书籍摘要

本书是由 Ryan Day 撰写，O'Reilly Media 于 2025 年出版的一本实践指南，旨在帮助读者掌握在人工智能和数据科学项目中构建和使用 API 的核心技能。本书以 Python 和 FastAPI 为核心技术栈，通过三个逐步深入的组合项目，引导读者从 API 的设计、开发、部署，到作为消费者在数据分析和 AI 应用中调用 API，提供了一个完整的端到端学习路径。

全书分为三个部分，每个部分都构建一个独立的组合项目，并最终汇聚成一个展示个人技术能力的作品集。

第一部分：为数据科学构建 API

这一部分聚焦于 API 的开发，即“生产者”的视角。你将扮演一家名为 SportsWorldCentral 的梦幻体育网站的开发人员，为其数据科学用户设计和实现一个功能完善的 RESTful API。

• 核心技术与实践：你将学习如何使用 FastAPI 框架快速构建高性能 API，利用 Pydantic 进行数据验证和序列化，并通过 SQLAlchemy 作为 ORM 与 SQLite 数据库进行交互。你还会学习如何为 API 编写单元测试，生成 OpenAPI Specification (OAS) 文档，并利用内置的 Swagger UI 和 ReDoc 提供交互式文档。
• 部署与 SDK 创建：你将学习如何将 API 容器化（使用 Docker）并部署到云平台（如 Render 和 AWS Lightsail）。作为点睛之笔，你将创建一个 Python 软件开发工具包 (SDK)，并将其打包发布，使其他 Python 开发者能更便捷、更可靠地调用你的 API。这部分内容贯彻了为数据科学家设计 API 的最佳实践，例如提供标准化的外部标识符、支持批量下载和按最后更改日期查询。

第二部分：在数据科学项目中使用 API

这部分将视角切换到“消费者”，你将学习如何将已构建的 API 作为数据源，集成到典型的数据科学工作流中。

• 数据探索与分析：你将使用 Jupyter Notebook 调用 API 获取数据，并利用 pandas 库进行数据处理和分析。通过一个创建“鲨鱼联赛得分”的实例，你将学习如何将 API 数据转化为有意义的、可量化的自定义指标，并理解数据准备、建模和评估的 CRISP-DM 流程。
• 数据管道与自动化：你将学习使用 Apache Airflow 构建数据管道，实现从 API 定期提取数据、进行转换并加载到本地分析数据库的自动化流程。这包括创建有向无环图 (DAG)、管理任务依赖和处理增量更新。
• 构建交互式数据应用：你将使用 Streamlit 框架快速构建一个交互式 Web 应用，用于展示 API 数据。你将创建多页面应用，并利用 nfl_data_py 等外部数据源对 API 数据进行补充和丰富，最终生成可视化图表，将你的分析成果以直观、可共享的方式呈现出来。

第三部分：在人工智能中使用 API

这部分探索了 API 与 AI，特别是与大型语言模型 (LLM) 结合的前沿领域。

• 部署机器学习模型为 API：你将使用 scikit-learn 训练一个机器学习模型（预测球员竞价），然后利用 ONNX 格式将模型标准化，并使用 FastAPI 将其部署为一个可实时提供推理服务的 API。
• 构建 AI 智能体：你将学习使用 LangChain 和 LangGraph 框架创建智能体。你将首先体验如何通过 API 调用 LLM（如 Anthropic 的 Claude），然后反过来，为智能体创建一个可以调用你之前构建的 SWC API 的工具包。智能体将能理解用户的自然语言问题，并自主决定何时、以何种方式调用 API 来获取信息以回答问题，这展示了检索增强生成 (RAG) 和智能体应用的基本原理。
• 使用 ChatGPT 自定义动作：最后，你将学习如何利用 OpenAI 的 ChatGPT 创建自定义 GPT。你将为自己的 API 定义一个自定义动作，将 API 的 OpenAPI 规范文件导入，使 GPT 能够在对话中直接调用你的 API 来获取最新数据，从而克服模型的知识局限，实现功能强大的低代码 AI 应用。

总而言之，《Hands-On APIs for AI and Data Science》是一本强调动手实践的技术书籍。它没有停留在理论层面，而是通过一个连贯的、充满趣味的梦幻体育故事线，将 API 开发、数据科学应用开发和 AI 应用开发这三个关键领域紧密地结合在一起。无论你是希望提升 API 开发技能的数据科学家，还是希望让 API 更好地服务于 AI 应用的开发者，都能从本书的实践项目中获得宝贵的经验，并最终构建出属于自己的、令人印象深刻的组合项目。