К содержимому
ВходПолучить ключ
Интеграции

Интеграция AI в Django через AI Gateway: сервисный слой и фон

Как встроить AI в Django: OpenAI SDK с base_url AI Gateway в отдельном сервисном слое, вызов из view и вынос долгих запросов в фоновые задачи Celery, ключ в окружении.

2 минуты чтения

Аккуратная интеграция AI в Django — это не вызов модели прямо во view, а тонкий сервисный слой, который прячет клиент OpenAI SDK за одной функцией. View дёргает сервис для быстрых запросов, а тяжёлые (разбор длинных текстов, пакетная обработка) уходят в фон. Модели берём из каталога AI Gateway по OpenAI-совместимому API.

Подготовка

Понадобится ключ sk-aigate-… и адрес https://ai-gatewey.ru/v1. Ключ читаем из окружения (os.environ или django-environ), а не из settings.py в репозитории.

bashbash
pip install openai

Реализация

  1. Сервисный слой

    Один модуль инкапсулирует клиент и все обращения к модели — остальной код Django ничего не знает про SDK:

    pythonpython
    # ai/services.pyimport osfrom openai import OpenAI​client = OpenAI(base_url="https://ai-gatewey.ru/v1",api_key=os.environ["AIGATE_API_KEY"],)​def ask(prompt: str, model: str = "deepseek/deepseek-v4-flash") -> str:resp = client.chat.completions.create(model=model,messages=[{"role": "user", "content": prompt}],)return resp.choices[0].message.content
  2. Вызов из view

    View остаётся тонким — принимает запрос, зовёт сервис, возвращает JSON:

    pythonpython
    # ai/views.pyimport jsonfrom django.http import JsonResponsefrom django.views.decorators.http import require_POSTfrom .services import ask​@require_POSTdef chat(request):prompt = json.loads(request.body)["message"]return JsonResponse({"reply": ask(prompt)})
  3. Долгие запросы — в фон

    Запрос к модели может идти секунды, а под нагрузкой это заняло бы worker'ы Django. Выносим в задачу Celery и записываем результат в модель:

    pythonpython
    # ai/tasks.pyfrom celery import shared_taskfrom .models import Ticketfrom .services import ask​@shared_taskdef summarize_ticket(ticket_id: int):ticket = Ticket.objects.get(pk=ticket_id)ticket.summary = ask(f"Кратко изложи суть обращения:\n\n{ticket.body}")ticket.save(update_fields=["summary"])
  4. Запуск задачи

    Из view или сигнала ставим задачу в очередь неблокирующе — пользователь получает ответ сразу, а саммари появляется позже:

    pythonpython
    summarize_ticket.delay(ticket.id)
обратите внимание
Ключ AI Gateway храните в переменных окружения сервера, а не в settings.py под контролем версий. Запрос к модели — сетевой вызов на секунды: в синхронном view под нагрузкой он свяжет worker, поэтому пакетную и фоновую работу отправляйте в Celery или другой воркер.

Какие модели подойдут

Для массовых операций (классификация, саммари обращений) берут быструю дешёвую модель; сложные задачи можно точечно направить на флагман:

модельвход / 1 млнвыход / 1 млнконтекст
Актуальные цены каталога AI Gateway за 1 млн токенов. Все модели →

Частые вопросы

Обязателен ли Celery?

Нет. Для быстрых ответов хватает синхронного вызова сервиса прямо во view. Фон нужен там, где запрос долгий или их много: подойдёт Celery, RQ, Dramatiq или Django-Q — сервисный слой при этом не меняется.

Где хранить ключ в Django?

В переменной окружения, а в settings.py читать её через os.environ или django-environ. Так ключ не попадёт в репозиторий и легко меняется между стендами.

Как показать ответ модели «печатающимся»?

Включите stream=True в сервисе и отдавайте чанки через StreamingHttpResponse. На классическом WSGI это работает, но для устойчивого стриминга лучше ASGI-стек (Daphne/Uvicorn).

AI Gateway

AI в Django-проекте — начните с ключа

Получить ключТарифы