Text-to-API: превращаем описание в готовый REST API

Генерация REST API из текстового описания: как это работает

Разработка API с нуля — процесс, где каждая ошибка в дизайне или моделях данных выливается в часы переписывания кода. Мы сталкивались с проектами, где команды тратили недели на создание CRUD и документации, а бизнес-логика оставалась незакрытой. Text-to-API решает это: вы описываете систему словами — мы генерируем готовый код на FastAPI или Express с тестами, Docker и документацией. Наш опыт показывает, что time-to-market сокращается в 3–5 раз, а затраты на шаблонный код — до 80%.

"Text-to-API экономит до 80% времени на CRUD-операциях" — из опыта наших проектов.

Проблемы, которые решает Text-to-API

Почему AI-генерация быстрее?

Ручное написание эндпоинтов, моделей данных, схем валидации и тестов занимает до 70% времени бэкенд-разработчика. AI берет на себя шаблонную работу: парсит описание, строит спецификацию OpenAPI, генерирует модели Pydantic, роутеры и тесты. Остается только бизнес-логика, которая действительно требует внимания.

Какие проблемы решаем?

• Дизайн API. Неверные URL, методы HTTP, статусы ответа — частая боль. AI следует REST-конвенциям: существительные во множественном числе, правильные коды (201 для POST, 204 для DELETE).
• Модели и схемы. Согласование типов полей, обязательности, вложенности. Генератор создает SQLAlchemy модели и Pydantic схемы с валидаторами.
• Тестирование. Автоматически генерируются pytest-тесты для каждого эндпоинта, покрывающие happy path, 404, валидацию входных данных. Тестовое покрытие достигает 70%.

Архитектура генератора и стек

В основе — языковые модели (Claude, GPT-4) с тонкой настройкой промптов через LangChain. Спецификация API парсится в Pydantic-модели, затем генерируется код. Используем структурный вывод: модель возвращает валидный JSON, который преобразуется в APISpec.

from anthropic import Anthropic
from pathlib import Path
import json
from pydantic import BaseModel
from typing import Literal, Optional

client = Anthropic()

class APIEndpoint(BaseModel):
    method: Literal["GET", "POST", "PUT", "PATCH", "DELETE"]
    path: str
    summary: str
    request_body: Optional[dict] = None
    response_schema: dict
    auth_required: bool = True
    query_params: list[dict] = []

class APISpec(BaseModel):
    title: str
    description: str
    version: str
    base_path: str
    endpoints: list[APIEndpoint]
    entities: list[dict]

class TextToAPIGenerator:

    def parse_description(self, description: str) -> APISpec:
        response = client.messages.create(
            model="claude-sonnet-4-5",
            max_tokens=4096,
            system="""Ты — API-архитектор. Парсишь описание системы в структуру REST API.

Правила REST:
- Существительные в URL (не глаголы): /users, /orders
- Правильные HTTP методы: GET=чтение, POST=создание, PUT=полная замена, PATCH=частичное обновление, DELETE=удаление
- Вложенность максимум 2 уровня: /users/{id}/orders
- Plural для коллекций: /products, /categories
- Пагинация: ?page=1&limit=20
- Фильтрация: ?status=active&created_after=2024-01-01""",
            messages=[{
                "role": "user",
                "content": f"""Разбери описание и верни JSON спецификацию API:

{{
  "title": "...",
  "description": "...",
  "version": "1.0.0",
  "base_path": "/api/v1",
  "entities": [
    {{"name": "...", "fields": [{{"name": "...", "type": "...", "required": true}}]}}
  ],
  "endpoints": [
    {{
      "method": "GET|POST|PUT|PATCH|DELETE",
      "path": "/resource/{{id}}",
      "summary": "...",
      "auth_required": true,
      "request_body": {{"field": "type"}},
      "response_schema": {{"id": "int", "name": "str"}},
      "query_params": [{{"name": "...", "type": "...", "required": false}}]
    }}
  ]
}}

Описание системы:
{description}"""
            }]
        )

        text = response.content[0].text
        start = text.find("{")
        end = text.rfind("}") + 1
        data = json.loads(text[start:end])
        return APISpec(**data)

    def generate_fastapi_code(self, spec: APISpec) -> dict[str, str]:
        files = {}
        files["models.py"] = self._generate_models(spec)
        files["schemas.py"] = self._generate_schemas(spec)
        for entity in spec.entities:
            router_code = self._generate_router(entity, spec)
            files[f"routers/{entity['name'].lower()}.py"] = router_code
        files["main.py"] = self._generate_main(spec)
        for entity in spec.entities:
            test_code = self._generate_tests(entity, spec)
            files[f"tests/test_{entity['name'].lower()}.py"] = test_code
        return files

    def _generate_models(self, spec: APISpec) -> str:
        response = client.messages.create(
            model="claude-sonnet-4-5",
            max_tokens=4096,
            messages=[{
                "role": "user",
                "content": f"""Создай SQLAlchemy 2.0 модели для сущностей:

Сущности:
{json.dumps(spec.entities, ensure_ascii=False, indent=2)}

Требования:
- Используй DeclarativeBase
- Добавь id (Integer PK autoincrement), created_at, updated_at для всех моделей
- Используй правильные типы: String(256), Text, Integer, Float, Boolean, DateTime
- Добавь __tablename__
- Добавь relationship() для связей между моделями
- Добавь __repr__ для дебага

Верни только Python код."""
            }]
        )
        return response.content[0].text.strip()

    def _generate_schemas(self, spec: APISpec) -> str:
        response = client.messages.create(
            model="claude-sonnet-4-5",
            max_tokens=4096,
            messages=[{
                "role": "user",
                "content": f"""Создай Pydantic v2 схемы для валидации:

Сущности: {json.dumps(spec.entities, ensure_ascii=False)}
Endpoints: {json.dumps([e.dict() for e in spec.endpoints], ensure_ascii=False)}

Для каждой сущности создай:
- <Entity>Create — для POST (все обязательные поля)
- <Entity>Update — для PATCH (все поля Optional)
- <Entity>Response — для ответов (включая id, created_at)
- <Entity>ListResponse — с пагинацией

Добавь field validators где нужно (email формат, позитивные числа, длина строк).

Верни только Python код."""
            }]
        )
        return response.content[0].text.strip()

    def _generate_router(self, entity: dict, spec: APISpec) -> str:
        entity_endpoints = [
            e for e in spec.endpoints
            if entity["name"].lower() in e.path.lower()
        ]
        response = client.messages.create(
            model="claude-sonnet-4-5",
            max_tokens=4096,
            messages=[{
                "role": "user",
                "content": f"""Создай FastAPI роутер для сущности {entity['name']}.

Endpoints для реализации:
{json.dumps([e.dict() for e in entity_endpoints], ensure_ascii=False, indent=2)}

Требования:
- Используй APIRouter с prefix и tags
- Dependency injection для DB session (AsyncSession)
- Dependency injection для авторизации (get_current_user)
- Async/await для всех операций
- Правильные HTTP статусы: 201 для POST, 204 для DELETE, 404 если не найдено
- Пагинация через query params page/limit
- Логирование через structlog

Верни только Python код."""
            }]
        )
        return response.content[0].text.strip()

    def _generate_main(self, spec: APISpec) -> str:
        return f"""from fastapi import FastAPI
from fastapi.middleware.cors import CORSMiddleware
from contextlib import asynccontextmanager

{chr(10).join(f"from routers.{e['name'].lower()} import router as {e['name'].lower()}_router" for e in spec.entities)}

@asynccontextmanager
async def lifespan(app: FastAPI):
    # Startup
    yield
    # Shutdown

app = FastAPI(
    title="{spec.title}",
    description="{spec.description}",
    version="{spec.version}",
    lifespan=lifespan,
)

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

{chr(10).join(f'app.include_router({e["name"].lower()}_router, prefix="{spec.base_path}")' for e in spec.entities)}
"""

    def _generate_tests(self, entity: dict, spec: APISpec) -> str:
        response = client.messages.create(
            model="claude-sonnet-4-5",
            max_tokens=2048,
            messages=[{
                "role": "user",
                "content": f"""Создай pytest тесты для CRUD endpoints сущности {entity['name']}.

Используй:
- pytest-asyncio для async тестов
- httpx.AsyncClient для HTTP запросов
- pytest fixtures для setup/teardown
- TestDatabase (SQLite in-memory) для изоляции

Покрой: создание, чтение списка, чтение одного, обновление, удаление, 404 случаи, валидацию входных данных.

Верни только Python код."""
            }]
        )
        return response.content[0].text.strip()

CLI-интерфейс для быстрого старта

import click
import yaml

@click.command()
@click.argument("description_file", type=click.Path(exists=True))
@click.option("--output-dir", "-o", default="./generated_api")
@click.option("--framework", default="fastapi", type=click.Choice(["fastapi", "express"]))
def generate_api(description_file: str, output_dir: str, framework: str):
    description = Path(description_file).read_text()
    generator = TextToAPIGenerator()

    click.echo("Parsing description...")
    spec = generator.parse_description(description)
    click.echo(f"Found {len(spec.endpoints)} endpoints, {len(spec.entities)} entities")

    click.echo("Generating code...")
    files = generator.generate_fastapi_code(spec)

    output_path = Path(output_dir)
    output_path.mkdir(parents=True, exist_ok=True)
    for filename, content in files.items():
        file_path = output_path / filename
        file_path.parent.mkdir(parents=True, exist_ok=True)
        file_path.write_text(content)
        click.echo(f"  Created: {filename}")

    _generate_project_files(output_path, spec)
    click.echo(f"\nAPI generated in {output_dir}")
    click.echo("Run: cd generated_api && docker-compose up")

if __name__ == "__main__":
    generate_api()

# Система управления задачами

Многопользовательская система для команд.

Сущности:
- User: email (уникальный), name, role (admin/member), avatar_url
- Team: name, description, owner_id
- Project: name, description, team_id, status (active/archived)
- Task: title, description, project_id, assignee_id, status (todo/in_progress/done), priority (low/medium/high), due_date

Функциональность:
- Регистрация и авторизация (JWT)
- CRUD для команд, проектов, задач
- Назначение задач участникам команды
- Фильтрация задач по статусу, исполнителю, приоритету
- Пагинация всех списков
- Soft delete для задач

Практический кейс

Клиент — B2B-стартап, которому требовалось получить MVP backend для marketplace услуг за 2 недели. 8 сущностей, 45+ эндпоинтов.

Генерация:

• Описание продукта (2 страницы) → APISpec за несколько секунд
• Генерация кода FastAPI (7 файлов + тесты) — несколько минут
• Ручная доработка авторизации — 3 дня
• Интеграция платежного шлюза — 2 дня

Результат: работающий MVP через 5 дней вместо 14. Тестовое покрытие — 67% (сгенерировано автоматически). Сократили бюджет на разработку в 3 раза.

AI отлично справляется с CRUD, пагинацией, валидацией, структурой проекта и тестами happy path. Ручного вмешательства требуют сложные бизнес-правила, алгоритмы ценообразования и нетривиальные SQL-запросы.

Процесс работы, сроки и результаты

Этапы

1. Анализ требований — изучаем описание, уточняем детали, фиксируем спецификацию.
2. Генерация спецификации — AI парсит описание в APISpec (сущности, эндпоинты, типы).
3. Генерация кода — создаем полный проект: модели, схемы, роутеры, тесты, Docker.
4. Тестирование — запускаем тесты, исправляем ошибки, добавляем недостающие кейсы.
5. Деплой и документация — готовим инструкцию, CI/CD (опционально).

Сроки и стоимость

Сроки зависят от сложности проекта:

• Прототип (один файл) — от 2 дней
• Полный проект с тестами — от 1 до 2 недель
• Добавление поддержки нового фреймворка — +1 неделя
• Интеграция в CI/CD — 1 неделя

Стоимость рассчитывается индивидуально. Свяжитесь с нами для оценки вашего проекта.

Что вы получаете в результате

Сравнение ручной разработки и AI-генерации

Типичные ошибки при AI-генерации API

• Отсутствие авторизации. AI не знает вашу систему ролей — требует ручной настройки.
• Неправильные HTTP статусы. Иногда модель генерирует 200 вместо 201 для POST — важно проверить.
• Пропущенная валидация. Для специфичных бизнес-правил (уникальность email) нужно добавлять кастомные проверки.
• Недостаточное тестирование. Тесты покрывают happy path, но граничные случаи остаются за кадром.

Наши инженеры имеют сертификаты AWS и опыт в AI-генерации кода более 5 лет. Гарантируем соответствие лучшим практикам REST и полную документацию. Закажите демо-генерацию API по вашему описанию — убедитесь сами.

Практический разбор LLM: fine-tuning, RAG, агенты, деплой

Модель GPT‑4 или Claude 3.5 Sonnet через публичное API — не решение, а просто инструмент. Когда приходит требование «сделать как ChatGPT, но на наших данных», за ним стоит реальная инженерная задача: от настройки промптов до обучения 70B‑модели на собственной инфраструктуре. Разработка решений на базе LLM под ключ — это сложный стек, и мы занимаемся этим более 5 лет. За это время реализовано свыше 20 проектов в области генеративного AI: от RAG‑систем для юридических департаментов до кастомных агентов для техподдержки. Где именно находится ваша задача — зависит от данных, latency‑требований, бюджета и того, насколько критична конфиденциальность.

Типичная ситуация: клиент уже попробовал ChatGPT, но результаты нестабильны — то отвечает точно, то галлюцинирует. Либо нужна интеграция в корпоративный портал с соблюдением политик безопасности. Разберём каждый слой стека в деталях — от RAG до production‑деплоя.

Почему RAG‑системы ломаются и как это исправить?

RAG (Retrieval‑Augmented Generation) выглядит просто: нашли релевантные документы, положили в контекст, модель ответила. На практике сбоит в нескольких местах.

Chunking без перекрытия. Классическая ошибка: chunk_size=512, overlap=0. Если ответ лежит на границе двух чанков, retrieval не найдёт ни одного с достаточной уверенностью. Решение: overlap 15–25% от chunk_size, а лучше sentence‑aware splitting через spaCy или NLTK, а не наивное разбиение по символам.

Плохой embedder. Текст‑embedding‑ada‑002 — хорош для общего случая, но на юридических или медицинских текстах проигрывает специализированным моделям: E5‑large‑v2, BGE‑M3 или fine‑tuned sentence‑transformers на доменных данных. Разница в Recall@5 может составлять 15–25%.

Отсутствие re‑ranking. Векторный поиск оптимизирован по скорости, не по релевантности. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) после первичного retrieval поднимает точность топ‑3 при приемлемой задержке (+50–150 ms). Это часто важнее улучшения embedding‑модели.

Гибридный поиск. Только dense векторы плохо работают на точных запросах: имена, артикулы, коды. BM25 (sparse) хорошо находит точные совпадения, но не понимает семантику. Гибрид через RRF (Reciprocal Rank Fusion) — оптимальный компромисс. Qdrant, Weaviate и pgvector 0.7+ поддерживают гибридный поиск нативно.

Когда стоит fine‑tune, а не промпт‑инжиниринг?

Промпт‑инжиниринг решает ~70% задач адаптации LLM под домен. Оставшиеся 30% требуют дообучения. Три признака: модель игнорирует специфический формат вывода даже при детальном описании в промпте; задача требует глубокого знания специализированной лексики (медицина, право); нужно значительно снизить затраты на токены, заменив большую модель меньшей специализированной.

LoRA и QLoRA — стандарт для SFT. LoRA добавляет trainable low‑rank матрицы к attention‑слоям. Типичная конфигурация для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — обучаемых параметров ~0.8%, обучение на одной A100 40GB. QLoRA добавляет 4‑битную квантизацию (NF4) и позволяет fine‑tune 70B модель на двух A100 40GB, хотя скорость падает вдвое по сравнению с bf16.

DPO вместо RLHF. Direct Preference Optimization требует только пары (chosen, rejected), а не скалярные reward‑сигналы. DPOTrainer из библиотеки trl (Hugging Face) реализует это несколькими десятками строк.

Типичная ошибка. Датасет из 500 примеров, 5 эпох, validation loss 0.8 — кажется норм. Но на тесте модель деградировала на общих инструкциях. Причина: catastrophic forgetting. Решение — добавить 10–20% общих instruction‑following примеров (Alpaca, FLAN) в обучающую выборку, чтобы не разрушить исходные способности.

Как выбрать базовую модель: 8B или 70B?

Для большинства задач fine‑tuning 8B модели достаточно. 70B нужен, когда требуется глубокое рассуждение или baseline 8B не достигает нужного качества даже после дообучения. Стоимость инференса Llama‑3 8B через vLLM на A100 — около $0.001/1K токенов, что в 15 раз дешевле GPT‑4.

Что даёт PagedAttention в production?

vLLM — первый выбор для serving open‑source моделей. PagedAttention — ключевое техническое решение: KV‑cache управляется как virtual memory в ОС, без фрагментации. Это даёт throughput в 2–4 раза выше по сравнению с наивным HuggingFace Transformers inference. Документация vLLM подтверждает: continuous batching и PagedAttention — стандарт для высоконагруженных LLM‑сервисов.

Типичные числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двух A100 с tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизация AWQ или GPTQ снижает потребление памяти в 2 раза при потере качества в пределах 1–3%.

Мультиагентные системы

Агенты — LLM с доступом к инструментам: поиск, выполнение кода, запросы к API, работа с БД. Основные паттерны:

• ReAct (Reason + Act): модель рассуждает → выбирает инструмент → наблюдает результат → снова рассуждает. LangChain и LlamaIndex реализуют из коробки.
• Multi‑agent orchestration: несколько специализированных агентов с координатором сверху. Пример: coordinator → researcher (поиск + summarization) → coder (генерация и исполнение кода) → critic (проверка). Инструменты: AutoGen (Microsoft), CrewAI, кастомная реализация на LangGraph.

В продакшене агентные системы недетерминированы. Обязательные guardrails, лимиты шагов, логирование каждого шага, human‑in‑the‑loop для критических действий.

Как мы работаем: этапы, сроки, результат

Что входит в работу

Мы передаём:

• Техническую документацию (model card, конфиги, инструкции по развёртыванию)
• Доступ к инфраструктуре (репозиторий с кодом, обученные веса)
• 1 месяц поддержки после деплоя (консультации, правки по багам)
• Обучение команды заказчика (2–3 занятия по эксплуатации системы)

Сроки: базовый RAG‑прототип — 1–2 недели. Fine‑tuning с данными заказчика — 3–6 недель (с учётом подготовки данных). Production‑система с мониторингом и переобучением — 2–4 месяца. Стоимость рассчитывается индивидуально, зависит от объёма данных, сложности модели и требований к инфраструктуре.

Хотите оценить свой проект? Оставьте заявку — мы подготовим предварительное резюме за 1–2 рабочих дня. Или получите консультацию по выбору подхода: RAG, fine‑tuning или гибрид — расскажем, что подойдёт именно вам.