如何正确处理 ‘bad request 请求错误’：从参数校验到模型重置的完整指南

1次阅读

没有评论

共计 3096 个字符，预计需要花费 8 分钟才能阅读完成。

在开发 AI 应用时，调用 API 时遇到 ’bad request 请求错误，请检查请求参数是否正确 ’ 是再常见不过的问题了。这类错误通常发生在以下几种场景：

请求参数格式不正确，比如该传数字的地方传了字符串
缺少必填参数
参数值超出允许范围
修改了模型设置后没有正确重置
请求体格式错误（如 JSON 格式不正确）

这类问题的根本原因在于 API 服务端无法正确解析或验证客户端发送的请求参数。当参数校验失败时，服务端会返回 400 Bad Request 状态码，通常还会附带错误详情。

要实现健壮的参数校验，我们可以在客户端就进行预校验，避免无效请求发送到服务端。以下是几种常用的 Python 校验方法：

Pydantic 是一个强大的数据验证库，它使用 Python 类型注解来定义数据模型：

from pydantic import BaseModel, conint
from typing import Optional

class RequestModel(BaseModel):
    text: str
    temperature: Optional[conint(ge=0, le=100)] = 50
    max_tokens: conint(ge=1, le=2048)
    top_p: Optional[float] = None

# 使用示例
try:
    request_data = RequestModel(
        text="Hello world",
        max_tokens=100,
        temperature=70
    )
    print(request_data.json())
except ValueError as e:
    print(f"参数校验失败: {e}")

Cerberus 提供了基于 schema 的验证方式，适合需要灵活规则的场景：

from cerberus import Validator

schema = {'text': {'type': 'string', 'required': True},
    'temperature': {'type': 'integer', 'min': 0, 'max': 100},
    'max_tokens': {'type': 'integer', 'min': 1, 'max': 2048},
    'top_p': {'type': 'float', 'nullable': True}
}

validator = Validator(schema)

def validate_request(data):
    if not validator.validate(data):
        raise ValueError(validator.errors)

Pydantic：类型系统友好，性能好，适合结构化数据
Cerberus：规则灵活，适合动态 schema
原生校验 ：轻量但容易出错

当修改了模型设置导致请求错误时，重置到默认设置是常见解决方案。以下是安全重置的步骤：

确认当前模型设置状态
备份当前配置（如有必要）
执行重置操作
验证重置结果

import requests

# 假设这是获取和重置模型设置的 API
MODEL_CONFIG_URL = "https://api.example.com/v1/model/config"

# 获取当前配置
def get_current_config():
    response = requests.get(MODEL_CONFIG_URL)
    response.raise_for_status()
    return response.json()

# 重置到默认配置
def reset_to_default():
    response = requests.post(f"{MODEL_CONFIG_URL}/reset",
        headers={"Content-Type": "application/json"}
    )
    response.raise_for_status()
    return response.json()

# 使用示例
try:
    print("当前配置:", get_current_config())
    print("正在重置...")
    default_config = reset_to_default()
    print("重置成功，当前配置:", default_config)
except requests.exceptions.HTTPError as e:
    print(f"重置失败: {e}")

在生产环境中处理 bad request 错误时，建议采用系统化的方案：

客户端预校验 ：在发送请求前尽可能验证参数
错误分类处理 ：根据错误类型采取不同恢复策略
重试机制 ：对于可恢复错误实现指数退避重试
日志记录 ：详细记录错误上下文以便排查
监控报警 ：对高频错误设置监控

import time
import logging

logging.basicConfig(level=logging.INFO)
logger = logging.getLogger(__name__)

class APIError(Exception):
    """自定义 API 错误基类"""
    pass

class BadRequestError(APIError):
    """400 错误"""
    pass

def call_api_with_retry(url, data, max_retries=3):
    """带重试机制的 API 调用"""
    retry_delay = 1  # 初始延迟 1 秒

    for attempt in range(max_retries + 1):
        try:
            response = requests.post(url, json=data)
            response.raise_for_status()
            return response.json()

        except requests.exceptions.HTTPError as e:
            if e.response.status_code == 400:
                raise BadRequestError(f"请求参数错误: {e.response.text}")

            logger.warning(f"API 调用失败（尝试 {attempt + 1}/{max_retries}）: {str(e)}")

            if attempt < max_retries:
                sleep_time = retry_delay * (2 ** attempt)  # 指数退避
                logger.info(f"等待 {sleep_time} 秒后重试...")
                time.sleep(sleep_time)
            else:
                raise APIError(f"API 调用失败，达到最大重试次数: {str(e)}")

不同的校验方法对 API 性能有不同影响：