Skalierbare API-Infrastruktur für E-Commerce-Tools

01 Herausforderung

Interne Tools wie Preiskalkulatoren, KI-Bots oder Bestands-Checker müssen sicher, schnell und zuverlässig erreichbar sein – ohne für jedes Tool die Server-Infrastruktur neu aufzusetzen.

02 Ansatz

Eine Microservices-Basis aus FastAPI als asynchronem Python-Backend und Caddy als Reverse Proxy mit automatischem HTTPS, der alle Anfragen unter /api an die Services weiterleitet.

03 Ergebnis

Neue Tools lassen sich als kleine Services unter derselben Domain wie das Frontend bereitstellen – demonstriert mit zwei Live-Demos: Text-Analyzer und KI-Code-Erklärer.

Stack

PythonFastAPIPydanticCaddyOpenRouter

Digitale Prozessoptimierung braucht eine stabile Basis. In diesem Projekt habe ich eine Microservices-Infrastruktur aufgebaut, die als Fundament für interne Business-Anwendungen dient: die Geschwindigkeit von Python (FastAPI) kombiniert mit der Sicherheit eines modernen Reverse Proxies (Caddy).

Warum diese Architektur?

Im E-Commerce ist Time-to-Market entscheidend. Neue kleine Tools sollen schnell bereitstehen – ohne jedes Mal die komplette Server-Infrastruktur neu aufzusetzen.

Security First

HTTPS

Automatische Verschlüsselung durch Caddy

Scalability

n : 1

Load Balancing auf mehrere interne Services

Efficiency

async

Ideal für I/O-lastige DB- und KI-Aufrufe

Live-Demos

2

Text-Analyzer · KI-Code-Erklärer

Architektur

Jede Anfrage aus dem Browser läuft über Caddy. Der Proxy terminiert HTTPS, entfernt das /api-Präfix und reicht die Anfrage an FastAPI weiter, das Payloads validiert und an den passenden Service übergibt.

1. 01FrontendBrowser ruft /api/… auf derselben Domain auffetch
2. 02CaddyAutomatisches HTTPS, Präfix /api entfernenhandle_path
3. 03FastAPIAsynchrones Backend auf 127.0.0.1:8000Python
4. 04ValidierungPydantic-Modelle mit LängenlimitsPydantic
5. 05ServicesText-Pipeline und LLM-AnbindungOpenRouter

Das Backend: FastAPI

Exemplarisch laufen zwei Business-Funktionen auf der Plattform:

1. /generate – eine Text-Analyse-Pipeline, z.B. für automatisierte Produktbeschreibungen.
2. /ask-ai – eine Schnittstelle zu Large Language Models für den internen Support-Bot.

from fastapi import FastAPI
from pydantic import BaseModel, Field

app = FastAPI()


class TextPayload(BaseModel):
    text: str = Field(..., max_length=500)


class AssistantPayload(BaseModel):
    prompt: str = Field(..., max_length=2000)
    model: str = Field("example/free-model")


@app.post("/api/text-tools")
async def text_tools(payload: TextPayload):
    value = payload.text
    return {
        "uppercase": value.upper(),
        "length": len(value),
    }


@app.get("/api/models")
async def list_models():
    # In der Praxis werden freie Modelle aus einem Provider geladen.
    return {
        "models": [
            {"id": "provider/model-a:free", "name": "Model A Free"},
            {"id": "provider/model-b:free", "name": "Model B Free"},
        ]
    }


@app.post("/api/assistant")
async def assistant(payload: AssistantPayload):
    # In der Praxis: Validierung, Rate-Limit, Provider-Request, Error-Handling.
    return {"result": f"Erklaerung fuer Modell {payload.model}"}

Der Webserver: Caddy

Damit die API unter derselben Domain wie das Frontend erreichbar ist, entfernt Caddy per handle_path das /api-Präfix, bevor die Anfrage an FastAPI geht:

handle_path /api/* {
    reverse_proxy 127.0.0.1:8000
}

Live-Demo: Text-Analyzer

Geben Sie einen Text ein – er wird an /api/generate gesendet und vom Python-Backend analysiert. Ist das Backend nicht erreichbar, erscheint eine Fehlermeldung.

Erweiterung: KI-Code-Erklärer

Das zweite Beispiel nutzt den /ask-ai-Endpunkt: Ein Code-Schnipsel wird vom Backend sicher an ein LLM (via OpenRouter) weitergeleitet. Die verfügbaren Modelle lädt die Demo beim Start über /api/models.

Learnings

• Ein Proxy, viele Tools: Mit handle_path hängt jeder neue Service unter derselben Domain – kein CORS, kein eigenes Zertifikat pro Tool.
• Validierung an der Grenze: Pydantic-Längenlimits (500 bzw. 2.000 Zeichen) greifen serverseitig; die Demo prüft zusätzlich clientseitig für schnelleres Feedback.
• Secrets bleiben im Backend: API-Key und System-Prompt liegen ausschließlich auf dem Server, der Browser sieht nur das Ergebnis.