实现前端工程师的第一个AI应用

大家好，我卡颂。

最近几个月，AI相关新闻不断抢占大家的注意力。逞着这波热度，各路开发者都投入到AI应用的开发。

比如，15岁的开发者saviomartin7开发的IconifyAI可以根据文字描述生成应用Logo。网页上线5天就赚到了接近1.5k刀。

这波机遇对前端同学有很大利好，因为各种基础服务（比如各种存储服务、AI服务、部署）都有成熟的解决方案可以直接使用，前端同学只需专注业务逻辑的实现即可。

本文让我们看看一位国外老哥是如何用一个周末时间开发一款AI应用。该应用上线仅40天，就获得了20wUV。

欢迎加入人类高质量前端交流群，带飞

应用架构

首先介绍下这款应用，应用名叫restorephotos，用户上传模糊的老照片后，AI会修复照片，并返回更清晰的版本。应用的完整代码已开源。

应用开源代码地址

整个应用的架构分为4部分：

1. 前端（Next.js）
2. 图片存储服务
3. Next.js服务端
4. AI API

完整工作流程如下：

1. 用户在前端上传老照片
2. 前端调用图片存储服务，返回图片存储地址给前端
3. 前端将图片存储地址发送给后端
4. 后端调用AI API处理图片
5. AI API返回处理后的图片给后端，后端返回给前端
6. 前端展示处理后的效果

前端部分

整个前后端的实现使用Next.js，前端主要包括两部分：

• 图片上传
• AI处理后的图片展示

所有主要功能均使用开源库实现。其中，图片上传功能使用react-uploader实现：

<UploadDropzone
    uploader={uploader}
    options={options}
  width="670px"
    height="250px"
    onUpdate={(file) => {
      // ...图片上传成功后的逻辑
    }}
/>;

处理后的图片展示效果使用react-compare-slider：

PS：这里用的是我曾祖父的老照片 ๑¯◡¯๑

后端部分

后端核心逻辑包括两部分：

1. 用Redis做接口调用频率限制

Redis使用@upstash-redis，这是一款基于HTTP的Redis客户端。在线创建Redis数据库后，我们可以在服务端通过HTTP请求的方式调用它。

2. 用replicate提供的swinir模型处理图片

replicate是一家机器学习的云服务商，我们可以根据业务需要选择不同机器学习模型，比如：

• 处理图片清晰度
• 破碎照片修复
• 文字转图片
• ...

在Next.js服务端，我们通过HTTP的形式调用模型API：

// 我们上传的图片地址
const imageUrl = req.body.imageUrl;
// 请求模型接口
const startResponse = await fetch('https://api.replicate.com/v1/predictions', {
    method: 'POST',
    // ...省略代码
    body: JSON.stringify({
    // 我们需要的模型对应的版本
        version: '9283608cc6b7be6b65a8e44983db012355fde4132009bf99d976b2f0896856a3',
        input: { img: imageUrl, version: 'v1.4', scale: 2 }
    })
});

值得注意的是，模型计算需要时间，所以在服务端，我们每秒轮询一次结果，如果模型返回处理后的图片，我们就将图片返回给前端：

// 保存模型处理后的结果
let restoredImage: string | null = null;
while (!restoredImage) {
  // 请求模型API
  let finalResponse = await fetch(endpointUrl, {
    method: "GET",
    // ...省略代码
  });
  let jsonFinalResponse = await finalResponse.json();
  
  if (jsonFinalResponse.status === "succeeded") {
    // 模型返回图片成功
    restoredImage = jsonFinalResponse.output;
  } else if (jsonFinalResponse.status === "failed") {
    // 模型返回图片失败
    break;
  } else {
    // 模型还未返回图片，1s后轮询
    await new Promise((resolve) => setTimeout(resolve, 1000));
  }
}

总结

可以发现，所有基础服务均有现成产品可供使用，这极大加快了前端的开发效率，降低了开发成本。

作者运行这个应用的成本是多少呢？其中：

• 图片存储使用的是upload.io提供的存储服务。这里作者使用的是35刀/月的基础付费版本，每月有50GB的上传空间
• Redis云服务考虑到仅用来做接口调用频率限制，使用免费版就好
• 整个应用使用Vercel部署，Vercel Pro每月20刀
• 20wUV的模型API调用费用，大概是900刀

对于想构建自己的AI应用的朋友，可以参考本文的实现与成本，行动起来吧。