软件工程第一次作业

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：	掌握 HuggingFace 推理 API 的调用，用 Flux 模型实现交互式图像生成；搭建 GitHub 个人主页；梳理技能树、学习目标，并分析与 AI 工具的结合。
学号：	102402134

---

1. HuggingFace API 的调用

对应作业要求 1：注册账号获取 API，调用 Flux 模型生成最贴近真实世界的图像；结合前端接口实现交互生成；展示 API 调用成功记录与前端生成图像截图；说明提示词设计思路与修改过程；记录操作步骤并总结体验心得。

1.1 注册与获取 Token

在 Hugging Face 官网注册账号，进入 Settings → Access Tokens 创建 Token，并在代码中通过环境变量 HF_TOKEN 传入，避免硬编码导致泄露。

1.2 后端代码（调用模型）

使用 Python（FastAPI）作为后端，调用 XLabs-AI/flux-RealismLora 模型。代码如下：

import os, io, base64
from fastapi import FastAPI
from pydantic import BaseModel
from huggingface_hub import InferenceClient

HF_TOKEN = os.environ.get("HF_TOKEN", "").strip()
HF_MODEL = "XLabs-AI/flux-RealismLora"
client = InferenceClient(model=HF_MODEL, token=HF_TOKEN)

app = FastAPI()

class GenerateRequest(BaseModel):
    prompt: str
    width: int = 768
    height: int = 768

@app.post("/generate")
def generate(req: GenerateRequest):
    image = client.text_to_image(req.prompt, width=req.width, height=req.height)
    buf = io.BytesIO()
    image.save(buf, format="PNG")
    return {"ok": True, "image_base64": base64.b64encode(buf.getvalue()).decode("utf-8")}

1.3 前端交互（结合前端接口）

前端用 HTML + JS 实现输入提示词、点击生成、展示结果：

<script>
  async function generate() {
    const prompt = document.getElementById('prompt').value;
    const res = await fetch('/generate', {
      method: 'POST',
      headers: {'Content-Type': 'application/json'},
      body: JSON.stringify({prompt})
    });
    const data = await res.json();
    const img = document.getElementById('result');
    img.src = 'data:image/png;base64,' + data.image_base64;
    img.style.display = 'block';
  }
</script>

1.4 提示词设计思路与修改过程

为生成最贴近真实世界的图像，我逐步完善提示词：

• 初版：a portrait of a young woman，人物清晰但质感平淡、光影缺失，真实感不足。

• 改进版：加入写实、光线、纹理与摄影参数，最终采用：

  A hyper-realistic portrait of a young woman, detailed skin texture, natural morning light, cinematic lighting, shallow depth of field

  通过补充光线（morning light / cinematic lighting）、皮肤纹理（skin texture）、景深（shallow depth of field）等关键词，生成图像的真实感显著提升，达到贴近真实世界的写实效果。

1.5 API 调用成功记录与前端生成图像

API 调用成功记录：

前端最终生成图像：

1.6 操作步骤与体验心得

操作步骤：

1. 注册 Hugging Face 账号，创建 Access Token。
2. 安装依赖（fastapi、uvicorn、huggingface_hub）。
3. 设置环境变量 HF_TOKEN。
4. 编写后端接口 /generate，调用模型生成图像并返回 base64。
5. 编写前端页面，提交提示词并展示图像。
6. 启动服务，在浏览器访问并生成图像。

体验与心得：
实践让我体会到 Prompt Engineering（提示词工程）的重要性：模型能力很强，但需要精准的指令才能产出高质量结果。写实类模型对光线、纹理、摄影术语尤为敏感。同时，前后端交互、base64 图像传输、以及 Serverless 推理的冷启动等待，都是本次需要处理的难点。

---

2. GitHub 个人主页搭建

对应作业要求 2：在 GitHub 上完成个人主页建设，本项目选择方案一（创建与 GitHub ID 同名的仓库，在根目录 README 撰写个人介绍），并包含自我介绍、个人成果与技能评估、未来三年发展规划。

2.1 实现方案

采用方案一：创建与 GitHub 用户名 wlangleah-maker 同名的仓库，并在仓库根目录的 README.md 中撰写个人介绍，作为个人主页展示。

2.2 个人主页内容与技能评估

• 自我介绍：王世豪，福州大学计算机与大数据学院，数据科学与大数据技术专业（24 级 1 班），学号 102402134；爱好听音乐。
• 掌握技能：Python（较熟练）、C 语言、Java、HTML/CSS 网页布局基础。
• 感兴趣方向：人工智能 / 机器学习、数据分析、软件开发。
• 未来三年发展规划：近期系统学习《软件工程》课程，补足需求分析、设计、版本管理与协作等工程能力；准备考研，继续深耕人工智能方向，通过课程项目积累实践经验。

---

3. 博客园随笔：技能梳理与学习规划

对应作业要求 3：梳理技能树与技术偏好并自我评估；说明目前代码量与学期目标代码量；写出最期待学习的知识与希望收获；选一个 AI 工具生成软件工程学习指南并分析。

3.1 技能树与技术偏好自我评估（能力 A / B / C 分级）

能力	具体内容	等级
Python	基本语法、数据处理、调用 AI API	较熟练（A）
C 语言	语法、指针、数据结构基础	掌握（B）
Java	面向对象基础，简单应用	掌握（B）
机器学习入门	基础概念与模型初步认识	入门（B-）
工程化能力	需求分析、设计、测试、协作	薄弱（C）

目前最欠缺的是完整的工程化思维与协作能力，这也是本课程最需要补足的部分。

3.2 代码量统计与目标

• 截至目前的代码量：约 8000 ~ 15000 行（含课程作业与练习）。
• 学完本课程后目标：提升到约 30000 行有效代码，并通过课程项目锻炼工程规范与协作能力。

3.3 本课程最期待学习的知识与期望收获

• 最期待学习：完整的软件开发流程、软件需求分析。
• 期望收获：从"能写代码"提升到"能规范地完成一个项目"；掌握 Git/GitHub 协作、测试与文档能力，为将来在 AI 方向深造打基础。

3.4 用 AI 工具生成软件工程学习指南并分析

我使用 DeepSeek 生成了一份学习指南：

DeepSeek 建议：

1. 先建立软件工程整体视角，理解需求、设计、实现、测试、交付的完整生命周期。
2. 重视需求分析，把想法转化为可验证、有优先级的需求。
3. 学习面向对象设计与常见设计模式，理解分层、模块化。
4. 尽早动手实践并引入 Git 做版本管理，练习分支、提交规范与代码审查。
5. 重视测试与代码质量，区分单元 / 集成 / 系统测试。
6. 把 AI 当作"高效助手"，核心架构与需求判断由自己完成。

分析：
该指南务实且具备可操作性。尤其"动手实践 + 版本管理"和"把 AI 当助手而非答案"两点，切中了我目前工程能力薄弱的短板。我会把"建立整体视角、以项目为主线"纳入学习计划，边学边做，避免停留在概念层面。

---

4. 作业要求（Markdown 编写与后台截图）

对应作业要求 4：使用 Markdown 编写作业；在博文中附加后台博文编辑页面的截图（编辑器需切换为 Markdown）；本次及之后每次作业随笔最前面加上固定表格。

• 本随笔即使用 Markdown 编辑，无需额外说明。
• 已在文章最前部加入固定表格（见开头）。
• 后台博文编辑页面截图如下：

---

本报告为《软件工程》第一次个人作业的记录。