FastAPI 入门：Python 高性能 Web 框架实战

在 U3W-AI 实习期间，我用 FastAPI 搭建了 MCP Server 的后端，通过 SSE（Server-Sent Events）协议与 AI 客户端通信。这段经历让我体会到 FastAPI 相比 Flask 在性能和现代化方面的巨大优势。

为什么 FastAPI 是 Python Web 首选

from fastapi import FastAPI
from pydantic import BaseModel

app = FastAPI()

class Item(BaseModel):
    name: str
    price: float
    description: str | None = None

@app.post("/items/")
async def create_item(item: Item):
    # Pydantic 自动校验请求参数
    # 自动生成 Swagger 文档
    return {"id": 1, **item.model_dump()}

与 Flask 对比：

特性	FastAPI	Flask
自动 API 文档	内置 Swagger + ReDoc	需要 flasgger 扩展
参数校验	Pydantic 类型注解	手动校验或 marshmallow
异步支持	原生 async/await	需要安装 async 扩展
性能	接近 Node.js/Go	同步 WSGI 模型
类型提示	贯穿全框架	无强制要求

关键特性

1. 自动 API 文档：访问 /docs 就能看到交互式的 Swagger UI 文档，前端对接 API 时不再需要额外的接口文档。

2. Pydantic 校验：通过 Python 类型注解自动验证请求参数。传入非法类型（如字符串 "abc" 给 int 字段）会自动返回 422 错误，不需要自己写校验代码。

3. 性能：基于 Starlette（异步 ASGI 框架），性能比 Flask 高 3-5 倍。在实际项目中，单节点处理 1000+ QPS 没有问题。

SSE 协议实现

在 U3W-AI 项目中，FastAPI 通过 SSE 实现 AI 流式响应：

from fastapi import FastAPI, Request
from sse_starlette.sse import EventSourceResponse

@app.post("/chat/stream")
async def chat_stream(request: Request, prompt: str):
    async def event_generator():
        # 模拟 AI 逐步生成响应
        for chunk in ai_service.generate_stream(prompt):
            if await request.is_disconnected():
                break
            yield {"event": "message", "data": json.dumps({"text": chunk})}
    
    return EventSourceResponse(event_generator())

与项目结合

FastAPI 目前是我做 Python 后端的默认选择。Flask 只在极简单的场景下考虑。