软件工程第一次个人作业——Hugging Face API 调用与个人主页搭建
| 这个作业属于哪个课程 | https://edu.cnblogs.com/campus/fzu/2026-01SoftwareEngineeringandSoftwareEngineeringPractice |
|---|---|
| 这个作业要求在哪里 | https://edu.cnblogs.com/campus/fzu/2026-01SoftwareEngineeringandSoftwareEngineeringPractice/homework/16716 |
| 这个作业的目标 | 熟悉 Hugging Face API 调用与前端交互，完成 GitHub 个人主页建设，梳理个人技能树并借助 AI 工具规划学习 |
| 学号 | 102402125 |
一、准备工作
本次作业需要在三个平台完成注册与配置：
- GitHub：注册账号并完善头像、昵称、个人简介等信息。
- 博客园：注册账号，申请开通博客（审核约15分钟），将编辑器切换为 Markdown 编辑器，设置好昵称和头像。
- Hugging Face：注册账号，在 Settings 中创建 Read 权限的 Access Token，并同意 Flux 模型的使用许可协议。
同时，已加入班级博客（H202601软件工程与软件工程实践），完成实名认证，并关注了任课老师黄兆武和助教李怡涵、焦圣蒙的博客。
二、Hugging Face API 调用 Flux 生成图像
2.1 模型说明
作业要求使用 XLabs-AI/flux-RealismLora 模型。该模型是一个 LoRA 权重，不能独立调用生成图像，需要搭配基础模型 black-forest-labs/FLUX.1-dev 一起使用。本次实践采用基础模型完成生成，并已提前同意该模型的许可协议。
2.2 操作步骤
整体流程可以概括为以下几步：
- 获取 Token：在 Hugging Face 的 Settings → Access Tokens 中创建一个 Read 权限的 Token，保存备用。
- 同意模型协议：打开 FLUX.1-dev 模型页面，点击 Agree and access repository，否则调用 API 时会返回 401 错误。
- 搭建后端：使用 Flask 编写一个
/generate接口，接收前端传来的提示词，通过huggingface_hub库调用推理 API 生成图像，并将图像转为 base64 编码返回给前端。 - 编写前端：创建一个简单的 HTML 页面，包含提示词输入框、生成按钮和图片展示区域。点击按钮后，前端通过 fetch 请求后端接口，将返回的图像显示在页面上。
- 运行测试：启动 Flask 服务，浏览器访问本地页面，输入提示词即可生成图像。
2.3 运行结果
API 调用成功，前端页面正常显示生成的图像。相关截图如下：
2.4 提示词设计思路与修改过程
本次实践的目标是生成一张“最贴近真实世界的图像”，同时融入温馨治愈的 emoji 笑脸拟人元素。
第一版提示词： 只写了 a smiling emoji character，生成结果过于卡通，色彩饱和度过高，不符合“真实世界”的要求。
第二版提示词： 改为 a 3d render of a cute smiling face character, soft lighting，画面质感有所提升，但细节仍然不足，光影平淡。
第三版（最终采用）： A photorealistic image of an adorable emoji-inspired character with a warm happy smiling face, big sparkling eyes, rosy cheeks, soft yellow body, sitting in a cozy sunlit room, gentle sunlight through window, soft shadows, ultra realistic, 8k, high detail, cinematic lighting, heartwarming atmosphere
通过添加 photorealistic、ultra realistic、8k、high detail 等关键词强化真实感，同时用 gentle sunlight、soft shadows、heartwarming atmosphere 营造温馨治愈的氛围，最终生成效果满意。
设计心得：
- Flux 模型对英文提示词响应最好，中文提示词效果不稳定。
photorealistic、ultra realistic、cinematic lighting等关键词能显著提升真实感。- 用
adorable、warm、heartwarming等形容词可以保留温馨可爱的氛围。 - 避免让模型生成复杂人脸或文字内容，容易产生畸变。
2.5 API 调用体验与心得
第一次调用 Hugging Face 推理 API，整体门槛比想象中低，不需要本地部署庞大的模型，几行代码就能生成高质量图像。过程中遇到的主要问题是：Flux 属于受限模型，需要先同意协议才能调用；免费账号的推理额度有限，偶尔需要排队等待；提示词质量直接影响生成效果，需要反复调试。
通过这次实践，我理解了“前端交互 + 后端代理”这一常见的 AI 应用基本架构。如果把图像生成换成文本生成，就是类似 ChatGPT 的应用雏形。这让我对 AI 应用开发产生了更大的兴趣。
三、GitHub 个人主页搭建
我选择了方案一：创建个人资料自述文件。新建一个与 GitHub ID 同名的仓库，在根目录编写 README.md，GitHub 会自动将该内容展示在个人主页上。
https://github.com/H3HN/h3hn.github.io
截图如下：
四、技能树与自我评估
4.1 已具备的专业知识与能力
- Java 方向：面向对象编程、集合框架、多线程、IO 流、Swing GUI
- Python 方向：基础语法、Flask Web 服务、urllib/requests 爬虫、Playwright 入门
- 数据库：MySQL 基本操作，增删改查
- 工程工具：Linux 常用命令、Git 版本控制
- AI 应用入门：了解 RAG 和 Agent 概念，能使用 LangChain 搭建简单 Agent，使用 LlamaIndex 做文档问答
4.2 感兴趣的技术方向
- 大模型应用开发（RAG、Agent、多工具协作）
- 后端开发（Java/Python 服务端）
- 数据工程（数据采集、清洗、可视化）
4.3 还欠缺的能力
- 前端开发：JavaScript 基础薄弱，Vue/React 等框架基本不会
- 系统设计：缺乏大型项目的架构设计与模块划分经验
- 测试能力：单元测试和集成测试缺少实践
- 文档撰写：需求文档、设计文档的编写经验不足
五、代码量与目标
- 当前累计代码量：约 4000 行，主要为 Java（课程设计、练习）和 Python（实习项目、爬虫脚本）。
- 课程结束目标：累计代码量达到 15000 行以上，重点增加 Python 后端、前端交互和测试代码的比例。
六、本课程中最期待学习的知识
- 规范化软件开发流程：从需求分析、设计、编码到测试、维护的完整过程。
- 设计模式与代码质量：学习如何写出可维护、可扩展的代码。
- 结对编程与团队协作：掌握 Git 工作流、代码评审等工程实践。
- 测试驱动开发：理解测试在软件质量保障中的重要性。
- 大模型与软件工程的结合：探索 AI 辅助开发的实际应用。
希望获得的收获：不只是会写代码，而是能完整地完成一个小项目，并通过博客记录自己的成长。
七、AI 工具生成的软件工程学习指南与分析
7.1 DeepSeek 生成的指南
我选择 DeepSeek 生成软件工程课程学习指南，内容摘要如下：
核心内容：软件过程模型（瀑布、敏捷、迭代）、需求工程、系统设计、编码规范、测试（单元/集成/系统）、项目管理与团队协作。
学习方法：理论结合实践；重视需求分析；掌握 SOLID 原则和常见设计模式；测试从第一天开始；使用版本控制小步提交。
学习顺序：第1-3周过程模型与需求工程 → 第4-6周系统设计与 UML 建模 → 第7-9周编码实现与代码评审 → 第10-12周测试与部署 → 第13-15周综合项目实战。
常见误区：只重编码忽视文档；测试留到最后；闭门造车；忽视代码可维护性。
推荐资源：《软件工程——实践者的研究方法》《代码整洁之道》《重构：改善既有代码的设计》。
7.2 对指南的分析
合理之处：
- 指南覆盖了软件工程课程的主要知识模块，结构完整。
- 把“需求分析”和“测试”提到了重要位置，符合当前软件开发强调质量和用户导向的趋势。
- “小步提交”和“边写代码边写测试”的建议非常实用。
需要调整的地方：
- 指南偏理论，没有涉及结对编程、博客作业等本课程特色实践环节。
- 缺少对大模型辅助开发等新工具的建议。
- 学习顺序只是一个参考，实际课程安排需要以老师为准。
结论：
这份指南帮我建立了软件工程课程的整体框架，让我意识到需求分析和测试的重要性。但它不能替代老师的教学安排，只能作为预习和复习的补充材料。我会结合课堂要求，把重点放在实践能力和文档撰写上。
本次作业到此完成，感谢老师和助教的阅读。
浙公网安备 33010602011771号