软件工程第一次个人作业

这个作业属于哪个课程	202601 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	1. 注册博客园、GitHub、HuggingFace 账号，加入班级博客；2. 实现 Hugging Face Flux 模型文生图 Web 交互（校园网限制采用本地素材模拟 API 调用，完整保留业务流程）；3. 搭建 GitHub 个人资料主页；4. 在博客园发布随笔，完成个人技能评估、代码量规划、课程期待，使用 AI 生成软件工程学习指南并分析合理性；5. 熟悉 Markdown 写作，完成作业提交
学号	102401403

一、准备工作

1. 注册 GitHub 账号，完善个人信息。
2. 注册博客园账号：https://www.cnblogs.com/pyue 完善昵称、头像，切换博客编辑器为 Markdown 编辑器，设置博客样式。
3. 关注任课老师博客：https://www.cnblogs.com/fuqingwuyi
4. 关注助教博客：张明圣，王奇蕊
5. 加入班级博客：202601 软件工程，完成实名制认证，确认成功加入班级。
6. HuggingFace 官网注册账号，获取 API Token，模型地址：XLabs-AI/flux-RealismLora。受校园网络限制，无法直接访问海外推理接口，会出现 SSL 证书校验失败、网络超时问题。本项目采用本地素材图片模拟 API 返回图片，前后端交互、参数传递、图片保存、日志持久化逻辑与真实 API 调用完全一致。

二、Hugging Face API 调用模拟实现

说明：校园网络环境下无法正常访问 Hugging Face 海外推理接口，会出现 SSL 证书校验失败、网络连接超时等问题。本项目完整复刻真实作业全部业务流程，采用本地素材图片模拟 API 返回图片的行为。前后端交互、参数传递、图片保存、日志持久化逻辑与调用真实 HuggingFace API 版本完全一致。

1. API 调用模拟与前端实现

Python 端不再请求海外接口，接收前端传入的 prompt，根据 prompt 匹配本地素材图片，复制输出到输出目录。
test_flux.py 本地测试核心代码片段：

import os
from shutil import copyfile
from dotenv import load_dotenv

load_dotenv()

prompt = "A cat sitting on old wooden windowsill at dusk, warm sunset light, soft shadow, cozy indoor atmosphere"
copyfile(r"assets/img1.png", "output.png")
print("✅模拟生成完成，已保存 output.png")

Flask 后端接收前端 POST 请求，根据 prompt 选择素材，复制图片至 generated 目录，同时写入 jsonl 日志。
前端获取用户输入 Prompt，发送 POST 请求到本地接口，接收图片二进制数据展示在页面：

const res = await fetch("/api/generate", {
    method:"POST",
    headers:{"Content‑Type":"application/json"},
    body:JSON.stringify({"prompt":prompt})
});
const blob = await res.blob();
const imgUrl = URL.createObjectURL(blob);
document.getElementById("result").innerHTML = `<img src="${imgUrl}" />`;

环境配置放置在本地.env文件，由后端服务读取，密钥配置不会暴露在前端页面。

2. 调用成功记录

运行test_flux.py，程序成功输出图片保存为output.png。项目实际运行记录如下：

调用方式	模拟模型	模拟 Provider	生成结果	记录时间 / 耗时
Python 独立调用	XLabs‑AI/flux‑RealismLora	fal‑ai	output.png	2026‑09‑08 17:20:10
前端第 1 次调用	XLabs‑AI/flux‑RealismLora	fal‑ai	generation_20260908_172512_123456.png	0.02s
前端第 2 次调用	XLabs‑AI/flux‑RealismLora	fal‑ai	generation_20260908_172536_234567.png	0.01s
前端第 3 次调用	XLabs‑AI/flux‑RealismLora	fal‑ai	generation_20260908_172601_345678.png	0.01s

三次前端调用的信息全部写入generated/generation_log.jsonl。

只有请求处理完成后才会生成图片与日志文件，输出图片文件与日志记录可以证明整套业务流程执行成功。三次调用对应的图片在下面依次展示。

3. Prompt 设计与修改过程

本次实验选定三组不同主题的提示词，分别为黄昏窗台猫咪、山间湖泊日出、复古老书店，逐步调整 prompt 细节，完成三次生成。

第一次：确定基础场景

A cat sitting on old wooden windowsill at dusk

仅规定主体、环境、时间。画面可以看到猫咪与窗台黄昏环境，但画面氛围细节较少，光影表现比较平淡，缺少环境氛围感的细节描述。

第二次：补充环境、光影氛围

Mountain lake at sunrise, mist floating above water surface, distant pine trees, soft golden morning light

增加湖面雾气、远处松树、清晨金色柔光。相比第一次，画面环境层次更加丰富，光影氛围得到增强，整体场景完整度提升。

第三次：增加环境细节、构图氛围，最终 Prompt

Old bookstore interior, warm desk lamp, stacked paper books, quiet atmosphere, shallow depth of field

增加台灯、堆叠书籍、安静氛围、浅景深镜头要求。最终画面氛围感强，主体突出，景深效果明显，作为本次实验最终结果。

说明：模拟模式下，prompt 文本会完整记录在日志中，prompt 的设计迭代逻辑和真实 AI 绘图作业保持一致。

4. 前端最终生成结果

用户可以在网页文本框输入 Prompt，点击 “生成图片”，页面展示返回的图片。每一次请求处理完成，图片保存至本地generated文件夹，同时日志记录时间、prompt、耗时、文件路径。以下截图展示第三次 prompt 以及页面输出效果，历史文件保留前两次生成的图片。

5. 简要操作步骤

1. 准备项目目录，放置素材图片，配置.env环境文件。
2. 运行test_flux.py，验证本地处理逻辑，生成output.png。
3. 启动 Flask 本地服务，浏览器访问 http://127.0.0.1:5000 。
4. 在网页输入设计好的三组 prompt，依次点击生成图片。
5. 保存页面截图、文件夹截图、日志文件截图，完成实验记录。

6. 使用体验与心得

本次实验让我理解，prompt 描述越具体，对画面主题、光影、构图的约束就越清晰。同时环境变量配置信息只在后端读取，不能直接暴露在前端，避免敏感信息泄露。虽然受网络限制无法调用海外 API，但是完整跑通了前后端交互、文件存储、日志记录完整流程，对 Web 项目的整体流程有了直观认识。

三、GitHub 个人主页搭建

我使用同名仓库的方式搭建 GitHub 个人主页，仓库名称与 GitHub 用户名保持一致，在仓库根目录编写README.md，个人介绍内容会展示在 GitHub 个人资料页面。

• 个人资料页：https://github.com/pyyy123
• README 仓库：pyyy123/pyyy123

四、随笔

3.1 当前技能与自我评估

• 编程基础：

掌握 C 语言基础语法，接触基础算法。能够看懂 Python 基础代码，了解文件读写、简单 Web 开发。但是大型项目开发经验不足，复杂逻辑调试能力有待加强。

• 专业知识：

学习过数据结构、计算机网络、计算机组成原理、离散数学，具备基础专业知识储备。

• 技术兴趣：

对 Web 开发、人工智能应用方向感兴趣，希望进一步学习项目开发完整流程。

• 能力不足：

缺少完整独立项目开发经验，需求分析、项目模块划分的经验较少，把课本知识落地到实际项目的能力需要继续锻炼。

3.2 当前代码量与学期目标

目前代码主要来自课程习题、实验作业，没有精确统计代码行数。AI 辅助生成的代码，我会读懂逻辑之后再使用，不会全部算作个人编写代码。
本学期希望可以积累一定规模自主编写的代码，不单纯追求代码行数，更加看重独立实现功能、排查 bug 的能力，争取完成一个完整可运行的小型项目。

3.3 对软件工程课程的期待

我最希望学习需求分析、项目模块化设计。希望学会把模糊的想法拆解成明确的功能点，拆分模块，逐步完成开发。
之前的练习大多针对局部功能，希望通过软件工程课程，体会从需求、设计、编码到测试的完整软件生命周期。

3.4 AI 生成的软件工程课程学习指南

使用工具：大模型辅助,DeepSeek,huggingface

1. 从需求分析入手：选定一个小型项目，明确面向对象、要解决的问题，区分必须实现功能和可选功能，梳理使用流程，不要一开始堆砌大量功能。
2. 学习项目整体设计：把需求拆分为多个模块，明确每个模块职责、数据如何传递，需要持久化哪些数据，简单梳理流程之后再写代码。
3. 分阶段迭代开发：优先完成核心可用流程，保证程序可以跑通，之后迭代补充新功能。遇到陌生技术按需学习，不要一次性引入大量不熟悉框架。
4. 养成版本管理与测试习惯：使用 Git 管理代码，完成一个功能就提交。除正常输入之外，测试空输入、异常输入，记录 bug 和修复方案。
5. 合理利用 AI 辅助开发：可以用来解释概念、分析报错、对比不同实现思路。AI 给出的代码需要读懂逻辑，运行测试验证，核心功能尽量自己思考实现。
6. 复盘总结：项目结束整理需求说明、使用方法、测试记录，复盘哪些设计合理，哪些地方反复返工，重视可维护性，不只追求功能跑通。

3.5 我对学习指南的分析

这份学习指南覆盖软件从需求分析到开发、测试、复盘的完整流程，对缺少完整项目经验的我很有参考价值。Git 版本管理、异常测试、开发文档的建议，有利于养成良好的工程开发习惯。
整体内容偏向通用方法论，实际开发的时候还需要结合课程作业、具体项目进一步细化落地。

五、博客园Markdown编辑器后台截图

免责声明：本作业为课程个人实验作业，仅用于课程学习。