Python fejlesztés Django és FastAPI keretben

Mit fejlesztünk konkrétan

Django-val és FastAPI-val API-kat és back-office rendszereket építünk, Flask-kal kisebb szolgáltatásokat és belső eszközöket. Emellett adatfeldolgozó pipeline-okat, ütemezett automatizálásokat és integrációkat kötünk össze külső rendszerekkel, számlázóval vagy CRM-mel. Egyre gyakoribb igény a RAG-alapú alkalmazás: a dokumentumok beolvasásától a vektoros kereséssel támogatott válaszadásig építjük fel a réteget, a ChromaDB vagy Qdrant üzemeltetésével együtt, amit külön szolgáltatásként is kínálunk. A cél mindig egy karbantartható, tesztelt kódbázis, ami a csapatod számára is átlátható marad.

Hogyan használod a havi fejlesztési órát

A fejlesztési óra a hosting-előfizetésedhez tartozik: VPS-en 1–8 óra jár havonta a csomagtól függően, GPU szerveren pedig 10 óra. Az ügyfélpanelben, a Fejlesztési szolgáltatások menüpontban nyitsz kérést, leírod a feladatot, és javasolsz egy határidőt, amit a csapatunk visszaigazol. Az órák nem gyűlnek át a következő hónapra, ezért érdemes előre betervezni egy aszinkron migrálást, csomagolási feladatot vagy egy teszt-csomag felépítését. Ami a keretet meghaladja, azt külön, óradíj alapján számlázzuk.

Aszinkron migrálás és csomagolás

Sok Python-projekt szinkron kóddal indul, majd a forgalom növekedésével aszinkron architektúrára kell váltania, hogy a párhuzamos kéréseket hatékonyan kezelje. Feltérképezzük a szinkron hívásokat, fokozatosan váltunk asyncio-ra vagy FastAPI aszinkron végpontokra, és minden lépés után automata tesztekkel ellenőrizzük a viselkedést. A csomagolásnál Poetry-t vagy uv-t használunk, elkülönített virtuális környezetekkel, hogy a fejlesztői és az éles környezet pontosan ugyanazokat a verziókat futtassa.

• Szinkron kód migrálása asyncio-ra vagy FastAPI-ra
• Poetry vagy uv csomagolás, elkülönített környezetek
• Teszt-csomag felépítése pytest-tel, CI-be kötve

RAG-rendszer és GPU szerver

Amikor egy alkalmazásnak saját dokumentumtárból kell választ generálnia, a vektoros adatbázis üzemeltetését és a keresési logikát is mi építjük fel: a dokumentumok darabolásától az embedding-generáláson át a hibrid keresésig. A GPU szerverek NVIDIA RTX kártyákkal futnak, ami az embedding-modellek és a saját hosztolt nyelvi modellek futtatásához is elég. A rendszert úgy tervezzük, hogy a válaszidő és a találati pontosság mérhető maradjon, ne csak becsült érték legyen.

Hogyan dolgozunk

1. Kérés a panelből

   Az ügyfélpanelben, a Fejlesztési szolgáltatások menüpontban leírod a feladatot, és javasolsz egy határidőt, ami passzol az ütemezésedhez és a lansolásaidhoz.

2. Egyeztetjük a scope-ot

   Megbeszéljük a pontos terjedelmet, megbecsüljük a szükséges órákat a havi keretből, és tisztázzuk, mi fér bele a csomagba és mi számlázódik külön óradíjjal.

3. Fejlesztünk és tesztelünk

   Megírjuk a kódot, lefuttatjuk az automata teszteket, és staging környezetben ellenőrizzük, hogy minden integráció és folyamat hibátlanul működik valós adatokon is.

4. Átadás dokumentációval

   Átadjuk a kódot a repository-ban, a telepítési lépéseket és a fontosabb döntéseink indoklását leírva, hogy a csapatod önállóan is tovább tudjon dolgozni rajta.

Felhasználási esetek

Technológiák

• Python 3.12
• Django
• FastAPI
• Flask
• Poetry
• pytest
• PostgreSQL
• Qdrant

Gyakori kérdések

• Mennyibe kerül egy Python API fejlesztése?

  Konkrét árat a feladat terjedelme nélkül nem tudunk mondani, de a havi fejlesztési óra már benne van a hosting-előfizetésedben: VPS-en 1–8 óra, GPU szerveren 10 óra. Ami ezen felül kell, azt előzetes egyeztetés után, óradíj alapján számlázzuk.

• Django, FastAPI vagy Flask: melyiket válasszam?

  Django jó választás, ha admin-felületre, ORM-re és komplett rendszerre van szükséged egy csomagban. FastAPI a gyors, aszinkron API-khoz és a típusbiztos validációhoz erős, Flask pedig kisebb szolgáltatásoknál vagy belső eszközöknél előny, ahol nem kell a teljes keretrendszer.

• Milyen VPS kell egy Python alkalmazáshoz?

  Egy API-nak vagy automatizálásnak legtöbbször elég egy közepes VPS, root-hozzáféréssel és Docker-támogatással. Ha embedding-modellt vagy saját hosztolt nyelvi modellt futtatnál, GPU szervert javaslunk, mert a CPU-alapú futtatás sokszorosára lassítja a válaszidőt.

• Mi az a vektoradatbázis és mikor kell RAG-hoz?

  A vektoradatbázis a szöveg numerikus reprezentációit tárolja, és hasonlóság alapján keres bennük, nem szó szerinti egyezés szerint. RAG-rendszerekben ez teszi lehetővé, hogy a nyelvi modell a saját dokumentumaidból húzza elő a releváns részleteket, mielőtt választ generál.

• Hogyan telepítsek Python alkalmazást VPS-re?

  A gyakorlatban Docker-konténerbe csomagoljuk az alkalmazást, a függőségeket Poetry vagy uv kezeli, a folyamatot pedig CI/CD pipeline futtatja végig teszteléstől a telepítésig. Ezt a teljes folyamatot mi állítjuk be, a fejlesztési órák keretében.

• Mennyi ideig tart egy szinkron kód aszinkronra migrálása?

  A projekt méretétől függ, de a legtöbb közepes API-nál néhány hét alatt elvégezzük, komponensenként haladva, minden lépés után automata tesztekkel. A havi fejlesztési órákat erre a célra is fel lehet használni, ütemezetten.