十万星之后还在涨:一个 2018 年的项目,凭什么刚冲上热度榜前列
十万星之后还在涨:一个 2018 年的项目,凭什么刚冲上热度榜前列
一个 2018 年诞生的 Python 项目,在 2026 年 10 月又一次出现在热度榜前列,这件事本身就值得拆解。FastAPI 的版本号还停在 0.161.1——七年过去,它连 1.0 都没发。但就在本文动笔的前一天(2026-10-22),仓库同时推出了 0.161.0 和 0.161.1;整个 10 月的前 22 天,它发了 38 个版本。
老项目的日增通常来自惯性,而 FastAPI 的日增来自"新增量":新的需求面(AI Agent、SSE 流式接口)、新的工程能力(原生 OpenTelemetry、前端托管)、新的协作规模(PR 编号已经排到 #16599)。本文不吹"生态繁荣"这类空话,只从仓库里能查到的东西出发,回答三个问题:它到底在发什么版、这些版本服务了谁、以及这套增量结构还能撑多久。
一、先看增量结构:不是修 bug 修出来的版本数
把 release-notes.md 里 7783 行、336 个版本条目按年份切开,曲线是这样的:
| 年份 | 发布版本数 |
|---|---|
| 2019 | 64 |
| 2020 | 32 |
| 2021 | 14 |
| 2022 | 25 |
| 2023 | 32 |
| 2024 | 25 |
| 2025 | 51 |
| 2026(截至 10-22) | 93 |
2021 年的低谷(14 个版本)之后,是连续五年的重新加速。更关键的是分布:2025 年 12 月 20 个、2026 年 2 月 18 个、2026 年 7 月 19 个、2026 年 10 月 38 个。这种尖峰不是"每周例行发版"能解释的,它对应的是成批的功能落地。
拆开 2026 年 10 月这批版本,能看到明显的主线:
0.157.0~0.161.0:query / header / cookie / form 参数模型的合并、可选、extra语义对齐。最后0.160.0直接把extra配置扩展到同一参数位置的所有字段,并在发布说明里明确标注为 Breaking Change。0.150.0~0.153.0:浏览器表单语义的逐项对齐——未选择的文件输入视为缺失、空标量视为缺失、未勾选的 checkbox 视为False、这些规则再扩展到 Pydantic 模型的 union。0.155.0:移除Path、Query、Header等参数里被弃用的**extra关键字,未知参数现在直接TypeError。
这些改动的共同点是:它们都在细化"语义正确性",而不是堆叠新 API。一个框架开始抠"空字符串算不算用户输入""null 和"字段缺席"要不要区分",通常意味着它的用户已经进入了生产环境的深水区——这些坑只有真正跑在线上的团队才会踩出来,也才会推动上游去修。
同一时期的功能线则更直白地指向新场景:
0.130.0:当存在 Pydantic 返回类型或 response model 时,用 Pydantic(Rust 实现)序列化 JSON,官方给出的量级是响应性能提升 2 倍以上(release-notes)。0.134.0:支持用yield流式输出 JSON Lines 与二进制数据,同时把 Starlette 的最低版本从>=0.40.0抬到>=0.46.0,理由是需要正确处理异常组里的异常。0.135.0:Server-Sent Events 支持,新增EventSourceResponse。0.138.0:app.frontend("/", directory="dist"),直接托管前端构建产物。0.142.0:原生 OpenTelemetry 支持,opentelemetry-api进入核心依赖(见 pyproject.toml)。
把时间线拉平看:流式 → 前端托管 → 可观测性,这是一条完整的"生产闭环"路线,而不是一个 Web 框架的传统演进路径。它更像是在回答"一个 AI 应用从 demo 到上线,中间缺哪几块"。
二、谁在给一个老框架贡献新增量
社区情报里有一条容易被忽略的线索:2026 年 7 月,掘金上出现了一篇《前端转 agent #02 - FastAPI 框架入门与原理》,讲的是 ASGI 与 WSGI 的区别、FastAPI / Starlette / Pydantic 三者关系、Depends 的执行机制。作者不是后端,是前端。
这是"增量"最真实的形态:新增用户不是从 Flask/Django 迁移过来的老后端,而是被 AI 应用推过来的新人群。他们要写的不是网站,是一个能流式吐 token、能被 Agent 调用的 HTTP 服务。而这类服务的接口形态,恰好就是 SSE。
FastAPI 的 SSE 实现直接把目标写在了代码注释里。fastapi/sse.py 中 EventSourceResponse 的文档字符串明确写着:
Works with any HTTP method (
GET,POST, etc.), which makes it compatible with protocols like MCP that stream SSE overPOST.
这句话信息量很大。传统 SSE 是 EventSource 的 GET 长连接,而 MCP 这类协议需要在 POST 上做流式响应。FastAPI 没有为 MCP 单独做适配层,而是在流式抽象层面把"任意 HTTP 方法 + SSE"打通,编码逻辑放在路由层(fastapi/routing.py 中 is_sse_stream 分支,含 keepalive 与内存流解耦),EventSourceResponse 本身只负责标记 media_type = "text/event-stream"。用法极短:
from collections.abc import AsyncIterable
from fastapi import FastAPI
from fastapi.sse import EventSourceResponse
from pydantic import BaseModel
app = FastAPI()
class Item(BaseModel):
name: str
description: str | None
@app.get("/items/stream", response_class=EventSourceResponse)
async def sse_items() -> AsyncIterable[Item]:
for item in items:
yield item
(完整示例见 docs_src/server_sent_events/tutorial001_py310.py。)
注意返回类型 AsyncIterable[Item]:它不只是注解,FastAPI 会用它来校验、生成文档、序列化每一个 yield 出来的元素。也就是说,流式接口依然有 OpenAPI schema。这一点对 Agent 生态尤其重要——工具调用方需要机器可读的契约,而不是一段裸 SSE 文本。
外部环境也在同步推高这条曲线。据社区情报,Cloudflare 已把 Python Workers 转正,FastAPI、Django 可以"照跑,不再写胶水代码";Grab 的智能体框架 LLM-Kit 也在推进 Agent 的生产部署;中文技术媒体在 2026 年密集出现"基于 FastAPI 开发 AI Agent 应用的六步指南"这类内容。这些不是 FastAPI 自己的发布会,但每一条都在扩大它的默认选择面。
三、生态复利:把"文档"当成一等公民来工程化
大多数开源项目的文档是附属品,FastAPI 的文档是可执行的工程资产。仓库里的数字:
docs/下共 1669 个 Markdown 文件,其中英文正文 156 篇(docs/en/docs)。docs_src/下 483 个 Python 示例文件,全部是被测试覆盖的真实文件——教程开篇写得很直白:"All the code blocks can be copied and used directly (they are actually tested Python files)."tests/下 648 个测试文件、2739 个测试函数。
这套结构解决了技术文档最常见的两个死法:示例过期、翻译失真。
翻译这条线尤其值得看。仓库支持 12 种非英语语言(de、es、fr、hi、ja、ko、pt、ru、tr、uk、zh、zh-hant),每种语言目录下都有一份 llm-prompt.md 作为该语言的专属翻译指令,例如 docs/zh/llm-prompt.md 规定了术语表(path operation → 路径操作)、标题不加标点、代码块内不翻译等规则。
执行层是 scripts/translate.py:用 pydantic_ai.Agent 驱动,拼装"通用提示词 + 语言专属提示词 + 旧译文",并要求模型在已有译文时逐行保留、只改必要之处,以最小化 diff 便于人工 review。通用规则写在 scripts/general-llm-prompt.md,明确要求代码块内容不翻译(注释除外)。整条流水线由 .github/workflows/translate.yml 触发,机器人账号 pr-submit[bot] 提 PR。
效果在发布说明里可以直接观察到:0.143.2 一个版本里就有 12 条 🌐 Update translations for ... 记录,覆盖 de / es / fr / hi / ja / ko / pt / ru / tr / uk / zh / zh-hant。文档更新和代码更新在同一节奏上,这在多语言开源项目里非常少见——多数项目的翻译分支会滞后几个大版本。
还有一层更"未来时"的复利:仓库里有一个面向 AI 编码工具的技能文件 fastapi/.agents/skills/fastapi/SKILL.md,开篇就是一份速查表:托管前端用 app.frontend()、SSE 用 response_class=EventSourceResponse + yield、依赖注入用 Annotated[..., Depends(...)]、优先用返回类型而不是 response_model。当越来越多的代码由 Agent 生成时,"LLM 能否写出正确的 FastAPI 代码"本身就成了一种生态位,而这个项目选择了主动供货。
维护侧的自动化也在复利:scripts/sponsors.py 通过 GitHub GraphQL 拉取赞助层级并生成 docs/en/data/sponsors.yml(keystone / gold / silver 三档,Keystone 席位是同一团队出品的 FastAPI Cloud);scripts/topic_repos.py 维护 GitHub topic 下的项目列表;FastAPI People 的专家、贡献者、译者名单同样由脚本定期更新。这些机器人的存在,让"一个主要维护者 + 大量外部贡献"的模式能长期运转。
四、复利的另一半:类型提示带来的编辑器体验
FastAPI 的核心卖点从 2018 年至今没变过:用标准 Python 类型提示声明接口,让框架同时完成校验、序列化、文档和编辑器补全。这个设计的长期价值在于——它不依赖框架自己的生态,而依赖 Python 语言本身。
上图来自官方文档的编辑器支持章节:定义一个 Item 模型后,在路径操作函数里敲 item.pr,编辑器直接给出 price: float。这不是插件魔法,是类型提示的必然结果。它解释了为什么"减少 40% 人为错误"这类宣传语在 FastAPI 身上比在其他框架上更容易被相信——错误在校验层被拦住之前,先在补全层被避免了。
也解释了为什么它可以持续吸收新用户:学习成本被编辑器承担了一部分。一个前端转 Agent 的开发者,不需要先读完整个框架,只要会写类型注解,IDE 就会告诉他 Depends 该传什么。
五、同量级对照:它把复杂度放在了上游
"别的框架涨得没它快"这种话没有可比口径的数据支撑,本文不做数字对比。但仓库自己提供了一套结构性的对照逻辑,在 docs/en/docs/benchmarks.md 里写得很清楚:
Uvicorn: an ASGI server → Starlette: (uses Uvicorn) a web microframework → FastAPI: (uses Starlette) an API microframework
FastAPI 处在这条链的最上层,也意味着它不可能比 Starlette 更快,文档里直接承认了这一点。但它同时论证了另一件事:不用 FastAPI 而直接用 Starlette,你依然要实现数据校验和序列化,最终的代码量和运行时开销并不会更少。
这个分层的真正价值不在性能,而在增量的归属。HTTP 协议细节、ASGI 生命周期、路由匹配的演进交给 Starlette;数据校验、JSON Schema 生成交给 Pydantic;FastAPI 只负责"把这两者用类型提示粘成 API 框架"。所以当 0.134.0 需要正确处理异常组时,它做的是抬高 Starlette 最低版本(>=0.46.0);当 0.130.0 要 2 倍 JSON 性能时,它做的是把序列化交给 Pydantic 的 Rust 实现,而不是自己写一个 JSON 编码器。
对照 docs/en/docs/alternatives.md,作者对 Django、Django REST Framework、Flask 的取舍写得很坦率:Django REST Framework 启发了"自动 API 文档"这个想法,Flask 启发了"微框架 + 可组合"的形态,而 FastAPI 的定位是"用 Python 3.6+ 才有的类型提示,把这些想法组合起来"。这种"上游承担复杂度、自己做薄"的结构,是它八年之后还能快速接入 SSE、OpenTelemetry 这类新协议的根本原因——需要改的地方足够少。
六、热度之外的两条冷水
高频率发版的另一面是迁移成本。2026 年 10 月的版本里,Breaking Change 密度相当高:0.147.0 让缺席的 bool 表单字段变成 False、0.149.0 让空标量视为缺失、0.151.0 区分 JSON null 与字段缺席、0.155.0 移除 **extra、0.160.0 让参数模型的 extra 配置影响同位置的其他字段。这些改动单看都合理,叠在一起就意味着:如果你的服务重度依赖表单或参数模型,升级前必须逐条读发布说明。项目把这些都标注为 Breaking Change 而不是悄悄塞进 patch 版本,算是克制,但"0.x 版本号 + 高频语义修正"的组合,对保守团队依然不友好。
第二条冷水来自外部。社区情报里,36 氪的报道标题是"3.25 亿次周下载、FastAPI『地基』爆雷"——指的是底层 Starlette 的认证绕过漏洞波及 FastAPI 及一批 AI 工具;至顶网也有同题报道。这条新闻值得放在"热度"的语境里读:FastAPI 的位置决定了它既享受上游的红利,也继承上游的风险面。当它被大量 Agent 服务当作默认 HTTP 层时,一次底层漏洞的影响半径会被放大到整个 AI 工具链。分层架构降低了维护成本,但没有降低风险传导。
七、所以它凭什么还在涨
把上面的证据合起来,答案不复杂,也不浪漫:
它把"新需求"接住了。 流式输出、SSE、前端托管、OpenTelemetry,这四件事在 2026 年上半年密集落地,正好对上 AI 应用从 demo 走向生产的四个缺口。Agent 开发者不需要另找一套框架,yield 一下就有了流式接口,还有 schema。
它把"重复劳动"自动化了。 336 个版本、12 种语言的文档、2739 个测试、机器人维护的翻译与赞助商列表——这些不是为了好看,而是为了让一个小团队能持续发版而不崩。
它把"复杂度"放在了别人家里。 上游是 Starlette 和 Pydantic,自己是薄薄一层胶水。胶水层薄,接新协议就快;接得快,热度就能转成实际使用。
至于版本号还停在 0.161.1 这件事,反倒不必过度解读。对一个已经承载生产流量、并且仍在主动修正语义细节的项目来说,1.0 更像是一个承诺而不是里程碑——什么时候敢承诺"这些语义不再变",什么时候才该发。在 AI 协议标准本身都还在快速演进的当下,不发 1.0,可能才是最诚实的选择。
如果你现在要选一个 Python 后端来写 Agent 服务,FastAPI 依旧是默认答案;但请把 release-notes.md 加进你的 RSS,因为它的增量,一半是功能,另一半是语义变更。
