软件工程第1次作业

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	熟悉开发社区工具、掌握云端模型API调用与全栈交互、梳理个人技术成长路径与学期规划
学号	052405110

1. 准备工作完成情况

博客园设置：已开通个人博客，头像与个人主页样式已配置完毕；已将默认编辑器设置为 Markdown 模式。
关注与实名：已关注任课老师（黄兆武）及助教（李怡涵、焦圣蒙）；已加入「202601 软件工程」班级群，并完成班内实名制绑定。
GitHub 准备：已完善个人 Profile 基本资料。

2. GitHub 个人主页搭建

我选用了 个人资料自述文件（Profile README） 方案进行搭建。新建了与自己 GitHub 用户名同名的特殊公开仓库，并在根目录下的 README.md 中进行了排版展示。

个人主页地址：https://github.com/zzzoe116/ZZZOOE116
页面包含要素：
1. 个人兴趣爱好及经历简介；
2. 个人技能清单、掌握的技术栈与自我评估；
3. 对未来三年的学业与职业规划（目标与选择理由）。

主页展示截图：

3. Hugging Face API 的调用与交互式图像生成

本次实验通过调用 Hugging Face 官方的 Serverless Inference API，部署并调用了指定的 XLabs-AI/flux-RealismLora 模型，结合 Python 生态的 Gradio 框架构建了轻量级的前端交互系统，实现了从 Prompt 构思到写实图像生成的完整工程闭环。

3.1 操作步骤与实现方案

账号准备与鉴权：在 Hugging Face 官网注册账号，在个人设置（Access Tokens）中生成了具备推理调用权限（Read）的 API Key。
环境依赖搭建：本地部署 Python 运行环境，安装 huggingface_hub、gradio、pillow 等关键工程库。
接口封装与前端交互：通过 InferenceClient 实例向模型节点发送请求，并将推理生成的二进制图像流转换为 PIL 对象；利用 Gradio 封装出包含“输入区、生成按钮、预设示例、图像展示窗、日志回显面板”的可视化 Web 页面。

核心调用与前端交互代码：

import gradio as gr
from huggingface_hub import InferenceClient
from PIL import Image

# 1. 配置 Hugging Face API 凭据（此处已进行脱敏处理）
HF_TOKEN = "hf_********************************"
MODEL_ID = "XLabs-AI/flux-RealismLora"

client = InferenceClient(token=HF_TOKEN)

def generate_realistic_image(prompt: str):
    if not prompt or prompt.strip() == "":
        return None, "错误：提示词不能为空！"
    
    try:
        # 调用官方推理端点
        image = client.text_to_image(
            prompt=prompt,
            model=MODEL_ID
        )
        status_info = (
            f"✅ 调用成功！\n"
            f"目标模型: {MODEL_ID}\n"
            f"图像尺寸: {image.size[0]}x{image.size[1]}\n"
            f"响应状态: HTTP 200 OK"
        )
        return image, status_info

    except Exception as e:
        error_msg = str(e)
        if "503" in error_msg:
            return None, f"⚠️ 模型正在云端冷启动加载中（503），请稍等 1-2 分钟后再重试！\n详细信息: {error_msg}"
        elif "401" in error_msg:
            return None, f"❌ 认证失败（401）：Token 无效或权限不足。"
        else:
            return None, f"❌ 调用出现异常:\n{error_msg}"

# 2. 构建可视化交互前端
with gr.Blocks(title="FLUX RealismLora 图像生成系统") as demo:
    gr.Markdown("# 🎨 FLUX RealismLora 真实感图像交互生成")
    gr.Markdown("软件工程个人作业：调用 Hugging Face Inference API 实现前端交互生成")
    
    with gr.Row():
        with gr.Column(scale=1):
            prompt_input = gr.Textbox(
                lines=4,
                placeholder="请输入写实风格英文提示词...",
                label="Prompt（提示词输入区）"
            )
            submit_btn = gr.Button("🚀 生成写实图像", variant="primary")
            
            gr.Examples(
                examples=[
                    ["A cinematic close-up shot of an old ceramic mug of black coffee on a weathered dark oak desk, natural morning window light, high detail, 8k photorealistic, depth of field"],
                    ["A photorealistic medium close-up photograph of a university student studying in a library, warm desk lamp lighting, fine skin texture, shot on 35mm lens, f/1.8, 8k"]
                ],
                inputs=prompt_input
            )
            
        with gr.Column(scale=1):
            image_output = gr.Image(label="生成的写实图像", type="pil")
            log_output = gr.Textbox(label="API 交互日志与状态", lines=4)
            
    submit_btn.click(
        fn=generate_realistic_image,
        inputs=prompt_input,
        outputs=[image_output, log_output]
    )

if __name__ == "__main__":
    demo.launch()

3.2 运行效果与调用成功记录

1. 前端交互界面与写实图像生成展示

在本地前端界面输入设计好的 Prompt，调用 XLabs-AI/flux-RealismLora 模型成功生成高写实度的图像：

2. API 调用成功记录与状态日志

从交互面板的响应日志可以看出，接口请求顺利返回 HTTP 200 OK，模型端点匹配正确，图像数据流解码渲染无异常：

3.3 提示词（Prompt）设计思路与修改过程

为了充分激发出 flux-RealismLora 在消除“AI 塑料感”、渲染微观写实材质上的优势，提示词经过了针对性的工程迭代：

初始版本（Prompt v1）：

A cup of coffee on the desk.

存在问题：描述过于单薄，模型缺乏具体的环境光照与构图引导，生成的杯体边缘过于光滑，质感扁平，具有明显的数字插画涂抹痕迹。

第二版（引入构图与基础环境）：

A close-up shot of a cup of coffee on an old wooden desk, morning window light.

修改反馈：光影立体感有所提升，但物体表面微观肌理与镜头纵深依然不够细腻，AI 感仍然存在。

最终版本（Prompt v3 - 摄影级写实参数约束）：

A cinematic close-up shot of an old ceramic mug of black coffee on a weathered dark oak desk, natural morning window light, high detail, 8k photorealistic, depth of field

迭代思路与优化效果：

镜头与景深控制：采用 cinematic close-up shot（电影特写）与 depth of field（浅景深），使焦点精准聚集于咖啡杯身与液面漫反射，背景自然虚化。

物理光照建模：使用 natural morning window light（自然晨曦侧光），形成了明暗交界线清晰的真实阴影与光泽过渡。

材质纹理特化：引入 old ceramic mug（带细微做旧质感的陶瓷杯）与 weathered dark oak desk（风化黑橡木纹理），成功激发了 LoRA 权重对复杂物理表面微观结构的渲染能力，生成了一张最贴近真实世界的照片级图像。

3.4 API 调用体验与心得体会

服务解耦与算力轻量化：通过 Hugging Face 提供的 Serverless 推理 API，开发者可以在本地完全不具备昂贵 GPU 显存资源（FLUX 模型通常需极高显存）的情况下，通过轻量级 SDK 迅速拉起高精度的模型服务，真正体会到了“模型即服务（MaaS）”带来的工程敏捷度。

工程鲁棒性思考：在实际调试过程中体会到，云端免费共享算力存在“冷启动等待（HTTP 503）”的现象。在工业级软件工程交付中，单纯的“调通接口”是远远不够的，前端与业务层必须设计好完备的超时重试机制、状态反馈（如 Loading 骨架屏）及异常捕获兜底方案。

4. 技能树梳理与个人成长评估

4.1 当前技能树与技术偏好

按核心维度梳理如下：

已掌握的知识与能力：

能力 A（编程语言基础）：熟练掌握 C/C++ 语言核心语法与指针内存操作，具备 Python 脚本编写及基础数据处理能力。

能力 B（专业理论根基）：系统学习过数据结构与基础算法，能够完成链表、栈、二叉树、图结构的设计以及常见排序、检索算法的实现。

能力 C（开发工具与环境）：掌握 Git 基础命令行版本管理（commit, push, pull, 分支管理）；熟悉 VS Code 开发环境调试与 Linux 常用操作指令。

技术偏好与感兴趣的方向：

对计算机系统底层架构与高性能后端服务设计抱有极大兴趣。

关注现代生成式 AI 原生应用工程（LLM / Diffusion Agent 的实际业务编排与落地）。

当前欠缺与短板：

缺乏面向大规模生产环境的架构设计能力，对常见设计模式（如工厂、观察者、单例）的实战沉淀不足。

尚未建立成熟的软件工程全生命周期观念，对自动化测试驱动开发（TDD）、CI/CD 持续集成部署的规范化实践较为欠缺。

4.2 代码量统计与课程预期

目前累计代码量：约 8,000 行（主要由大一、大二的专业基础课、算法题解及小型课设脚本构成）。

完成本学期课程后希望达到的代码量：目标新增 6,000 ~ 8,000 行，累计突破 15,000 行。相比单纯的代码行数增长，更注重代码的结构规范、模块化内聚性以及高覆盖率的单元测试代码占比。

4.3 课程期待与收获目标

在本次《软件工程》课程中，我最希望能够：

跳脱“单兵作战”的局限：真正体验工业界标准的敏捷协同开发（Scrum）、规范的代码审查（Code Review）流程与需求工程变更管理。

建立全链路工程化工程素养：不再只写局部的功能函数，而是完整走一遍从“需求分析与规格说明”、“系统架构设计”、“代码协同实现”到“自动化测试与交付”的完整软件生命周期，为未来深造与工程实践打下坚实的地基。

5. AI 生成的软件工程课程学习指南与合理性分析

5.1 AI 生成的学习指南内容

使用 AI 工具（DeepSeek）输入提示词：“请为一名计算机科学与技术专业大三学生定制一份《软件工程》课程的一学期学习指南，涵盖理论学习、工程实践与团队协同三个方面。”

AI 生成的简要指南如下：

第一阶段：理论认知与需求建模（第 1-4 周）

深入掌握瀑布模型、增量模型与敏捷开发（Scrum）的适用场景与优缺点。

掌握用户故事（User Story）与需求规格说明书编写规范，熟练使用 UML 工具（类图、时序图、用例图）表达系统设计。

第二阶段：工程规范与持续交付（第 5-10 周）

建立标准 Git Flow 分支协作规范，杜绝直接向主干分支随意推送。

学习并落地测试驱动开发（TDD），引入自动化单元测试（如 pytest / GoogleTest）及集成测试。

探索 CI/CD 工具链，实现代码提交后的自动化构建与代码风格检查。

第三阶段：团队协同与项目冲刺（第 11-16 周）

实施每日站会与看板（Kanban）任务管理，动态跟进 Sprint 迭代进度。

推行严格的 Pull Request 与 Code Review 制度，控制技术债务积累，确保团队最终交付高内聚、低耦合的可运行软件成果。

5.2 合理性分析与个人思考

合理且带来帮助之处：

结构层次清晰：指南打破了“纯背理论概念”的传统误区，将软件工程理论与工程界的实际落地工具（Git Flow、CI/CD、看板）紧密绑定，为本学期的实操指明了关键里程碑。

聚焦工程规范：指南特别突出了测试覆盖与代码审阅，这正是我个人目前技能树中最为薄弱、也最需在团队作业中补全的软硬件规范。

局限性与实际工程考量：

AI 给出的指南存在理想化假设，忽略了真实学生团队在协作初期可能遇到的“技术栈割裂”、“沟通摩擦与需求频繁变更（Scope Creep）”以及“考试周冲刺时的任务推迟”。

落地应对策略：在团队大作业开展前，不能盲目堆叠高大上的工具链，而应先在团队内部确立统一的代码格式化规约（Linter）与最小可用接口文档协议，采取“小步快跑、频繁集成”的策略，以防在最后交付期出现系统级联调崩溃。

6. 后台博文编辑页面截图

已将博客园后台默认编辑器切换为 Markdown 编辑器进行本次作业的撰写与排版：

posted @ 2026-09-11 17:49 zzzoeq 阅读(10) 评论(0) 收藏举报

刷新页面返回顶部