經過了前面五天的觀念洗禮與藍圖建構，終於要正式進入實作。在把 n8n 裝起來、把 Gemini API 串上去之前，我們要先來打造我們專屬的後端服務：FastAPI。
既然 n8n 裡面有 HTTP Request 節點，也有可以直接呼叫 OpenAI 或 Gemini 的節點，那我為什麼不直接讓 n8n 去抓網頁，然後把抓下來的整坨 HTML 直接丟給 AI 就好？為什麼還要大費周章在中間夾一個自己寫的 FastAPI？如果直接把廣告彈出視窗的原始 HTML，或是排版破碎的 PDF ，諸如此類的東西直接丟給語言模型，會耗大量的 Token，還容易超出 Context Window 的上限。再加上雜訊太多，AI 抓錯重點的機率會大幅提升。因此，我們需要在資料進入 LLM 之前，先把它們處理乾淨。而 FastAPI 在這個系統裡就是扮演這個角色。

建置環境
可以透過 Conda 或 uv 來建立一個乾淨的 Python 環境，避免與電腦裡其他專案的套件打架。這裡使用 Conda

# 建立一個虛擬環境，指定 Python 3.10， <environment> 代換為自己取的環境名稱
conda create -n <environment> python=3.10 -y

# 啟動虛擬環境
conda activate <environment>

在啟動虛擬環境後安裝套件

pip install fastapi uvicorn pydantic

• fastapi：我們的 Web 框架
• uvicorn：用來運行 FastAPI 的伺服器
• pydantic：用來驗證資料格式的工具

在你的專案資料夾下，建立一個 python 檔案，並寫入以下程式碼。我們今天先不接 Gemini，單純模擬文字處理的介面：

from fastapi import FastAPI
from pydantic import BaseModel

app = FastAPI()


class TextRequest(BaseModel):
    text: str


@app.get("/health")
def health():
    return {"status": "ok"}


@app.post("/summarize")
def summarize(data: TextRequest):
    return {
        "received_text": data.text,
        "message": "FastAPI received the data successfully"
    }

接下來啟動伺服器

uvicorn main:app --reload

看到 Application startup complete. 就代表成功了！可以打開瀏覽器前往測試。我們目前做的都是在本地端，確定本地端可以使用後可以再視需求看要不要讓服務上線。