🎯 目標

今天的重點是：

1. 認識 FastAPI 的運作架構。
2. 在現有 Docker 專案中新增 FastAPI 服務。
3. 建立第一個 /health 測試端點。
4. 預告明天會把它擴充成 /recommend 推薦 API。

🔍 背景

在前 20 天，我們完成了 MLflow 模型的：

• 建立、追蹤、註冊、部署與自動化 retrain。

但這些模型目前只存在於 MLflow server 裡。
要讓「應用層」或「前端 UI」使用推薦模型，
我們需要一個穩定、乾淨、可擴充的 API 層 ——
這正是 FastAPI 的任務。

🧱 FastAPI 架構概念

FastAPI 是 Python 最快的 Web Framework 之一，
使用 Pydantic 驗證輸入，並自動生成 Swagger UI。

它的角色是：

Client (使用者 / Streamlit)
        │
        ▼
   [FastAPI Server]
        │
        └── /recommend → 呼叫 MLflow 模型

後續我們會做到：

• /recommend：從模型輸出推薦清單。

⚙️ 1. 新增 FastAPI Docker Service

在你的 docker-compose.yml 中新增以下段落：

  fastapi:
    build:
      context: .
      dockerfile: docker/Dockerfile.fastapi
    container_name: fastapi
    ports:
      - "8000:8000"
    volumes:
      - ./src/api:/usr/mlflow/src/api
    working_dir: /usr/mlflow/src/api
    command: uvicorn main:app --host 0.0.0.0 --port 8000 --reload
    networks:
      - mlops-net

🐳 2. 建立 FastAPI Dockerfile

📂 docker/Dockerfile.fastapi

FROM python:3.10-slim

WORKDIR /usr/mlflow

COPY docker/requirements-dev.txt .
RUN pip install --no-cache-dir -r requirements-dev.txt

# 安裝 FastAPI 與 Uvicorn
RUN pip install fastapi==0.111.0 uvicorn==0.30.1

EXPOSE 8000
CMD ["uvicorn", "main:app", "--host", "0.0.0.0", "--port", "8000"]

🧩 3. 建立 FastAPI 主程式

📂 src/api/main.py

from fastapi import FastAPI

app = FastAPI(
    title="Anime Recommender API",
    description="FastAPI + MLflow 推薦系統",
    version="1.0.0"
)

@app.get("/health")
def health_check():
    return {"status": "ok", "message": "FastAPI is running 🚀"}

▶️ 4. 啟動服務

執行：

docker compose up -d fastapi

查看容器：

docker ps

確認有一個 fastapi container 在跑。
接著打開瀏覽器：
👉 http://127.0.0.1:8000/docs

你會看到自動產生的 Swagger UI：

🔗 5. 驗證 API

在內部網路中，我們可以使用以下語法確認API，於是我們可以回到jupyter環境執行:

curl http://fastapi:8000/health

回傳：

{
  "status": "ok",
  "message": "FastAPI is running 🚀"
}

代表你的 FastAPI 環境架構成功！

🧭 架構總覽

Docker Compose
│
├── mlflow       → 模型管理與註冊
├── postgres     → MLflow backend
├── python-dev   → Notebook 開發環境
└── fastapi      → 模型服務層 (API)

FastAPI 是整個系統的「應用層」，
之後會與 MLflow registry 的模型互動。

✅ 重點總結

• FastAPI 是本系統的「模型服務 API 層」。
• 透過 Docker Compose 建立新服務容器。
• 成功啟動 /health 端點，驗證 API 架構。
• 下一步（Day 22）將新增 /recommend，
  從 MLflow Model Registry 載入推薦模型並實際產生推薦結果。

💡 延伸思考

在企業實作中，FastAPI 通常還會：

• 整合 JWT Token 或 OAuth 登入保護 API。
• 配合 Gunicorn + Nginx 作為生產環境部署。
• 搭配 Prometheus / Grafana 做 API 監控。

但在這個 30 天系列中，我們保持「最小可行」策略，
讓你先能跑通完整 MLOps + API 流程，再逐步進階。