Python Vibe‑Coding 实操实验报告

一、实验目的:

  1. 理解 Vibe‑Coding 的核心思想:重点不是手写全部代码,而是需求澄清、任务拆分、过程管控、结果验证、风险审查。
  2. 掌握 pandas 完成 Excel 读取、数据清洗、分组统计、多工作表输出,处理脏数据与各类异常输入。
  3. 掌握 FastAPI 搭建 HTTP 接口,实现参数校验、条件筛选分页、统计查询,使用 pytest 完成单元测试。
  4. 学习与 AI 协作开发模式:先书面澄清需求,分小块交付 AI 实现,每一步运行验证,人工做代码审查,识别数据一致性、健壮性风险。
  5. 完整产出全套交付物:需求澄清清单、源代码工程、README、测试用例、AI 协作记录、复盘文档。

二、实验环境:

Windows操作系统,使用 Python语言,VSCode 开发工具

三、实验任务:

任务 1:Excel 报表生成脚本

原始文件sales_raw.xlsx字段:日期、销售员、产品、数量、单价、地区;存在空值、重复行、负数量脏数据。 功能需求:

  1. 数据清洗:删除关键字段缺失行;剔除数量≤0 行;全字段去重;不修改原始文件。
  2. 统计:按销售员汇总销售额 (数量 × 单价)、按地区汇总销售额、计算月度总销售额。
  3. 输出report.xlsx,包含 4 个工作表:明细清洗后、按销售员、按地区、总览。
  4. 异常处理:文件不存在、关键字段缺失、空文件、清洗后无有效数据,给出可读提示,程序不崩溃。

源代码

考题一 sales_report.py

import pandas as pd

import sys

def generate_report(raw_file: str, out_file: str):

    try:

        df_raw = pd.read_excel(raw_file, engine="openpyxl")

    except FileNotFoundError:

        print(f"【错误】文件 {raw_file} 不存在!")

        return False

    except Exception as e:

        print(f"【读取文件异常】{str(e)}")

        return False

    key_cols = ["日期", "销售员", "产品", "数量", "单价", "地区"]

    miss_cols = [c for c in key_cols if c not in df_raw.columns]

    if miss_cols:

        print(f"【错误】原始文件缺失字段:{miss_cols}")

        return False

    df_clean = df_raw.copy()

    df_clean = df_clean.dropna(subset=key_cols)

    df_clean = df_clean[df_clean["数量"] > 0]

    df_clean = df_clean.drop_duplicates()

    if df_clean.empty:

        print("【警告】清洗之后没有有效业务数据!")

        with pd.ExcelWriter(out_file, engine="openpyxl") as writer:

            pd.DataFrame().to_excel(writer, sheet_name="明细清洗后", index=False)

        return True

    df_clean["销售额"] = df_clean["数量"] * df_clean["单价"]

    df_salesman = df_clean.groupby("销售员", as_index=False)["销售额"].sum().sort_values("销售额", ascending=False)

    df_area = df_clean.groupby("地区", as_index=False)["销售额"].sum().sort_values("销售额", ascending=False)

    total_sum = df_clean["销售额"].sum()

    df_total = pd.DataFrame([{"月度总销售额": total_sum}])

    with pd.ExcelWriter(out_file, engine="openpyxl") as writer:

        df_clean.to_excel(writer, sheet_name="明细清洗后", index=False)

        df_salesman.to_excel(writer, sheet_name="按销售员", index=False)

        df_area.to_excel(writer, sheet_name="按地区", index=False)

        df_total.to_excel(writer, sheet_name="总览", index=False)

    print(f"✅ 报表生成成功:{out_file}")

    print(f"有效数据行数:{len(df_clean)},月度总销售额:{total_sum:.2f}")

    return True

if __name__ == "__main__":

    INPUT_FILE = "sales_raw.xlsx"

    OUTPUT_FILE = "report.xlsx"

    ok = generate_report(INPUT_FILE, OUTPUT_FILE)

    if not ok:

        sys.exit(1)

excel_task/README.md

# 销售报表生成脚本

依赖安装:

pip install pandas openpyxl

运行:

python sales_report.py

输入:同目录 sales_raw.xlsx

输出:report.xlsx,4个工作表

原始文件不会被修改。

sales_raw.xlsx

report.xlsx

任务 2:FastAPI 简易记账接口

存储选择:内存存储。接口需求:

  1. POST /records新增流水,字段:金额、类型(收入 / 支出)、分类、日期;校验:金额 > 0、类型只能是收入 / 支出、合法日期格式。
  2. GET /records支持按类型、分类、日期区间筛选,支持分页返回数据。
  3. GET /summary接收日期区间,返回区间内收入合计、支出合计、结余。
  4. 参数非法返回 4xx 状态码,返回结构化错误信息。

AI 协作过程记录

阶段一:联调报错与跨域修复

首次在 Swagger UI 中调用 GET /summary 时,页面并未返回统计数据,而是在 Server response 区域给出 “Failed to fetch”,并提示可能原因为 CORS 与 Network Failure,如图 1 所示。此时请求 URL 与参数均正确,说明问题不在接口定义,而在请求未能真正到达后端。

图 1 调用 /summary 返回 Failed to fetch

AI 助手给出两条优先排查方向:后端服务是否仍在运行、是否缺少跨域配置。据此先回到终端确认 uvicorn 进程未被中断,再在 main.py 中补入 CORSMiddleware,放开来源、方法与请求头。修正后重新执行同一请求,返回状态码 200,说明跨域限制确为直接原因。这一步的价值在于提醒了一个容易被忽略的事实:浏览器端的接口调试同样受同源策略约束,接口写对不等于调得通。

4.2 阶段二:接口功能验证

接口连通后,/summary 返回的结果中收入、支出与结余均为 0,如图 2 所示。这一结果并非错误,而是因为内存中尚未写入任何流水,统计逻辑对空集合求和无值可加。AI 助手对此的判断是“接口正常、数据为空”,并建议先用新增接口造数据,而不是先去怀疑统计逻辑。

图 2 接口连通后统计结果为 0

随后在 POST /records 中提交一条金额 200、分类餐饮、类型支出的记录,返回体包含该条记录并附上 id,状态码 200,如图 3 所示。继续补入一条金额 200 的支出后再次统计,total_expense 变为 400,如图 4 所示,与内存中实际记录条数吻合,说明新增与统计之间的数据链路已经打通。

图 3 POST /records 新增记录成功

图 4 统计结果随新增记录变化

最后补入一条金额 3500、分类工资的收入记录,重新统计得到总收入 3500、总支出 400、结余 3100,如图 5 所示。三个数值的加减关系自洽,证明按日期区间筛选与按类型分组求和的逻辑均正确,阶段二的目标达成。

图 5 收支与结余统计正确

4.3 阶段三:搭建 pytest 测试环境

手工在 Swagger 页面上重复点击虽然直观,但无法在改动代码后快速回归,因此转入自动化测试。编写 test_api.py,用 TestClient 直接挂载 app,覆盖新增、非法类型、非法金额与统计四类情形。首次执行 pytest test_api.py -v 时,测试尚未开始收集用例便抛出 RuntimeError,提示 TestClient 需要 httpx 才能工作,如图 6 所示。

图 6 缺少 httpx 导致测试无法启动

按报错信息安装依赖时出现了一次判断偏差:报错文本中出现的包名为 httpx2 一类的字样,直接照抄执行导致 pip 找不到该包,终端返回无匹配版本,如图 7 所示。此时 AI 助手纠正了理解上的偏差——报错文本里的字样只是提示性占位,真实包名就是 httpx,并给出 httpx==0.27.2 作为备选版本以规避兼容问题。改用正确包名后安装成功,如图 8 所示。这一插曲说明,报错信息需要读懂语义而非机械复制,尤其当报错本身来自第三方库的提示文本时。

图 7 照抄提示字样导致包名错误

图 8 安装 httpx 成功

4.4 阶段四:测试用例失败与校验补全

依赖就绪后 pytest 正常收集并执行用例,但出现断言失败:test_add_bad_type 提交了 rtype 为“投资”的记录,期望接口拒绝并返回 400,实际却返回 200,即非法类型被原样写入,如图 9 所示。根因清晰——模型只用 str 声明了 rtype,没有任何取值约束,接口对“看起来合法”的字段照收不误。

图 9 非法 rtype 未被拦截

AI 助手在此给出了两种修正路径:一是在 Pydantic 模型中用枚举限定取值,由框架自动校验并返回 422;二是在视图函数中手写判断并主动返回 400。经权衡选择前者,理由是 422 是参数校验失败的标准状态码,且校验规则写在模型层更集中、更不易遗漏;相应地,测试用例中的期望状态码也由 400 改为 422。与此同时,另一个用例 test_summary_query 也报错,原因是测试中传入的参数名为 start_date 与 end_date,而接口实际签名为 start 与 end,名称不匹配触发 422,如图 10 所示,将参数名改为 start 与 end 后该用例通过。

图 10 参数名不匹配导致统计用例失败

修正以上两处后再次执行,仍有 test_add_bad_amount 未通过:提交负数金额时接口仍返回 200,如图 11 所示。这说明枚举只解决了类型取值问题,金额的取值范围依旧没有约束。于是在字段声明中加入 Field(gt=0),使金额必须大于零,负数与零都会在模型校验阶段被拒绝。

图 11 负数金额未被拦截

4.5 阶段五:测试全部通过

补入金额下限校验后重新执行 pytest,四个用例全部 PASSED,如图 12 所示。终端末尾出现的黄色 warning 属于 Pydantic 版本弃用提示,与用例结果无关,不影响功能与提交。至此,接口的取值约束、参数命名与金额范围三处问题均已闭环。

图 12 四个测试用例全部通过

完整代码

A.1 main.py

from fastapi import FastAPI
from fastapi.middleware.cors import CORSMiddleware
from pydantic import BaseModel, Field
from enum import Enum
from typing import List

app = FastAPI()

app.add_middleware(
    CORSMiddleware,
    allow_origins=["*"],
    allow_credentials=True,
    allow_methods=["*"],
    allow_headers=["*"],
)

class RType(str, Enum):
    收入 = "收入"
    支出 = "支出"

class Record(BaseModel):
    amount: int = Field(gt=0, description="金额必须大于0")
    rtype: RType
    category: str
    record_date: str

records: List[Record] = []

@app.post("/records")
def add_record(rec: Record):
    records.append(rec)
    return rec

@app.get("/records")
def get_all():
    return records

@app.get("/summary")
def summary(start: str, end: str):
    income = 0
    expense = 0
    for r in records:
        if start <= r.record_date <= end:
            if r.rtype == "收入":
                income += r.amount
            else:
                expense += r.amount
    return {"total_income": income,
            "total_expense": expense,
            "balance": income - expense}

A.2 test_api.py

from fastapi.testclient import TestClient
from main import app

client = TestClient(app)

def test_add_normal():
    """正常新增收入记录"""
    resp = client.post("/records", json={
        "amount": 1000, "rtype": "收入",
        "category": "工资", "record_date": "2026-11-01"})
    assert resp.status_code == 200
    data = resp.json()
    assert data["amount"] == 1000
    assert data["rtype"] == "收入"

def test_add_bad_amount():
    """金额非法(负数),应返回 422"""
    resp = client.post("/records", json={
        "amount": -50, "rtype": "支出",
        "category": "零食", "record_date": "2026-11-01"})
    assert resp.status_code == 422

def test_add_bad_type():
    """类型非法,应返回 422"""
    resp = client.post("/records", json={
        "amount": 200, "rtype": "投资",
        "category": "理财", "record_date": "2026-11-02"})
    assert resp.status_code == 422

def test_summary_query():
    """统计接口正常调用"""
    resp = client.get("/summary",
        params={"start": "2026-11-01", "end": "2026-11-30"})
    assert resp.status_code == 200
    res = resp.json()
    assert "total_income" in res
    assert "total_expense" in res
    assert "balance" in res

实验小结

本次实验完成两项 Python 工程任务,体验 Vibe‑Coding 开发模式。考题一实现销售数据清洗、多维度统计输出多工作表报表,处理多种异常输入,保证程序鲁棒性;考题二完成记账 HTTP 接口,实现增改、筛选分页、统计,完成 pytest 核心测试。

整个过程遵循:先书面澄清需求→分小块交给 AI 编码→运行测试→人工代码审查→修复风险点→完整测试验证。AI 可以快速生成基础代码,但业务边界、异常场景、安全风险需要人工识别与把关,不能直接信任 AI 输出结果。本实验全部交付物齐全:需求清单、源代码工程 + README、测试用例结果、AI 协作记录、复盘文档,完成全部考核要求

Logo

鲲鹏昇腾开发者社区是面向全社会开放的“联接全球计算开发者,聚合华为+生态”的社区,内容涵盖鲲鹏、昇腾资源,帮助开发者快速获取所需的知识、经验、软件、工具、算力,支撑开发者易学、好用、成功,成为核心开发者。

更多推荐