Appearance
让AI图像生成能力融入内部工具链，比较高效的方式是自己封装一套接口。本文从零开始，讲解如何用FastAPI把GPT-image-2打包成标准化的内部API。
为什么需要再封装一层接口
直接让团队成员使用网页版AI平台当然方便，但在协作中会逐渐暴露出几个问题：
- 使用量难以统一控制：高峰时段可能出现争抢
- 生成记录分散：无法集中管理和检索
- 与内部系统对接麻烦：素材库、审核系统集成困难
封装一层FastAPI服务后，这些问题都能通过中间层代码统一解决。
三种方案对比
| 方案 | 权限控制 | 用量追踪 | 内部集成 | 开发量 | 运维复杂度 |
|---|---|---|---|---|---|
| 直接使用网页端 | ❌ 无 | ❌ 无 | ❌ 困难 | 无 | 低 |
| 自建FastAPI封装 | ✅ 可自定义 | ✅ 可记录 | ✅ 容易 | 中等 | 低 |
| 对接官方API | ✅ 有 | ✅ 有 | ✅ 容易 | 中等 | 高（网络+支付） |
自建封装方案在控制力和开发量之间取得了不错的平衡。最关键的是，上游推理能力由聚合平台兜底，我们只需要专注业务逻辑。
详细教程：搭建FastAPI封装服务
Python 3.10环境即可，依赖fastapi、uvicorn、httpx和python-dotenv四个库。
第一步：获取接口信息与凭证
注册并登录KULAAI（示例站），在个人设置或API管理页面生成密钥。端点假设为 https://api.example.com/v1/images/generations。
第二步：定义请求与响应模型
用Pydantic把传入和传出的数据规范起来，方便后续维护和文档自动生成。
python
from pydantic import BaseModel
from typing import Optional
class ImageRequest(BaseModel):
prompt: str
size: Optional[str] = "1024x1024"
n: Optional[int] = 1
model: Optional[str] = "gpt-image-2"
class ImageResponse(BaseModel):
url: str
revised_prompt: Optional[str] = None第三步：编写异步核心逻辑
用httpx.AsyncClient异步请求上游API，把返回的图片URL提取出来。API密钥通过环境变量注入。
python
import httpx
import os
from fastapi import FastAPI, HTTPException
app = FastAPI()
API_KEY = os.getenv("KULAAI_API_KEY")
BASE_URL = "https://api.example.com/v1"
@app.post("/generate-image", response_model=ImageResponse)
async def generate_image(req: ImageRequest):
headers = {"Authorization": f"Bearer {API_KEY}"}
payload = req.model_dump()
async with httpx.AsyncClient(timeout=30.0) as client:
resp = await client.post(
f"{BASE_URL}/images/generations",
json=payload,
headers=headers
)
if resp.status_code != 200:
raise HTTPException(status_code=resp.status_code, detail=resp.text)
data = resp.json()
image_url = data["data"][0]["url"]
revised = data["data"][0].get("revised_prompt")
return ImageResponse(url=image_url, revised_prompt=revised)第四步：加上频率限制和日志
避免个别调用把每日试用额度瞬间消耗掉，在中间件里做一层简单的IP限流。
python
from fastapi.middleware.cors import CORSMiddleware
from collections import defaultdict
import time
app.add_middleware(
CORSMiddleware,
allow_origins=["*"],
allow_methods=["*"],
allow_headers=["*"],
)
request_counts = defaultdict(list)
@app.middleware("http")
async def limit_and_log(request, call_next):
client_ip = request.client.host
now = time.time()
# 每个IP每分钟最多5次请求
request_counts[client_ip] = [
t for t in request_counts[client_ip] if now - t < 60
]
if len(request_counts[client_ip]) >= 5:
raise HTTPException(429, "请求有点频繁，请稍后再试")
request_counts[client_ip].append(now)
response = await call_next(request)
return response第五步：启动服务并测试
bash
uvicorn main:app --reload浏览器打开 http://127.0.0.1:8000/docs，能看到自动生成的Swagger测试页面。向/generate-image发一个POST请求，几秒钟后就能拿到AI生成的图片链接。
实际运行表现
在本地开发环境（MacBook Air M1，16GB）启动服务，通过接口生成一张1024×1024分辨率的图像：
- 上游平均响应时间：4-5秒
- 并发能力：加简单限流后，同一网络下三四个前端同时请求不超时
- 资源消耗：所有计算在云端，本地服务只消耗极少的CPU和内存
常见问题
Q1：API密钥该怎样保管？
一律写在环境变量或.env文件中，通过dotenv加载。不要把密钥硬编码在代码里，也不要提交到版本库。
Q2：每日试用额度在封装接口后还能正常使用吗？
可以。通过API调用的消耗与网页端完全同步，共享同一份每日额度。在封装层做好用量记录，可以精准掌握消耗情况。
Q3：生成失败时怎么处理？
在FastAPI的异常捕获中判断返回的HTTP状态码，设计最多两次的自动重试。如果仍失败，返回预设的占位图，并对用户给出友好提示。
Q4：能同时支持其他模型吗？
只需要把请求体里的model字段改为gemini-2.5-pro或其他上游支持的模型标识，同一套代码就可以切换到不同模型。
Q5：封装后的服务适合用于生产环境吗？
适合作为内部工具或B端后台的轻量级代理，前提是遵守上游平台的使用条款。如果是面向C端的高并发场景，建议额外做好限流、缓存和监控。
总结
用FastAPI把GPT-image-2封装成内部接口，本质上是在团队和云端模型之间加了一层可控的中间件。
| 解决的问题 | 实现方式 |
|---|---|
| 权限控制 | Bearer Token认证 |
| 用量追踪 | 中间件记录每次调用 |
| 内部集成 | RESTful接口 |
| 额度保护 | IP限流中间件 |
这套轻量级封装是一个起步快、后期也好扩展的实践方案，适合想把AI图像能力快速嵌入自有系统的开发团队。
