Text-to-API: перетворюємо опис у готовий REST API

Розробка API з нуля — процес, де кожна помилка в дизайні або моделях даних виливається в години переписування коду. Ми стикалися з проєктами, де команди витрачали тижні на створення CRUD і документації, а бізнес-логіка залишалася незакритою. Text-to-API вирішує це: ви описуєте систему словами — ми генеруємо готовий код на FastAPI або Express з тестами, Docker і документацією. Наш досвід показує, що time-to-market скорочується в 3–5 разів, а витрати на шаблонний код — до 80%.

"Text-to-API економить до 80% часу на CRUD-операціях" — з досвіду наших проєктів.

Проблеми, які вирішує Text-to-API

Чому AI-генерація швидша?

Ручне написання ендпоїнтів, моделей даних, схем валідації та тестів займає до 70% часу бекенд-розробника. AI бере на себе шаблонну роботу: парсить опис, будує специфікацію OpenAPI, генерує моделі Pydantic, роутери та тести. Залишається лише бізнес-логіка, яка дійсно потребує уваги.

Які проблеми вирішуємо?

• Дизайн API. Неправильні URL, методи HTTP, статуси відповіді — часта біль. AI дотримується REST-конвенцій: іменники у множині, правильні коди (201 для POST, 204 для DELETE).
• Моделі та схеми. Узгодження типів полів, обов'язковості, вкладеності. Генератор створює SQLAlchemy моделі та Pydantic схеми з валідаторами.
• Тестування. Автоматично генеруються pytest-тести для кожного ендпоїнта, що покривають happy path, 404, валідацію вхідних даних. Тестове покриття сягає 70%.

Архітектура генератора та стек

В основі — мовні моделі (Claude, GPT-4) з тонким налаштуванням промптів через LangChain. Специфікація API парситься в Pydantic-моделі, потім генерується код. Використовуємо структурний вивід: модель повертає валідний JSON, який перетворюється на 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-інтерфейс для швидкого старту

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 керування задачами

Багатокористувацька система для команд.

Сутності:
- User: email (унікальний), 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

Функціональність:
- Реєстрація та авторизація (JWT)
- CRUD для команд, проєктів, задач
- Призначення задач учасникам команди
- Фільтрація задач за статусом, виконавцем, пріоритетом
- Пагінація всіх списків
- Soft delete для задач

Практичний кейс

Клієнт — B2B-стартап, якому потрібно було отримати MVP backend для маркетплейсу послуг за 2 тижні. 8 сутностей, 45+ ендпоїнтів.

Генерація:

• Опис продукту (2 сторінки) → APISpec за кілька секунд
• Генерація коду FastAPI (7 файлів + тести) — кілька хвилин
• Ручне доопрацювання авторизації — 3 дні
• Інтеграція платіжного шлюзу — 2 дні

Результат: працюючий MVP через 5 днів замість 14. Тестове покриття — 67% (згенеровано автоматично). Скоротили бюджет на розробку в 3 рази.

AI чудово справляється з CRUD, пагінацією, валідацією, структурою проєкту та тестами happy path. Ручного втручання потребують складні бізнес-правила, алгоритми ціноутворення та нетривіальні SQL-запити.

Процес роботи, терміни та результати

Етапи

1. Аналіз вимог — вивчаємо опис, уточнюємо деталі, фіксуємо специфікацію.
2. Генерація специфікації — AI парсить опис у APISpec (сутності, ендпоїнти, типи).
3. Генерація коду — створюємо повний проєкт: моделі, схеми, роутери, тести, Docker.
4. Тестування — запускаємо тести, виправляємо помилки, додаємо відсутні кейси.
5. Деплой і документація — готуємо інструкцію, CI/CD (опціонально).

Терміни та вартість

Терміни залежать від складності проєкту:

• Прототип (один файл) — від 2 днів
• Повний проєкт з тестами — від 1 до 2 тижнів
• Додавання підтримки нового фреймворку — +1 тиждень
• Інтеграція в CI/CD — 1 тиждень

Вартість розраховується індивідуально. Зв'яжіться з нами для оцінки вашого проєкту.

Що ви отримуєте в результаті

Порівняння ручної розробки та AI-генерації

Типові помилки при AI-генерації API

• Відсутність авторизації. AI не знає вашу систему ролей — потребує ручного налаштування.
• Неправильні HTTP статуси. Іноді модель генерує 200 замість 201 для POST — важливо перевірити.
• Пропущена валідація. Для специфічних бізнес-правил (унікальність email) потрібно додавати кастомні перевірки.
• Недостатнє тестування. Тести покривають happy path, але граничні випадки залишаються за кадром.

Наші інженери мають сертифікати AWS та досвід в AI-генерації коду більше 5 років. Гарантуємо відповідність найкращим практикам REST та повну документацію. Замовте демо-генерацію API за вашим описом — переконайтеся самі.

Практичний розбір LLM: fine-tuning, RAG, агенти, деплой

Модель GPT‑4 або Claude 3.5 Sonnet через публічне API — не рішення, а просто інструмент. Коли приходить вимога «зробити як ChatGPT, але на наших даних», за нею стоїть реальна інженерна задача: від налаштування промптів до навчання 70B‑моделі на власній інфраструктурі. LLM розробка під ключ — це складний стек, і ми займаємося цим понад 5 років. За цей час реалізовано понад 20 проєктів у галузі генеративного AI: від RAG‑систем для юридичних департаментів до кастомних агентів для техпідтримки. Де саме знаходиться ваша задача — залежить від даних, latency‑вимог, бюджету та того, наскільки критична конфіденційність.

Типова ситуація: клієнт уже спробував ChatGPT, але результати нестабільні — то відповідає точно, то галюцинує. Або потрібна інтеграція в корпоративний портал з дотриманням політик безпеки. Розберемо кожен шар стеку в деталях — від RAG до production‑деплою.

Чому RAG‑системи ламаються і як це виправити?

RAG (Retrieval‑Augmented Generation) виглядає просто: знайшли релевантні документи, поклали в контекст, модель відповіла. На практиці збоїть у кількох місцях.

Chunking без перекриття. Класична помилка: chunk_size=512, overlap=0. Якщо відповідь лежить на межі двох чанків, retrieval не знайде жодного з достатньою впевненістю. Рішення: overlap 15–25% від chunk_size, а краще sentence‑aware splitting через spaCy або NLTK, а не наївне розбиття за символами.

Поганий embedder. Текст‑embedding‑ada‑002 — хороший для загального випадку, але на юридичних або медичних текстах програє спеціалізованим моделям: E5‑large‑v2, BGE‑M3 або fine‑tuned sentence‑transformers на доменних даних. Різниця в Recall@5 може становити 15–25%.

Відсутність re‑ranking. Векторний пошук оптимізований за швидкістю, не за релевантністю. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) після первинного retrieval піднімає точність топ‑3 при прийнятній затримці (+50–150 ms). Це часто важливіше за покращення embedding‑моделі.

Гібридний пошук. Тільки dense вектори погано працюють на точних запитах: імена, артикули, коди. BM25 (sparse) добре знаходить точні збіги, але не розуміє семантику. Гібрид через RRF (Reciprocal Rank Fusion) — оптимальний компроміс. Qdrant, Weaviate та pgvector 0.7+ підтримують гібридний пошук нативно.

Коли варто fine‑tune, а не промпт‑інжиніринг?

Промпт‑інжиніринг вирішує ~70% завдань адаптації LLM під домен. Решта 30% вимагають донавчання. Три ознаки: модель ігнорує специфічний формат виведення навіть при детальному описі в промпті; задача вимагає глибокого знання спеціалізованої лексики (медицина, право); потрібно значно знизити витрати на токени, замінивши велику модель меншою спеціалізованою.

LoRA та QLoRA — стандарт для SFT. LoRA додає trainable low‑rank матриці до attention‑шарів. Типова конфігурація для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — параметрів, що навчаються, ~0.8%, навчання на одній A100 40GB. QLoRA додає 4‑бітну квантизацію (NF4) і дозволяє fine‑tune 70B модель на двох A100 40GB, хоча швидкість падає вдвічі порівняно з bf16.

DPO замість RLHF. Direct Preference Optimization вимагає лише пари (chosen, rejected), а не скалярні reward‑сигнали. DPOTrainer з бібліотеки trl (Hugging Face) реалізує це кількома десятками рядків.

Типова помилка. Датасет з 500 прикладів, 5 епох, validation loss 0.8 — здається норм. Але на тесті модель деградувала на загальних інструкціях. Причина: catastrophic forgetting. Рішення — додати 10–20% загальних instruction‑following прикладів (Alpaca, FLAN) у навчальну вибірку, щоб не зруйнувати вихідні здібності.

Як обрати базову модель: 8B чи 70B?

Для більшості задач fine‑tuning 8B моделі достатньо. 70B потрібен, коли потрібне глибоке міркування або baseline 8B не досягає потрібної якості навіть після донавчання. Вартість інференсу Llama‑3 8B через vLLM на A100 значно нижча, ніж у GPT‑4, що робить його економічно вигідним.

Що дає PagedAttention в production?

vLLM — перший вибір для serving open‑source моделей. PagedAttention — ключове технічне рішення: KV‑cache керується як virtual memory в ОС, без фрагментації. Це дає throughput у 2–4 рази вище порівняно з наївним HuggingFace Transformers inference. Документація vLLM підтверджує: continuous batching та PagedAttention — стандарт для високонавантажених LLM‑сервісів.

Типові 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 двох A100 з tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизація AWQ або GPTQ знижує споживання пам'яті в 2 рази при втраті якості в межах 1–3%.

Мультиагентні системи

Агенти — LLM з доступом до інструментів: пошук, виконання коду, запити до API, робота з БД. Основні патерни:

• ReAct (Reason + Act): модель розмірковує → обирає інструмент → спостерігає результат → знову розмірковує. LangChain та LlamaIndex реалізують з коробки.
• Multi‑agent orchestration: кілька спеціалізованих агентів з координатором зверху. Приклад: coordinator → researcher (пошук + summarization) → coder (генерація та виконання коду) → critic (перевірка). Інструменти: AutoGen (Microsoft), CrewAI, кастомна реалізація на LangGraph.

В продакшені агентні системи недетерміновані. Обов'язкові guardrails, ліміти кроків, логування кожного кроку, human‑in‑the‑loop для критичних дій.

Як ми гарантуємо якість LLM рішення?

Ми використовуємо RAGAS для автоматичної оцінки відповідей: faithfulness, answer relevancy, context precision. Система трекінгу експериментів на базі MLflow фіксує всі метрики, датасети та конфіги. Це дозволяє порівнювати різні гіпотези та доводити покращення з цифрами. Гарантію стабільної роботи забезпечує continuous integration з тестами на специфічних сценаріях (prompt injection, edge‑cases).

Як почати LLM розробку: наступні кроки

Ми передаємо:

• Технічну документацію (model card, конфіги, інструкції з розгортання)
• Доступ до інфраструктури (репозиторій з кодом, навчені ваги)
• 1 місяць підтримки після деплою (консультації, виправлення багів)
• Навчання команди замовника (2–3 заняття з експлуатації системи)

Терміни: базовий RAG‑прототип — 1–2 тижні. Fine‑tuning з даними замовника — 3–6 тижнів (з урахуванням підготовки даних). Production‑система з моніторингом та перенавчанням — 2–4 місяці.

Вартість розраховується індивідуально і залежить від обсягу даних, складності моделі та вимог до інфраструктури. Хочете оцінити свій проєкт? Зв'яжіться з нами — ми підготуємо попереднє резюме за 1–2 робочі дні. Або замовте консультацію фахівця з вибору підходу: RAG, fine‑tuning або гібрид — розповімо, що підійде саме вам.