2026秋软件工程第一次个人作业

自我介绍

1. 👐Hello，我是王可人（asakinza）

   福州大学2024级大数据专业本科生，来自江苏省南通市

   关于我

   ✅掌握Python、c++等基础编程语言

   ✅能够搭建简易web平台并且完成相关项目

   ✳️对数据处理以及流媒体与大数据的融合充满兴趣

2. 个人爱好 家里蹲爱好者，喜欢绘画和看番，正在制作自己的作品集

3. 未来规划 备考研究生，聚焦大数据与流媒体技术方向，系统学习分布式计算、实时数据处理与视频传输优化。

一、个人主页搭建

1. https://asakinza.github.io/

1. https://home.cnblogs.com/

二、huggingface-API的调用

1. 背景与方案选择

本次作业原计划通过 Hugging Face 官方 API 调用 XLabs-AI/flux-RealismLora 模型生成写实图像。 实际操作中遇到两个障碍：

• Hugging Face 官网无法打开，在线 API 无法访问；
• 本地硬件不足：设备为 Intel Iris Xe 核显（无 CUDA 支持），内存仅暂时不足，远低于 FLUX.1-dev 基础模型的运行要求，本地部署不可行。

因此改用国内可直接访问的硅基流动（SiliconFlow）平台完成 API 调用，模型选用免费可用的 Kwai-Kolors/Kolors，并通过 Gradio 搭建交互式前端。 以下记录完整操作流程。

2、API 调用操作步骤

• 配置 Python 环境
  由于系统 Python 3.14 过新、且 Anaconda base 环境受保护，创建独立的 conda 环境：

cmd

conda create -n flux python=3.10 -y

conda activate flux

安装依赖（CPU 版 PyTorch，因无 NVIDIA 显卡）：

pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu
pip install diffusers transformers accelerate gradio huggingface_hub requests pillow

• 获取硅基流动 API 密钥
  访问 siliconflow.cn 注册账号，在控制台“API 密钥”页面新建密钥（以 sk- 开头），保存到本地。

编写调用代码 + Gradio 前端 完整代码保存为 siliconflow_flux.py：

import os
import requests
import gradio as gr
from PIL import Image
from io import BytesIO
# 配置区
API_KEY = os.environ.get("SILICONFLOW_API_KEY", "sk-vtkqefnwbjhozjmveultlknakafyeysnlfdstdfergddhgnd"
)
API_URL = "https://api.siliconflow.cn/v1/images/generations"
MODEL = "Kwai-Kolors/Kolors"
#调用
def generate_image(prompt, image_size="1024x1024"):if not prompt.strip():raise gr.Error("请输入提示词")headers = {"Authorization": f"Bearer {API_KEY}","Content-Type": "application/json",}payload = {"model": MODEL,"prompt": prompt,"image_size": image_size,"num_inference_steps": 20,"guidance_scale": 3.5,}resp = requests.post(API_URL, json=payload, headers=headers, timeout=120)if resp.status_code != 200:raise gr.Error(f"API 返回错误 {resp.status_code}: {resp.text[:200]}")data = resp.json()image_url = data["images"][0]["url"]img_resp = requests.get(image_url, timeout=60)image = Image.open(BytesIO(img_resp.content))image.save("flux_output.png")return image
# Gradio 前端 
with gr.Blocks(title="Flux 写实图像生成器") as demo:gr.Markdown("# Flux 写实图像生成器（硅基流动 API）")gr.Markdown("输入英文提示词，生成贴近真实世界的图像。")with gr.Row():with gr.Column():prompt_input = gr.Textbox(label="提示词（建议英文）",lines=4,placeholder="photorealistic photo, quiet city street at sunrise, soft golden sunlight, shot on Sony A7M4, 35mm lens, f/1.8",)size_input = gr.Dropdown(choices=["1024x1024", "768x1024", "1024x768", "576x1024", "1024x576"],value="1024x1024",label="图像尺寸",)btn = gr.Button("生成图片", variant="primary")with gr.Column():output_image = gr.Image(label="生成结果")btn.click(generate_image, inputs=[prompt_input, size_input], outputs=output_image)
demo.launch(server_name="127.0.0.1", server_port=7860)

说明：

• API_URL 为硅基流动统一的图像生成端点；
• 请求头 Authorization: Bearer 完成鉴权；
• negative_prompt 是 Kolors 支持的负面提示词字段，用于排除不想要的特征。

1. 运行并生成图像

python siliconflow_flux.py

终端输出 Running on local URL: http://127.0.0.1:7860 ，浏览器访问该地址，输入提示词点击生成。

1. 遇到的问题与解决

| 模型不存在 | 400 {"code":20012,"message":"Model does not exist."} | 模型名需严格匹配平台列表 |

最终解决：改用 Kwai-Kolors/Kolors 该模型当前免费可用，调用成功

三、提示词设计思路与修改过程

1. 设计思路
   图像内容为“桌面上的笔筒”。由于目标是贴近真实世界的图像，提示词不采用艺术化描述，而是模拟摄影师的拍摄说明，包含以下要素：

1. 修改过程

初稿：

Photorealistic close-up photograph of a wooden pen holder on a tidy desk, filled with a few pens and pencils. Soft natural window light from the left, shallow depth of field, 50mm lens, warm morning atmosphere.

改进：加入光线方向、镜头参数、氛围描述，方向正确，但生成结果仍存在：笔太多且色块模糊、桌面杂乱、色调偏冷的问题。

修改版：

A single wooden pen holder on a clean desk, containing exactly three pens and two pencils. Soft warm morning sunlight from the left window, gentle shadows. Shot with a 50mm lens at f/1.8, shallow depth of field. The background is blurred, showing only a white coffee mug. Fujifilm film simulation, warm color tone, natural wood grain texture, minimalist composition, no clutter, professional product photography.

1. 改进要点：

• 用 exactly three pens and two pencils 限定数量，避免模型随意填充；
• 用 clean desk、no clutter、minimalist composition 约束构图；
• 强化暖色光（warm morning sunlight、warm color tone），修正原图偏冷的问题；
• 加入 professional product photography，提升产品级画质。

四、API 调用体验与心得

1. 调用体验

• 接口设计友好：硅基流动的 /images/generations 接口采用标准 RESTful 风格，请求体为 JSON，返回图片 URL，requests 库即可直接调用，无需额外 SDK。
• 图片 URL 时效性：生成图片的链接仅 1 小时有效，必须在代码中立即下载保存（本代码已用 Image.open(BytesIO(...)) 处理）。
• 模型选择是关键：同一接口下不同模型可用性差异很大。FLUX.1-schnell 曾限时免费但现已禁用，Kolors 当前免费可用，切换模型是解决问题的核心。

1. 遇到的问题与收获

• 环境问题是第一道坎：Python 版本过新、Anaconda base 环境受保护、无 CUDA 支持，这些问题都需要通过创建独立 conda 环境、安装 CPU 版 PyTorch 来解决。
• 模型可用性需要主动确认：不能假设某个模型一定可用，遇到 Model disabled 或 Model does not exist 时，应及时查阅平台“模型广场”或 API 文档，切换到当前可用模型。
• 提示词的具体程度决定生成质量：写实模型对数量、光线方向、构图约束的敏感度远高于泛泛的“high quality”。加入 exactly three pens、no clutter 等约束后，可控性显著提升。
• 负面提示词很有价值：Kolors 支持 negative_prompt，显式排除“杂乱、冷光、模糊”等特征，比单纯堆叠正向词更有效。

1. 方案对比反思

总结：在硬件和网络条件受限的情况下，选择国内可访问的 API 平台是务实之举。本次作业不仅完成了“API 调用 + 前端交互”的技术目标，更在实践中理解了模型选择、提示词设计、参数调优三者的关系——提示词决定“拍什么”，参数决定“怎么拍”，模型决定“拍得好不好”。

三、软件工程随笔

1. 技能树与技术偏好

已具备的专业知识与能力：

• 能力 A：编程语言基础 掌握 C/C++ 和 Python 的基本语法，能独立完成数据结构与算法的课程作业，理解面向对象编程思想（类、继承、多态）。Java 有初步了解，能读懂简单项目代码，但独立开发经验较少。

• 能力 B：前端开发入门 了解 HTML/CSS/JavaScript 基础，能搭建静态页面，使用过 Bootstrap 做简单响应式布局。本学期刚接触 Gradio 和 Hugging Face API 调用，能完成“模型调用 + 前端交互”的最小闭环（如用 Gradio 封装文生图模型）。

• 能力 C：开发工具与协作 熟悉 Git 基本操作（clone/fork/commit/push），能在 GitHub 上进行仓库管理和 Pages 部署。会用 VS Code、PyCharm 等 IDE，了解 Markdown 写作和基础命令行操作。

• 能力 D：算法与数据结构 掌握数组、链表、栈、队列、树、图等基本结构，能实现常见排序和查找算法，理解时间/空间复杂度分析。LeetCode 简单题可独立完成，中等题需要参考思路。

感兴趣的技术方向

• AI 应用开发：尤其是大模型 API 调用、提示词工程、AI 与前端结合的交互产品（如本次作业中的 Flux 模型调用）。
• 全栈开发：希望打通“前端界面 + 后端逻辑 + 数据库”的完整链路，做出可上线的 Web 应用。
• 软件工程方法论：对需求分析、架构设计、敏捷开发、代码规范等工程化实践感兴趣，想了解真实项目是如何从 0 到 1 推进的。
  还欠缺的能力
• 工程化能力不足：能写“能跑”的代码，但缺乏模块化、可维护、可测试的意识；不会写单元测试，没用过 CI/CD。
• 后端与数据库经验薄弱：没独立搭过服务器、写过 API 接口，SQL 只会基础增删改查，不了解 ORM、缓存、消息队列等。
  团队协作开发经验少：Git 只停留在个人仓库操作，没经历过多人分支协作、Code Review、Issue 跟踪的完整流程。
• 系统设计能力欠缺：面对一个稍复杂的项目，不知道如何拆解模块、设计接口、权衡技术选型。
• 调试与排错能力有限：遇到报错常靠搜索和试错，缺乏系统性的定位思路和工具使用经验（如断点调试、日志分析）。

代码量说明与目标

• 截至目前代码量：约 1500行（含课程作业、算法练习、零星小项目）。
• 本学期课程后希望达到的代码量：5000行。

1. 本课程最期待学习的知识与收获

最期待学习的知识：

• 软件生命周期与工程化流程：一个软件从需求到上线到底要经历哪些阶段，每个阶段产出什么文档、用什么工具。
• 版本控制与团队协作：Git 分支模型（如 Git Flow）、Pull Request、Code Review 的实际操作。
• 设计模式与架构基础：如何写出可扩展、可维护的代码，而不是“一次性脚本”。
• 测试与质量保障：单元测试、集成测试怎么写，如何保证代码质量。
• 项目管理与敏捷实践：Scrum、看板、Issue 管理、迭代规划等真实团队做法。

希望获得的收获：

• 从“会写代码”到“会做软件”：不再只是完成一个函数或一个页面，而是能独立或协作交付一个完整的、可用的软件产品。
• 工程思维：遇到问题时，能用工程化的方式拆解、设计、验证，而不是上来就写代码。
• 协作能力：能在一个多人团队中清楚表达自己的设计、理解他人的代码、有效参与 Review。
• 一份拿得出手的项目经历：希望期末能做出一个自己愿意放进简历、能讲清楚设计取舍的项目。
• 对“软件工程”这个专业的真实认知：知道它和“写代码”的区别，也明白自己未来想往哪个方向深入。

四、软件工程课程学习指南生成及分析

学习指南采用deepseek生成

1. 课程核心目标 掌握软件从需求分析、设计、编码、测试到维护的完整生命周期，理解软件工程思想、开发流程、建模方法与项目管理，能够规范完成小型软件项目开发，区分编程实现和软件工程的差异（软件工程不止写代码，更强调流程、质量、协作）。

2. 重点知识模块

   软件工程基础概念：软件危机、软件工程定义、软件生命周期、软件模型（瀑布、增量、原型、敏捷），区分各类模型适用场景。

   需求工程：需求分类（功能性、非功能性），需求获取方法，编写需求规格说明书，需求评审。

   软件设计：概要设计（模块划分、架构设计）、详细设计；UML建模：用例图、类图、时序图、活动图；高内聚低耦合设计原则。

   软件实现与编码：编码规范、代码评审、版本控制（Git），面向对象开发思想。

   软件测试及测试分类：单元测试、集成测试、系统测试、验收测试；黑盒测试、白盒测试；测试用例设计。

   软件维护与项目管理：四种维护类型；项目计划、进度管理、风险管理、质量保证。

   敏捷开发

   敏捷宣言、Scrum核心角色、迭代开发，对比传统瀑布模型。

3. 学习建议

   理论结合实践：不要只背概念，尽量动手做小项目：用UML画图表、写需求文档、编写测试用例，体会完整开发流程。

   重视建模工具：熟练看懂、绘制UML图，这是考试和课程设计高频考点。

4. 常见考点

   软件危机产生原因与解决途径

   各软件开发模型优缺点与适用场景

   软件需求分类，需求规格说明书

   UML各类图识别与绘制

   内聚、耦合概念

   测试的各个阶段，黑盒/白盒测试

   软件维护分类、敏捷开发核心思想

5. 学习资源

   教材：软件工程经典教材，重点看生命周期、UML、测试部分

   工具：Draw.io（画UML）、Git（版本管理）

   练习：做历年习题，多做项目文档练习

6. 学习误区提醒

   ❌误区：软件工程就是学写代码

   ✅正确：代码只是其中一环，课程重点是流程、文档、质量、团队协作。

合理性分析 合理之处：

1. 知识模块从基础概念 → 需求 → 设计 → 实现 → 测试 → 维护 → 项目管理，符合经典教材主线。
2. 强调“软件工程不止写代码”，点出了课程核心。
3. 突出 UML 建模、模型对比、测试分类等高频考点。
4. 误区提醒切中要害，能纠正“软件工程 = 写代码”的错误认知。

不足之处：

1. 偏理论复习提纲，实践指导较少（如测试用例设计方法、Git 协作流程未展开）。
2. 缺少工具链建议（只提了 Draw.io 和 Git）。
3. 没有涉及课程实际作业体系（博客园、GitHub Pages、API 调用等）

总结 有帮助，但需结合自身情况调整。