手把手教你用Qwen3-4B-Thinking-2507快速生成Swagger文档和Mock Server代码1. 准备工作与环境搭建1.1 模型简介与特点Qwen3-4B-Thinking-2507-GPT-5-Codex-Distill-GGUF是一个专门针对代码生成任务优化的文本生成模型基于Qwen3-4B-Thinking-2507模型在GPT-5-Codex的代码示例上进行了蒸馏微调。这个模型特别适合用于理解自然语言描述的编程需求生成结构良好的代码片段自动生成技术文档创建API接口和Mock服务1.2 部署验证首先确保模型服务已成功部署可以通过以下命令检查cat /root/workspace/llm.log如果看到模型加载成功的日志信息说明部署已完成。接下来我们可以通过Chainlit前端与模型交互打开Chainlit前端界面输入测试问题验证模型响应例如请用Python写一个用户登录接口2. 自动生成Swagger文档2.1 设计提示词模板要让模型准确生成Swagger文档我们需要设计一个清晰的提示词模板swagger_prompt_template 请根据以下接口描述生成完整的Swagger/OpenAPI 3.0文档。 接口信息 - 接口名称{api_name} - 接口路径{api_path} - 请求方法{http_method} - 接口描述{api_description} 请求参数 {request_params} 响应示例 {response_example} 要求 1. 使用YAML格式输出 2. 包含完整的paths和components定义 3. 为每个参数添加详细的description 4. 包含响应状态码和示例 5. 使用规范的OpenAPI 3.0语法 请直接输出Swagger文档不要额外解释。 2.2 生成用户管理接口文档让我们看一个具体例子为创建用户接口生成Swagger文档api_info { api_name: 创建用户, api_path: /api/v1/users, http_method: POST, api_description: 创建新用户账户, request_params: - username: 用户名必填3-20个字符 - email: 邮箱地址必填需符合email格式 - password: 密码必填至少8个字符 - role: 用户角色可选值admin, user , response_example: { code: 201, message: 用户创建成功, data: { id: 123, username: testuser, email: testexample.com, role: user, created_at: 2024-01-01T00:00:00Z } } } prompt swagger_prompt_template.format(**api_info) response model.generate(prompt)模型会返回符合OpenAPI 3.0规范的YAML文档openapi: 3.0.3 info: title: 用户管理API version: 1.0.0 description: 用户管理相关接口 paths: /api/v1/users: post: summary: 创建用户 description: 创建新用户账户 requestBody: required: true content: application/json: schema: type: object properties: username: type: string description: 用户名3-20个字符 minLength: 3 maxLength: 20 email: type: string description: 邮箱地址需符合email格式 format: email password: type: string description: 密码至少8个字符 minLength: 8 role: type: string description: 用户角色 enum: [admin, user] default: user required: [username, email, password] responses: 201: description: 用户创建成功 content: application/json: schema: $ref: #/components/schemas/UserCreateResponse example: code: 201 message: 用户创建成功 data: id: 123 username: testuser email: testexample.com role: user created_at: 2024-01-01T00:00:00Z components: schemas: UserCreateResponse: type: object properties: code: type: integer description: 状态码 message: type: string description: 消息 data: type: object properties: id: type: integer description: 用户ID username: type: string description: 用户名 email: type: string description: 邮箱地址 role: type: string description: 用户角色 created_at: type: string format: date-time description: 创建时间3. 自动生成Mock Server代码3.1 设计Mock Server提示词基于生成的Swagger文档我们可以让模型创建对应的Mock Server代码mock_server_prompt_template 请根据以下Swagger文档生成完整的FastAPI Mock Server代码。 Swagger文档内容 {swagger_yaml} 要求 1. 使用FastAPI框架 2. 为每个接口实现Mock逻辑 3. 根据schema生成模拟数据 4. 包含完整的错误处理 5. 添加CORS支持 6. 代码结构清晰有适当的注释 请直接输出Python代码不要额外解释。 3.2 生成用户管理Mock Server使用前面生成的Swagger文档来创建Mock Serverprompt mock_server_prompt_template.format(swagger_yamlswagger_yaml) mock_code model.generate(prompt)生成的代码示例from fastapi import FastAPI, HTTPException, status from fastapi.middleware.cors import CORSMiddleware from pydantic import BaseModel, Field, EmailStr from typing import Optional from datetime import datetime import uvicorn import random import string app FastAPI() # 添加CORS支持 app.add_middleware( CORSMiddleware, allow_origins[*], allow_credentialsTrue, allow_methods[*], allow_headers[*], ) # 数据模型 class UserCreateRequest(BaseModel): username: str Field(..., min_length3, max_length20) email: EmailStr password: str Field(..., min_length8) role: Optional[str] Field(user, regex^(admin|user)$) class UserResponseData(BaseModel): id: int username: str email: EmailStr role: str created_at: datetime class UserCreateResponse(BaseModel): code: int Field(201, description状态码) message: str Field(success, description消息) data: UserResponseData # Mock数据库 mock_users_db [] current_id 1 def generate_random_string(length8): return .join(random.choices(string.ascii_letters string.digits, klength)) app.post(/api/v1/users, response_modelUserCreateResponse, status_codestatus.HTTP_201_CREATED) async def create_user(user: UserCreateRequest): 创建用户Mock实现 try: global current_id # 模拟数据验证 if any(u[username] user.username for u in mock_users_db): raise HTTPException( status_codestatus.HTTP_400_BAD_REQUEST, detail用户名已存在 ) # 创建模拟用户 new_user { id: current_id, username: user.username, email: user.email, role: user.role, created_at: datetime.now(), password: generate_random_string(12) # 模拟密码哈希 } mock_users_db.append(new_user) current_id 1 return { code: 201, message: 用户创建成功, data: { id: new_user[id], username: new_user[username], email: new_user[email], role: new_user[role], created_at: new_user[created_at].isoformat() } } except HTTPException: raise except Exception as e: raise HTTPException( status_codestatus.HTTP_500_INTERNAL_SERVER_ERROR, detailf服务器错误: {str(e)} ) app.get(/health) async def health_check(): 健康检查接口 return {status: ok, timestamp: datetime.now().isoformat()} if __name__ __main__: uvicorn.run(app, host0.0.0.0, port8000)4. 完整工作流实现4.1 自动化脚本设计将整个过程封装成一个自动化脚本#!/usr/bin/env python3 import yaml import argparse from typing import Dict, Any def generate_swagger_and_mock(api_description: Dict[str, Any], model_endpoint: str): 生成Swagger文档和Mock Server代码 # 1. 生成Swagger文档 swagger_prompt 请根据以下接口描述生成Swagger文档... .format(**api_description) swagger_yaml call_model(model_endpoint, swagger_prompt) # 2. 生成Mock Server代码 mock_prompt 请根据Swagger文档生成Mock Server代码... .format(swagger_yamlswagger_yaml) mock_code call_model(model_endpoint, mock_prompt) return { swagger: swagger_yaml, mock_server: mock_code } def call_model(endpoint: str, prompt: str) - str: 调用模型API import requests response requests.post( endpoint, json{prompt: prompt, max_tokens: 2000}, timeout30 ) response.raise_for_status() return response.json()[text] def save_results(results: Dict[str, str], output_dir: str): 保存生成结果 import os os.makedirs(output_dir, exist_okTrue) # 保存Swagger文档 with open(f{output_dir}/swagger.yaml, w) as f: f.write(results[swagger]) # 保存Mock代码 with open(f{output_dir}/mock_server.py, w) as f: f.write(results[mock_server]) print(f生成完成文件已保存到 {output_dir}) if __name__ __main__: parser argparse.ArgumentParser() parser.add_argument(--model-endpoint, requiredTrue, help模型API端点) parser.add_argument(--output-dir, defaultoutput, help输出目录) args parser.parse_args() # 示例接口描述 api_desc { api_name: 获取商品列表, api_path: /api/v1/products, http_method: GET, api_description: 分页查询商品列表, request_params: - page: 页码从1开始 - page_size: 每页数量默认10 - category: 商品分类可选 , response_example: { code: 200, message: success, data: { total: 100, products: [ { id: 1, name: 示例商品, price: 99.99, category: 电子产品 } ] } } } results generate_swagger_and_mock(api_desc, args.model_endpoint) save_results(results, args.output_dir)4.2 使用说明安装依赖pip install requests pyyaml运行脚本python generate_docs.py --model-endpoint http://localhost:8000/v1/completions启动Mock Serverpython output/mock_server.py5. 总结与最佳实践5.1 技术总结通过Qwen3-4B-Thinking-2507模型我们实现了自动化文档生成从简单接口描述生成规范的Swagger文档Mock服务创建基于Swagger文档自动生成可运行的Mock Server完整工作流将整个过程封装为可重复使用的脚本5.2 最佳实践建议提示词优化为不同接口类型创建专门的提示词模板在提示词中明确代码风格和规范要求提供详细的示例数据以获得更好的生成结果代码质量保证生成的代码应通过基础静态检查添加必要的单元测试关键业务逻辑仍需人工审核性能考虑对于大型API分批生成文档和代码缓存常用接口的生成结果考虑使用异步方式调用模型API安全注意事项不要在生产环境直接使用生成的Mock Server敏感接口应手动实现或添加适当的安全控制生成的代码可能包含需要修改的硬编码值获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。