Exposer des agents derrière une API
Entourez votre agent d’une API FastAPI avec authentification, validation des requêtes et diffusion via SSE ou WebSockets.
Exposer des agents derrière une API est une leçon AI Agents gratuite sur CoddyKit. Ceci est la leçon 1 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage AI Agents, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours AI Agents comprend 4 leçons au total.
Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.
Du cahier d’expérimentation au service
Un agent fonctionnel dans un cahier d’expérimentation n’est qu’un début. Pour le mettre en production, encapsulez-le dans une API HTTP que d’autres services peuvent appeler.
FastAPI Skeleton
from fastapi import FastAPI
from pydantic import BaseModel
app = FastAPI()
class AgentRequest(BaseModel):
query: str
user_id: str
class AgentResponse(BaseModel):
answer: str
trace_id: str
@app.post('/agents/qa', response_model=AgentResponse)
def qa(req: AgentRequest):
trace_id = run_agent(req.query, req.user_id)
return AgentResponse(answer=result.answer, trace_id=trace_id)Authentification
Chaque point de terminaison d’agent doit s’authentifier. Utilisez des clés d’API ou OAuth, selon le type d’appelant :
from fastapi import Header, HTTPException
def require_api_key(api_key: str = Header(alias='X-API-Key')):
if not is_valid(api_key):
raise HTTPException(401, 'Invalid API key')
return api_key
@app.post('/agents/qa')
def qa(req: AgentRequest, key=Depends(require_api_key)):
...Réponses en flux continu
Pour les interfaces de conversation, diffusez les tokens avec SSE :
from fastapi.responses import StreamingResponse
@app.post('/agents/qa/stream')
def qa_stream(req: AgentRequest):
def gen():
for chunk in stream_agent(req.query):
yield f'data: {chunk}\n\n'
yield 'data: [DONE]\n\n'
return StreamingResponse(gen(), media_type='text/event-stream')Validation des requêtes
Pydantic impose les types et une validation de base. Ajoutez une validation personnalisée si nécessaire :
from pydantic import Field
class AgentRequest(BaseModel):
query: str = Field(min_length=1, max_length=10_000)
user_id: str
options: dict = {}Gestion des erreurs
Associez les exceptions à des réponses HTTP propres :
from fastapi import HTTPException
@app.exception_handler(BudgetExceeded)
def budget_handler(req, exc):
return JSONResponse({'error': 'budget-exceeded'}, status_code=429)
@app.exception_handler(Exception)
def catch_all(req, exc):
log.exception('Unhandled')
return JSONResponse({'error': 'internal', 'trace_id': get_trace_id()}, status_code=500)Concurrence
FastAPI utilise l’asynchrone par défaut. Pour les agents limités par le CPU (cas rare) ou les SDK bloquants, utilisez les clients asynchrones :
from openai import AsyncOpenAI
client = AsyncOpenAI()
async def run_agent_async(query):
return await client.chat.completions.create(...)Health and Readiness Endpoints
@app.get('/healthz')
def healthz():
return {'status': 'ok'}
@app.get('/readyz')
def readyz():
if not vector_db.is_healthy():
raise HTTPException(503)
return {'status': 'ready'}Containerise
FROM python:3.11-slim
WORKDIR /app
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt
COPY . .
CMD ['uvicorn', 'main:app', '--host', '0.0.0.0', '--port', '8080']Exécuter avec plusieurs processus
Uvicorn + Gunicorn pour la production :
gunicorn -k uvicorn.workers.UvicornWorker -w 4 main:appProxy inverse
Placez Nginx ou Caddy en frontal pour TLS, gzip et la liste d’autorisation d’adresses IP.
Logging Structured Output
import structlog
log = structlog.get_logger()
@app.middleware('http')
async def log_requests(request, call_next):
response = await call_next(request)
log.info('http', method=request.method, path=request.url.path, status=response.status_code)
return responseCORS for Browser Clients
from fastapi.middleware.cors import CORSMiddleware
app.add_middleware(
CORSMiddleware,
allow_origins=['https://app.example.com'],
allow_methods=['*'], allow_headers=['*']
)Élément de la liste de vérification de production
Qu’est-ce qui est essentiel pour toute API d’agent en production ?
Récapitulatif
FastAPI + Pydantic + client asynchrone + diffusion en continu + authentification + journaux structurés + sondes d’état. C’est le minimum requis pour la production.
Questions Fréquemment Posées
La leçon « Exposer des agents derrière une API » est-elle gratuite ?
Oui — le texte complet de « Exposer des agents derrière une API » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours AI Agents, passe à CoddyKit PRO. Le cours AI Agents comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Exposer des agents derrière une API » ?
Entourez votre agent d’une API FastAPI avec authentification, validation des requêtes et diffusion via SSE ou WebSockets. Tu pratiques AI Agents avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer AI Agents ?
Aucune expérience préalable n'est requise. AI Agents sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 1 sur 4.
Combien de temps prend la leçon « Exposer des agents derrière une API » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon AI Agents ?
Oui. Chaque leçon AI Agents inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Exposer des agents derrière une API
- Flux de travail asynchrones et tâches en arrière-plan
- Limitation du débit et gestion des quotas
- Déploiements blue-green et canary pour les agents