该错误源于在fastapi服务启动前就执行了requests.post()调用，导致客户端尝试连接尚未运行的本地服务器。正确做法是将服务启动与请求发送分离，避免自调用冲突。
在使用 FastAPI 构建本地机器学习预测服务时，一个常见却容易被忽视的问题是：将客户端请求代码与服务端定义写在同一文件中，并直接运行该文件。这正是你遇到 ConnectionError: [WinError 10061] No connection could be made… 的根本原因。
❌ 错误写法（问题所在）
你的 main.py 同时做了两件事：
- 定义并启动 FastAPI 应用（通过 uvicorn main:app –reload）；
- 又在同一文件中立即发起 HTTP 请求：
# ⚠️ 错误：此段代码不应出现在 main.py 中！
import requests
f = open('test_data.json')
data = json.load(f)
response = requests.post("http://localhost:8000/predict", json=data) # ← 此时 uvicorn 尚未启动！
print(response.json())
当执行 uvicorn main:app –reload 时，Python 会先导入整个模块（即执行所有顶层代码），此时 requests.post(…) 立即触发 —— 但此时 FastAPI 服务还未启动，端口 8000 处于关闭状态，系统自然拒绝连接（Windows 错误码 10061）。
✅ 正确做法：职责分离
步骤 1：精简服务文件（main.py）
只保留服务定义与路由逻辑，移除所有 requests 相关代码：
# main.py
from fastapi import FastAPI
import pickle
import numpy as np
from typing import List
app = FastAPI()
def predict(data: List[float]):
with open("model.pkl", "rb") as f:
model = pickle.load(f)
data = np.array(data).reshape(1, -1)
prediction = model.predict(data).tolist() # ✅ 转为 list，确保 JSON 可序列化
return prediction
@app.post("/predict")
def predict_route(data: List[float]):
return {"prediction": predict(data)}
✅ 注意：model.predict() 返回的可能是 numpy.ndarray 或 numpy.int64，直接返回会导致 FastAPI 序列化失败。务必用 .tolist() 转为原生 Python 类型。
步骤 2：启动服务
终端中运行：
uvicorn main:app --reload --host 127.0.0.1 --port 8000
你会看到类似 INFO: Uvicorn running on http://127.0.0.1:8000 的日志 —— 此时服务已就绪。
