合理光照等参数，同时使用 no CGI、no illustration 和 no plastic skin 降低 CG 感和插画感，从而使生成结果更加贴近真实世界。

5、体验和心得

本次实验完成了从 Hugging Face API 获取、C++ 后端调用、Web 前端交互到 FLUX 图像生成的完整流程。在实际调用过程中，我认识到 API 的使用不仅仅是发送提示词，还涉及 Token 身份认证、HTTP 请求、JSON 数据封装、状态码判断、异常处理以及结果保存等多个环节。
在提示词设计过程中，通过多次修改和对比发现，生成图像的真实性并不完全取决于提示词长度，更重要的是提示词是否从主体、环境、光照、材质和摄影参数等方面提供了明确且合理的约束。特别是在加入真实材质、不完美细节以及摄影参数后，图像的写实程度有明显提高。
同时，本实验采用环境变量保存 Hugging Face Token，而不是直接将密钥写入程序或前端页面，使我进一步认识到了 API 密钥保护的重要性。通过本次实验，我对生成式人工智能 API、Prompt Engineering 以及 C++ 与 Web 前端结合开发的完整过程有了更加深入的理解。

二、GitHub 个人主页搭建

我采取了方案1来完成个人主页建设，其中包括了个人介绍、技能、实践经历、自我评估、兴趣方向和未来三年规划。
https://github.com/Yi-shang0101

三、软件工程课程学习随笔：技能梳理、自我评估与学习计划

目前已经进入大三阶段，接触的专业课程逐渐增多，也开始从“学习单门课程知识”向“把知识用于实际项目”转变。结合目前的学习情况，我对自己的技能、兴趣方向以及不足做一次简单梳理

1、当前技能树与技术偏好

目前已经学习或正在学习的内容主要有：

编程基础：初步掌握 C、C++，能够完成基础程序设计和简单算法题。
算法与数据结构：学习过常见的数据结构和基本算法，对时间复杂度、查找、排序等内容有一定认识。
计算机基础课程：学习过计算机网络、计算机组成原理，对计算机系统的基本结构和网络通信过程有一定理解。
系统与开发基础：目前正在学习操作系统、Linux 实践、数据库以及软件工程。
基础实践能力：能够使用 Visual Studio、Git、GitHub 等工具，近期完成了使用 C++ 调用 Hugging Face API，并结合前端实现图像交互生成的实践。

自我评估

1、已经具备的能力

能够使用 C/C++ 完成基础程序设计。
具备一定的数据结构与算法基础。
对计算机网络、计算机组成原理等专业基础知识有基本认识。
能够进行简单的 API 调用和前后端交互实践。

2、感兴趣的方向

目前对软件开发、后端开发、Linux、数据库以及人工智能应用比较感兴趣，希望通过后续学习进一步明确自己的技术方向。

3、目前欠缺的能力

1.项目实践经历较少，还没有独立完成过较完整的软件工程项目。
2.对数据库、Linux、操作系统等内容还处于学习阶段。
3.对软件需求分析、系统设计、测试、版本管理等软件工程流程了解还不够深入。
4.代码规范、工程化开发以及团队协作能力还需要提高。

2、目前代码量与本学期目标

目前我个人的代码量也无处统计，但我觉得我的代码量并不多，我希望这学期可以多进行代码练习，提升自己的代码水平。

3、对软件工程课程的期待

我感觉未来会是困难重重，本人并没有什么项目经验，这可能会让我在完成个人和团队作业时会异常困难，不过多亏了大模型的发展使得我们得以应对，希望未来在大模型的帮助下，自己的代码能力能够提高，同时积累自己的项目经验与团队合作经验。

4、使用 ChatGPT 生成的软件工程学习指南

我选择 ChatGPT 生成一份简要的软件工程课程学习指南，内容如下：

软件工程课程学习指南

先掌握软件工程的基本概念，理解软件生命周期、软件过程模型以及软件质量的重要性。
学习需求分析，能够将用户的实际需求转化为清晰的软件需求说明。
学习软件设计方法，包括系统架构、模块划分、接口设计以及数据库设计。
在编码过程中重视代码规范、模块化和可维护性，而不仅仅关注程序是否能够运行。
学习 Git 等版本管理工具，并通过团队项目练习多人协作开发。
掌握基本的软件测试方法，包括单元测试、集成测试和系统测试。
通过一个完整项目，将需求分析、设计、编码、测试和维护等环节串联起来。
在项目完成后进行总结，分析存在的问题并持续改进。

对 AI 学习指南的分析

chatgpt 给的学习指南还是比较笼统的，并没有给我详尽的学习路线与练习指导，只是更像任务清单。AI只是当作学习规划和知识整理的辅助工具，不能完全代替自己的实践和思考。

四、后台博文编辑页面

posted @ 2026-09-10 14:25 Yishang 阅读(13) 评论(0) 收藏举报

刷新页面返回顶部

Yishang