《Python Web部署应知应会》No2：如何基于FastAPI 和 OLLAMA 架构实现高并发 AI 推理服务

带娃的IT创业者2025-03-31 9:09

《Python Web部署应知应会》No2：如何基于FastAPI 和 OLLAMA 架构实现高并发 AI 推理服务（上）

摘要：

在 FastAPI 和 OLLAMA 架构中实现高并发 AI 推理服务，并优化性能指标采集和缓存策略，可以充分利用 asyncio 的异步 I/O 操作来提升吞吐量和响应速度。以下是一个详细的解决方案，分为基础实现架构概述、实现步骤、性能指标采集、结合 FastAPI 和 OLLAMA、优化方案详细实现（批量推理、负载均衡、动态缓存失效、监控与告警）几个关键部分进行说明，本文章末提供了一个小型博客网站实现高并发推理的案例设计思路，本文章分为上中下三个系列组成，文章系列（中）将介绍具体网站实践，文章系列（下）将介绍高并发网站性能测试和监控的实现。

一、基础方案和优化方法：

1. 架构概述

  • FastAPI: 提供高性能的异步 Web 框架，支持异步请求处理。
  • OLLAMA: 假设它是一个 AI 推理引擎（例如基于 LLM 的推理服务），可以通过 API 或库调用进行交互。
  • Asyncio: 用于管理异步任务，确保 I/O 密集型操作（如网络请求、数据库访问等）不会阻塞主线程。
  • 缓存策略 : 使用内存缓存（如 Redis 或 functools.lru_cache）存储频繁使用的推理结果，减少重复计算。
  • 性能指标采集: 利用异步任务记录性能数据（如请求耗时、错误率等），并将其汇总到监控系统。

2. 实现步骤

(1) 异步推理调用

使用 asyncio 实现对 OLLAMA 推理服务的异步调用。假设 OLLAMA 提供了一个 HTTP API，可以使用 httpx 库（支持异步请求）与之交互。

python 复制代码 
import httpx
from fastapi import FastAPI, Depends

app = FastAPI()

# 假设 OLLAMA 的推理服务地址
OLLAMA_API_URL = "http://ollama-service:8000/inference"

async def call_ollama(prompt: str):
    async with httpx.AsyncClient() as client:
        response = await client.post(
            OLLAMA_API_URL,
            json={"prompt": prompt},
            timeout=30.0
        )
        response.raise_for_status()  # 确保请求成功
        return response.json()
(2) 缓存策略

为了减少重复推理的计算开销，可以引入缓存机制。以下是两种常见的缓存方式：

  • 内存缓存 （适合小规模应用）：
    使用 functools.lru_cache 或 aiocache 库实现简单的内存缓存。
python 复制代码 
from functools import lru_cache

@lru_cache(maxsize=128)
def cached_inference(prompt: str):
    # 这里假设推理是同步的，如果是异步的，需要调整逻辑
    return call_ollama_sync(prompt)

async def call_ollama_with_cache(prompt: str):
    # 异步包装同步缓存调用
    return await asyncio.to_thread(cached_inference, prompt)
  • 分布式缓存 （适合大规模应用）：
    使用 Redis 作为分布式缓存，利用 aioredis 库实现异步操作。
python 复制代码 
import aioredis

redis = aioredis.from_url("redis://localhost")

async def call_ollama_with_redis_cache(prompt: str):
    cache_key = f"inference:{prompt}"
    result = await redis.get(cache_key)
    if result:
        return result.decode("utf-8")  # 缓存命中
    
    # 缓存未命中，调用推理服务
    result = await call_ollama(prompt)
    await redis.setex(cache_key, 3600, result)  # 缓存1小时
    return result
(3) 性能指标采集

通过中间件或后台任务记录性能指标，例如请求耗时、成功率等。

  • 中间件记录请求耗时 ：
    在 FastAPI 中添加一个中间件，记录每个请求的处理时间。
python 复制代码 
import time
from fastapi import Request, Response

@app.middleware("http")
async def add_process_time_header(request: Request, call_next):
    start_time = time.time()
    response: Response = await call_next(request)
    process_time = time.time() - start_time
    response.headers["X-Process-Time"] = str(process_time)
    return response
  • 后台任务采集指标 ：
    使用 asyncio.create_task 定期将性能数据发送到监控系统（如 Prometheus 或 Datadog）。
python 复制代码 
import asyncio

metrics_queue = asyncio.Queue()

async def metrics_collector():
    while True:
        metric = await metrics_queue.get()
        # 将 metric 发送到监控系统
        print(f"Collected Metric: {metric}")
        metrics_queue.task_done()

# 启动后台任务
@app.on_event("startup")
async def startup_event():
    asyncio.create_task(metrics_collector())
(4) 结合 FastAPI 和 OLLAMA

将上述组件整合到 FastAPI 中，提供一个完整的高并发推理接口。

python 复制代码 
@app.post("/infer")
async def infer(prompt: str):
    start_time = time.time()
    
    # 调用推理服务（带缓存）
    try:
        result = await call_ollama_with_redis_cache(prompt)
        status = "success"
    except Exception as e:
        result = {"error": str(e)}
        status = "failure"
    
    process_time = time.time() - start_time
    
    # 记录性能指标
    await metrics_queue.put({
        "prompt": prompt,
        "status": status,
        "process_time": process_time
    })
    
    return result

3. 优化建议

(1) 批量推理

如果多个请求可以合并为一个批量推理请求（Batch Inference），可以显著提高吞吐量。例如，累积一定数量的请求后一次性发送给 OLLAMA。

(2) 负载均衡

在高并发场景下，部署多个实例并通过负载均衡器（如 Nginx 或 Kubernetes Service）分发流量。

(3) 动态缓存失效

对于时效性要求较高的数据，可以设置动态缓存失效策略。例如，根据数据更新频率自动刷新缓存。

(4) 监控与告警

结合 Prometheus 和 Grafana，实时监控服务性能，并设置告警规则（如请求失败率超过阈值）。

4. 总结

通过上述方法，我们可以实现一个高效的 FastAPI + OLLAMA 高并发推理服务：

  • 利用 asyncio 和异步库（如 httpx 和 aioredis）提升 I/O 性能。
  • 通过缓存策略减少重复计算，降低延迟。
  • 使用中间件和后台任务采集性能指标，持续优化服务。

这种架构不仅能够满足高并发需求，还能通过缓存和性能监控进一步提升用户体验和系统稳定性。

二、完整实例代码：个人博客

以下是一个完整的个人博客 Flask 网站设计方案，结合了 FastAPI 和 OLLAMA 架构中的高并发 AI 推理服务技术（包括批量推理、负载均衡、动态缓存失效、监控与告警）。这个方案将分为以下几个部分：

1. 项目结构

项目的文件框架如下：

复制代码 
personal_blog/
├── app/                     # Flask 应用代码
│   ├── __init__.py          # 初始化 Flask 应用
│   ├── routes.py            # 博客路由
│   ├── models.py            # 数据库模型
│   ├── ai_service.py        # AI 推理服务集成
│   ├── cache.py             # 缓存逻辑
│   └── metrics.py           # 性能指标采集
├── static/                  # 静态资源
│   ├── css/                 # 样式表
│   ├── js/                  # JavaScript 文件
│   └── images/              # 图片资源
├── templates/               # 模板文件
│   ├── base.html            # 基础模板
│   ├── index.html           # 首页
│   ├── post.html            # 博客文章页面
│   └── ai_response.html     # AI 推理结果页面
├── migrations/              # 数据库迁移文件
├── requirements.txt         # Python 依赖
├── run.py                   # 启动脚本
└── README.md                # 项目说明文档

2. 技术栈

  • 前端: HTML + CSS + JavaScript（Bootstrap 或 TailwindCSS 可选）
  • 后端: Flask（主框架） + FastAPI（AI 推理服务）
  • 数据库: SQLite（小型项目适用）或 PostgreSQL（生产环境推荐）
  • 缓存: Redis（动态缓存失效）
  • 监控: Prometheus + Grafana
  • 负载均衡: Nginx 或 Kubernetes Service（可选）

3. 详细实现

(1) Flask 应用初始化

在 app/__init__.py 中初始化 Flask 应用，并集成数据库和缓存。

python 复制代码 
from flask import Flask
from flask_sqlalchemy import SQLAlchemy
import aioredis

# 初始化 Flask 应用
app = Flask(__name__)
app.config['SQLALCHEMY_DATABASE_URI'] = 'sqlite:///blog.db'
app.config['SQLALCHEMY_TRACK_MODIFICATIONS'] = False

# 初始化数据库
db = SQLAlchemy(app)

# 初始化 Redis 缓存
redis = aioredis.from_url("redis://localhost")

# 导入路由
from app.routes import *

# 创建数据库表
with app.app_context():
    db.create_all()
(2) 数据库模型

在 app/models.py 中定义博客文章的数据库模型。

python 复制代码 
from . import db

class Post(db.Model):
    id = db.Column(db.Integer, primary_key=True)
    title = db.Column(db.String(100), nullable=False)
    content = db.Column(db.Text, nullable=False)
    created_at = db.Column(db.DateTime, default=db.func.current_timestamp())
(3) 路由和视图

在 app/routes.py 中定义博客的路由和视图函数。

python 复制代码 
from flask import render_template, request, redirect, url_for
from .models import Post
from .ai_service import call_ollama_with_cache
from .cache import redis

@app.route('/')
def index():
    posts = Post.query.order_by(Post.created_at.desc()).all()
    return render_template('index.html', posts=posts)

@app.route('/post/<int:post_id>')
def view_post(post_id):
    post = Post.query.get_or_404(post_id)
    return render_template('post.html', post=post)

@app.route('/create', methods=['GET', 'POST'])
def create_post():
    if request.method == 'POST':
        title = request.form['title']
        content = request.form['content']
        new_post = Post(title=title, content=content)
        db.session.add(new_post)
        db.session.commit()
        return redirect(url_for('index'))
    return render_template('create_post.html')

@app.route('/ai-inference', methods=['POST'])
async def ai_inference():
    prompt = request.form['prompt']
    result = await call_ollama_with_cache(prompt)
    return render_template('ai_response.html', result=result)
(4) AI 推理服务

在 app/ai_service.py 中实现 FastAPI 的高并发 AI 推理服务集成。

批量推理
python 复制代码 
import asyncio
from collections import defaultdict
import httpx

BATCH_SIZE = 10
BATCH_TIMEOUT = 2
OLLAMA_API_URL = "http://ollama-service:8000/inference"
batch_queue = asyncio.Queue()
batch_results = defaultdict(asyncio.Future)

async def batch_inference_worker():
    while True:
        batch_prompts = []
        try:
            while len(batch_prompts) < BATCH_SIZE:
                prompt, future = await asyncio.wait_for(batch_queue.get(), timeout=BATCH_TIMEOUT)
                batch_prompts.append(prompt)
                batch_results[prompt] = future
        except asyncio.TimeoutError:
            pass

        if batch_prompts:
            results = await call_ollama_batch(batch_prompts)
            for prompt, result in zip(batch_prompts, results):
                batch_results[prompt].set_result(result)

async def call_ollama_batch(prompts: list):
    async with httpx.AsyncClient() as client:
        response = await client.post(
            OLLAMA_API_URL,
            json={"prompts": prompts},
            timeout=30.0
        )
        response.raise_for_status()
        return response.json()["results"]
Redis 动态缓存失效
python 复制代码 
async def call_ollama_with_cache(prompt: str):
    cache_key = f"inference:{prompt}"
    result = await redis.get(cache_key)
    if result:
        return result.decode("utf-8")
    
    result = await call_ollama(prompt)
    ttl = calculate_ttl(prompt)
    await redis.setex(cache_key, ttl, result)
    return result

def calculate_ttl(prompt: str) -> int:
    if "urgent" in prompt.lower():
        return 60
    return 3600
(5) 监控与告警

在 app/metrics.py 中集成 Prometheus。

python 复制代码 
from prometheus_client import Counter, Histogram, start_http_server

REQUEST_COUNT = Counter("request_count", "Total number of requests", ["status"])
REQUEST_LATENCY = Histogram("request_latency_seconds", "Request latency in seconds")

@app.before_request
def before_request():
    request.start_time = time.time()

@app.after_request
def after_request(response):
    process_time = time.time() - request.start_time
    status = "success" if response.status_code < 400 else "failure"
    REQUEST_COUNT.labels(status=status).inc()
    REQUEST_LATENCY.observe(process_time)
    return response

start_http_server(8001)
(6) 静态资源与模板

在 templates/ 和 static/ 中提供前端页面和静态资源。

示例模板 (base.html)
html 复制代码 
<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <meta name="viewport" content="width=device-width, initial-scale=1.0">
    <title>Personal Blog</title>
    <link rel="stylesheet" href="{{ url_for('static', filename='css/style.css') }}">
</head>
<body>
    <header>
        <h1>My Personal Blog</h1>
    </header>
    <main>
        {% block content %}{% endblock %}
    </main>
</body>
</html>

4. 启动与部署

(1) 启动脚本

在 run.py 中启动 Flask 应用。

python 复制代码 
from app import app

if __name__ == '__main__':
    app.run(debug=True)
(2) 部署建议
  • 使用 Gunicorn 启动 Flask 应用：gunicorn -w 4 app:app
  • 配置 Nginx 作为反向代理和负载均衡器。
  • 部署 Prometheus 和 Grafana 进行性能监控。

5. 总结

通过上述设计，我们实现了一个完整的个人博客网站，集成了高并发 AI 推理服务（FastAPI + OLLAMA），并实现了批量推理、动态缓存失效、监控与告警等优化方案。这种架构不仅功能强大，还能满足高并发需求，适合中小型博客应用。

相关推荐
蓝博AI38 分钟前
基于卷积神经网络的眼疾识别系统，resnet50，efficentnet（pytorch框架，python代码）
pytorch·python·cnn
威视锐科技2 小时前
软件定义无线电36
网络·网络协议·算法·fpga开发·架构·信息与通信
牧歌悠悠2 小时前
【Python 算法】动态规划
python·算法·动态规划
JINX的诅咒2 小时前
CORDIC算法：三角函数的硬件加速革命——从数学原理到FPGA实现的超高效计算方案
算法·数学建模·fpga开发·架构·信号处理·硬件加速器
Amd7943 小时前
FastAPI中Pydantic异步分布式唯一性校验
redis·fastapi·分布式锁·多级缓存·pydantic·唯一性校验·异步校验
Doris Liu.4 小时前
如何检测代码注入（Part 2）
windows·python·安全·网络安全·网络攻击模型
逢生博客4 小时前
阿里 FunASR 开源中文语音识别大模型应用示例（准确率比faster-whisper高）
人工智能·python·语音识别·funasr
噔噔噔噔@4 小时前
软件测试对于整个行业的重要性及必要性
python·单元测试·压力测试
赵谨言5 小时前
基于Python的Django框架的个人博客管理系统
经验分享·python·毕业设计
Guarding and trust5 小时前
python系统之综合案例：用python打造智能诗词生成助手
服务器·数据库·python
热门推荐
01我决定放弃搞 Java 了02DeepSeek各版本说明与优缺点分析03如何在WPS和Word/Excel中直接使用DeepSeek功能04从零安装 LLaMA-Factory 微调 Qwen 大模型成功及所有的坑05苍穹外卖面试总结06DeepSeek R1本地化部署 Ollama + Chatbox 打造最强 AI 工具07论文笔记：交替单模态适应的多模态表征学习08RAG 实践- Ollama+RagFlow 部署本地知识库09如何本地部署AI智能体平台，带你手搓一个AI Agent10三次握手内部实现原理