这是「Python Vibe Coding 实操」考核考题二的完整过程记录。核心不在于代码写得多漂亮,而在于:需求怎么讲清楚、任务怎么拆开、每步怎么验证、AI 的输出哪里需要人工接管。本文按真实时间线整理,所有截图均为实操过程中留存。

一、先看需求:把考题翻译成可执行的清单

考原题只有几句话:实现一个简易记账 HTTP 服务,支持新增流水、按条件查询分页、区间汇总,非法参数返回 4xx。在把任务交给 AI 前,我先把它拆成了四个维度:

目标:Python ≥ 3.10、内存 list 存储、不产生数据库文件的记账服务。

输入输出:

接口输入输出
POST /records金额(>0)、类型(收入/支出)、分类、日期201 + 带 id 的记录
GET /records类型、分类、日期区间、page、page_size分页列表 + total
GET /summarystart_date、end_date收入合计、支出合计、结余

边界条件:金额为 0/负数拒绝;类型传"转账"拒绝;日期必须严格 YYYY-MM-DD 且真实存在;区间倒挂拒绝;分页越界拒绝。

验收标准:三接口可用、非法参数返回结构化 4xx JSON、pytest 覆盖正常 + 至少 2 个异常用例、注释说明并发规避方式。

这一步很关键:先把话说清楚,AI 才不会自由发挥。我明确要求"先保证功能跑通,不要一次性过度优化",把 AI 的重构冲动按住了。

二、AI 生成工程:四个文件,一次交付

我让 AI 按清单产出,得到:

  • main.py —— 服务主体
  • test_records.py —— pytest 核心测试
  • requirements.txt —— 依赖清单
  • README.md —— 运行说明

几个我认可的设计点:

  1. 统一错误结构:自定义 RequestValidationError 和 HTTPException 处理器,所有 4xx 都返回 {"success": false, "error": {"code":…, "message":…}},而不是让框架各吐各的格式。
  2. 校验分层:Pydantic 的 Field(gt=0) + Literal["收入","支出"] 管类型和范围,日期用正则 + strptime 双重校验管格式。
  3. 并发处理:全局 threading.Lock 把内存 list 的所有读写包进临界区,并在注释里写清楚了"仅单 worker 有效"的前提。

AI 生成完,我没有急着交,而是先在本地跑了一遍测试:

python -m pytest -q
# ..........  [100%]
# 10 passed in 0.83s

这一步的意义是:先在一个干净环境确认代码本身没问题,再去折腾复杂的 IDE 环境——否则出了问题分不清是代码的锅还是环境的锅。

三、PyCharm 上手:一路踩坑,一路截图

代码没问题,接下来把它跑在 PyCharm 里。这一段是全程最"真实"的部分——AI 给的代码能跑,但你得自己把工程跑起来。

坑 1:项目怎么打开

第一次在文件资源管理器里右键文件夹,面对一菜单选项愣住了:

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传
在这里插入图片描述

结论:这是 Windows 资源管理器,不是 PyCharm。要在 PyCharm 里走 File → Open 选文件夹本身,而不是只打开 main.py 文件——否则工作目录不对,后面 import main 会找不到。

坑 2:解释器选成了 <无解释器>

照着新建运行配置,解释器那栏空着就点了运行:

在这里插入图片描述

报错很直白:请选择有效的 Python 解释器。解决办法是在 Settings → Project → Python Interpreter 里添加一个真实存在的解释器(虚拟环境或系统 Python 都行)。

坑 3:ModuleNotFoundError: No module named 'fastapi'

解释器选上了,一运行又炸:

在这里插入图片描述

原因:解释器选的是新建的空 .venv,里面什么包都没有。在 PyCharm 的 Terminal 里装上即可:

python -m pip install -r requirements.txt

顺带一提:为了省事,我让 AI 在 main.py 末尾补了一个 if __name__ == "__main__" 入口,这样右键 Run main 就能直接启动服务,不用额外配 uvicorn 运行项。

坑 4:服务终于起来了

装完依赖、选对解释器,绿色三角一点,控制台刷出:

在这里插入图片描述

看到 Uvicorn running on http://127.0.0.1:8000 和 Application startup complete.,服务就算真正跑起来了。

坑 5:Swagger 文档页白屏,但后端是好的

浏览器打开 /docs,标题出来了,页面却全白:

在这里插入图片描述

这里做了一个关键判断:标题正常说明后端响应没问题,白屏大概率是前端资源没加载。直接验证接口描述文件:
在这里插入图片描述

/openapi.json 返回完整 JSON,三个接口都在——证实后端 100% 正常。白屏的真正原因是 Swagger UI 默认引用 cdn.jsdelivr.net 的脚本,国内网络经常拉不下来。于是让 AI 把 /docs 换成国内可访问的 npmmirror CDN:

app = FastAPI(title="简易记账服务", version="1.0.0", docs_url=None)

@app.get("/docs", include_in_schema=False)
def custom_swagger_ui_html():
    return get_swagger_ui_html(
        openapi_url=app.openapi_url,
        title=f"{app.title} - Swagger UI",
        swagger_js_url="https://registry.npmmirror.com/swagger-ui-dist/5.17.14/files/swagger-ui-bundle.js",
        swagger_css_url="https://registry.npmmirror.com/swagger-ui-dist/5.17.14/files/swagger-ui.css",
    )

这是一个"先定位、再动手"的典型例子:如果没有先验证 /openapi.json,很容易误判成接口坏了,沿着错误方向折腾半天。

坑 6:命令输进了错误窗口

兴冲冲把 python -m pytest -q 敲进控制台,半天没反应:

在这里插入图片描述

原因:那是 Run 运行窗口(上面红色的是 uvicorn 日志),只显示程序输出,不接收命令。要在 Terminal 里执行。

可底部只有"运行"一个标签,Terminal 在哪?

在这里插入图片描述

答案:快捷键 Alt + F12 直接唤出 Terminal,不用找标签。在真正的命令行里执行,终于看到:

在这里插入图片描述

10 passed in 0.49s —— 全部通过。到这里,功能验证闭环完成。

四、风险清单:AI 跑通了,不代表可以闭眼用

代码能跑只是起点。我实测了几个边界,发现 4 个值得人工审查的风险点:

1. 内存存储的局限

  • 风险:进程重启数据全丢;--workers > 1 时每个 worker 各持一份数据,写入互不可见;列表只增不减。
  • 人工审查:部署必须是单 worker 单实例;向使用者说明"重启即丢"是否可接受;多实例场景需整体迁移数据库。

2. 参数校验的潜在漏洞(实测发现)

输入实际结果问题
amount: "Infinity"201,存成 null无穷大绕过 gt=0,JSON 序列化成 null
amount: true201,存成 1.0布尔值被当数字
category: " "201,存成 ""strip() 在校验之后,纯空格变空分类
category: "A"*10000201无长度上限
  • 人工审查:金额改用 Decimal 并拒绝 bool/NaN/Infinity;分类先 strip() 再校验并加 max_length;锁定 Pydantic 版本。

3. 日期解析异常风险

  • 风险:区间过滤依赖"ISO 字符串字典序 = 时间序"的前提;校验写在路由函数里,新增接口复用模型时容易漏掉;无时区概念。
  • 人工审查:把日期校验下沉到 Pydantic validator;检查每个日期入口都调用了校验;涉及时区时改用带时区的 datetime。
  • 好消息:实测全角数字日期、年份 0000 都被正确拒绝,正则 + strptime 双保险有效。

4. 并发写入的隐患

  • 风险:threading.Lock 是进程内锁,跨 worker / 跨进程完全失效;锁粒度偏粗,数据量大时串行等待。
  • 人工审查:保持同步 def 路由 + with _LOCK,不要在临界区里加 await;确认启动命令没有 --workers > 1。

五、复盘:哪些交给 AI,哪些自己拍板

交给 AI 的:服务主体代码、10 个测试用例、README、依赖清单、以及每一个报错的排查建议。AI 擅长把规格明确、可自动验证的部分快速落地。

自己拍板的:

  • 需求拆解:先写清目标/输入输出/边界/验收,再交给 AI,并明确"不要过度优化"——这是过程可控的起点。
  • 每步验证:AI 每产出一块就立刻跑测试,先在干净环境确认代码,再进 IDE 排环境,避免问题混在一起。
  • 关键判断:Swagger 白屏时,先查 /openapi.json 定位到是 CDN 而非接口问题,再决定改哪里——这个判断 AI 给了方向,但最终取舍是人做的。
  • 风险审查:并发、参数校验、日期解析这三块,AI 的第一版都有隐患,靠人工实测和 Code Review 才挖出来。

一句话总结:AI 把"从 0 到能跑"的时间压到极短,但"从能跑到可信"这段路,仍然要靠人一步一步走。考题考的从来不是手写代码的速度,而是把需求讲清楚、把任务拆得开、把过程管得住、把结果验得出的能力。


说明:本文图片使用相对路径 ./images/ 引用,上传博客时请将 images 目录与本文一起上传;若博客平台不支持本地图片,请先把图片传到图床并替换链接。

Logo

宁波官方开源宣传和活动阵地,欢迎各位和我们共建开源生态体系!

更多推荐