项目背景：
项目背景是一个这个AI答题应用平台，我引入AI得作用就是让AI根据我指定得这个题目的标题和描述来生成一些列的题目。（主要功能是这个，但是还用了AI给我评分，不过这个功能比较简单，在本文就简单介绍）。
引入并整合智谱AI功能：
引入：
首先还是先贴一个官方文档：
智谱AI开放平台 (bigmodel.cn)
大概的步骤就是：
引入依赖
直接复制官方文档的客户端代码（同步调用）
引入之后我们可以不着急去在项目中使用，可以先跑一个单元测试
@SpringBootTest
public class AItest {
private final String Key = "自己的Key";
//测试是否可以连接
@Test
public void test() {
ClientV4 client = new ClientV4.Builder(Key).build();
List<ChatMessage> messages = new ArrayList<>();
ChatMessage chatMessage = new ChatMessage(ChatMessageRole.USER.value(), "作为一名营销专家，请为智谱开放平台创作一个吸引人的slogan");
messages.add(chatMessage);
// String requestId = String.format(requestIdTemplate, System.currentTimeMillis());
ChatCompletionRequest chatCompletionRequest = ChatCompletionRequest.builder()
.model(Constants.ModelChatGLM4)
.stream(Boolean.FALSE)
.invokeMethod(Constants.invokeMethod)
.messages(messages)
.build();
ModelApiResponse invokeModelApiResp = client.invokeModelApi(chatCompletionRequest);
try {
System.out.println("model output:" + invokeModelApiResp.getData().getChoices().get(0));
} catch (Exception e) {
e.printStackTrace();
}
}
}
整体的代码逻辑：
首先先创建一个AI的客户端
接着拼接需要传给AI的信息列表，这里是ChatMessage
然后就是拼接这个需要发送的请求了
里面有蛮多的参数
model：模型，这个直接用最新的就行
stream：就是指定流式还是非流式
调用方法：这个默认就行
message：就是你要发送的信息
最后发送调用接收返回值
对AI的这种工具的一个封装和简化的思想
对于这种工具类，就可以把这个封装成自己的SDK，以后自己直接引入即可
1：编写一个配置类将这个AI的客户端交给IOC容器管理：
@Configuration
@Data
public class AiConfig {
private final String aiKey = "自己的key";
@Bean
public ClientV4 clientV4() {
return new ClientV4.Builder(aiKey).build();
}
}
2：编写这个工具类：
这里叫不叫工具类都可以，鱼皮老师的定义是需要引入Bean对象的可以在Manager包下管理
首先可以只有一个最简单的方法：
我们可以利用Java的重载来一层一层向上封装
我们可以考虑到，我们和AI对话，一般都是直接问他对吧，所以作为我们用户，我们最乐意的应该是直接传一个文本，但是这里我们还需要注意，我们为了让这个返回的答案更准确，我们可以封装一个系统的prompt，给AI一个背景。
所以我们向上封装：
我们在这个方法中只需要传系统的prompt和用户的prompt就可以了
还可以再往上封装
我们可以根据传递的参数
我们可以封装同步和异步：
其它都是同理了，直接看代码：
package com.ljh.aiplatform.manager;
import com.ljh.aiplatform.common.ErrorCode;
import com.ljh.aiplatform.exception.BusinessException;
import com.zhipu.oapi.ClientV4;
import com.zhipu.oapi.Constants;
import com.zhipu.oapi.service.v4.model.*;
import io.reactivex.Flowable;
import org.springframework.stereotype.Component;
import javax.annotation.Resource;
import java.util.ArrayList;
import java.util.List;
/**
* AI的请求
*/
@Component
public class AiManager {
@Resource
private ClientV4 clientV4;
// 稳定的随机数
private static final float STABLE_TEMPERATURE = 0.05f;
// 不稳定的随机数
private static final float UNSTABLE_TEMPERATURE = 0.99f;
/**
* 同步请求（答案不稳定）
*
* @param systemMessage
* @param userMessage
* @return
*/
public String doSyncUnstableRequest(String systemMessage, String userMessage) {
return doRequest(systemMessage, userMessage, Boolean.FALSE, UNSTABLE_TEMPERATURE);
}
/**
* 同步请求（答案较稳定）
*
* @param systemMessage
* @param userMessage
* @return
*/
public String doSyncStableRequest(String systemMessage, String userMessage) {
return doRequest(systemMessage, userMessage, Boolean.FALSE, STABLE_TEMPERATURE);
}
/**
* 同步请求
*
* @param systemMessage
* @param userMessage
* @param temperature
* @return
*/
public String doSyncRequest(String systemMessage, String userMessage, Float temperature) {
return doRequest(systemMessage, userMessage, Boolean.FALSE, temperature);
}
/**
* 通用请求（简化消息传递）
*
* @param systemMessage
* @param userMessage
* @param stream
* @param temperature
* @return
*/
public String doRequest(String systemMessage, String userMessage, Boolean stream, Float temperature) {
List<ChatMessage> chatMessageList = new ArrayList<>();
ChatMessage systemChatMessage = new ChatMessage(ChatMessageRole.SYSTEM.value(), systemMessage);
chatMessageList.add(systemChatMessage);
ChatMessage userChatMessage = new ChatMessage(ChatMessageRole.USER.value(), userMessage);
chatMessageList.add(userChatMessage);
return doRequest(chatMessageList, stream, temperature);
}
/**
* 通用请求
*
* @param messages
* @param stream
* @param temperature
* @return
*/
public String doRequest(List<ChatMessage> messages, Boolean stream, Float temperature) {
// 构建请求
ChatCompletionRequest chatCompletionRequest = ChatCompletionRequest.builder()
.model(Constants.ModelChatGLM4)
.stream(stream)
.temperature(temperature)
.invokeMethod(Constants.invokeMethod)
.messages(messages)
.build();
try {
ModelApiResponse invokeModelApiResp = clientV4.invokeModelApi(chatCompletionRequest);
return invokeModelApiResp.getData().getChoices().get(0).toString();
} catch (Exception e) {
e.printStackTrace();
throw new BusinessException(ErrorCode.SYSTEM_ERROR, e.getMessage());
}
}
/**
* 通用请求（流式输出）（简化消息传递）
* @param systemMessage
* @param userMessage
* @param temperature
* @return
*/
public Flowable<ModelData> doStreamRequest(String systemMessage, String userMessage,Float temperature) {
List<ChatMessage> chatMessageList = new ArrayList<>();
ChatMessage systemChatMessage = new ChatMessage(ChatMessageRole.SYSTEM.value(), systemMessage);
chatMessageList.add(systemChatMessage);
ChatMessage userChatMessage = new ChatMessage(ChatMessageRole.USER.value(), userMessage);
chatMessageList.add(userChatMessage);
return doStreamRequest(chatMessageList,temperature);
}
/**
* 通用请求(流式输出）
* @param messages
* @param temperature
* @return
*/
public Flowable<ModelData> doStreamRequest(List<ChatMessage> messages,Float temperature) {
// 构建请求
ChatCompletionRequest chatCompletionRequest = ChatCompletionRequest.builder()
.model(Constants.ModelChatGLM4)
.stream(Boolean.TRUE)
.temperature(temperature)
.invokeMethod(Constants.invokeMethod)
.messages(messages)
.build();
try {
ModelApiResponse invokeModelApiResp = clientV4.invokeModelApi(chatCompletionRequest);
final Flowable<ModelData> flowable = invokeModelApiResp.getFlowable();
return flowable;
} catch (Exception e) {
e.printStackTrace();
throw new BusinessException(ErrorCode.SYSTEM_ERROR, e.getMessage());
}
}
}
将AI结合自己的业务
先讲一个这个宏观的步骤：
如何将AI结合自己的业务
1：我们需要确定我们需要给AI什么样的prompt，AI会给我们更准确的答案（这个可能需要遵循一些给AI提问的技巧和长时间的调试）
2：我们接收到AI的请求之后，我们应该如何处理（我觉得这一步也很难）
秉承着上面的步骤，我们来将这个AI具体结合到我们的业务中
我们的业务目的是生成题目，所以我们要给AI的肯定是生成题目的标题和题目的描述
还有一个最重要的，一定要指定返回题目的类型，一定要和我们数据库中的题目格式一样
系统prompt实例：
**
你是一位严谨的出题专家（让GLM进行角色扮演），我会给你如下信息：（分隔符标示不同内容）**
应用名称， 【【【应用描述】】】，（对于描述多行内容，可以通过特殊字符包起来，防止用户的输入干扰生成结果） 应用类别， 要生成的题目数， 每个题目的选项数**
请你根据上述信息，按照以下步骤来出题：**（链式思考，将复杂任务拆解成简单的任务）
- **
要求：题目和选项尽可能地短，题目不要包含序号，每题的选项数以我提供的为主，题目不能重复**（指定输出长度的示例）严格按照下面的 json 格式输出题目和选项[{"options":[{"value":"选项内容","key":"A"},{"value":"","key":"B"}],"title":"题目标题"}] （少样本学习）**
title 是题目，options 是选项，每个选项的 key 按照英文字母序（比如 A、B、C、D）以此类推，value 是选项内容**
检查题目是否包含序号，若包含序号则去除序号- **
返回的题目列表格式必须为 JSON 数组**（指定固定的输出格式）
标红的技巧都是在智谱AI的官方文档中的Prompt工程的文档中有写
用户prompt实例：
小学数学测验， 【【【小学三年级的数学题】】】， 得分类， 10， 3
MBTI 性格测试， 【【【快来测测你的 MBTI 性格】】】， 测评类， 10， 3
用户的prompt就根据这个系统的prompt给就好。
具体的代码实现：
首先想清楚这个我们如果要生成题目，我们需要几个参数？
根据AiManager（默认非流式且题目较为稳定），我们只要传两个参数，一个是系统prompt，一个是用用户的prompt。
系统prompt那就是这个默认值，用户的prompt是由应用的标题，应用的描述，应用题目数量，每个题目的选项组成的，所以我们需要一个封装用户prompt的方法
首先先来个dto接收前端参数：
/***
* ai生成题目请求
*/
@Data
public class AiGenerateQuestionRequest implements Serializable {
/**
* 应用id
*/
private Long appId;
/**
* 要生成的题目数
*/
private Integer questionsNum = 10;
/**
* 每个题目的选项数
*/
private Integer optionsNum = 4;
private static final long serialVersionUID = 1L;
}
我们只需要应用的id，我们就可以自己在数据库中查出对应的应用
还有生成的题目数，和对应题目的选线
private static final String SystemPromptQuestion = "你是一位严谨的出题专家，我会给你如下信息：\n" +
"```\n" +
"应用名称，\n" +
"【【【应用描述】】】，\n" +
"应用类别，\n" +
"要生成的题目数，\n" +
"每个题目的选项数\n" +
"```\n" +
"\n" +
"请你根据上述信息，按照以下步骤来出题：\n" +
"1. 要求：题目和选项尽可能地短，题目不要包含序号，每题的选项数以我提供的为主，题目不能重复\n" +
"2. 严格按照下面的 json 格式输出题目和选项\n" +
"```\n" +
"[{\"options\":[{\"value\":\"选项内容\",\"key\":\"A\"},{\"value\":\"\",\"key\":\"B\"}],\"title\":\"题目标题\"}]\n" +
"```\n" +
"title 是题目，options 是选项，每个选项的 key 按照英文字母序（比如 A、B、C、D）以此类推，value 是选项内容\n" +
"3. 检查题目是否包含序号，若包含序号则去除序号\n" +
"4. 返回的题目列表格式必须为 JSON 数组\n";
/**
* 封装用户的prompt
*
* @param app
* @param questionsNum
* @param optionsNum
* @return
*/
public String getUserPrompt(App app, Integer questionsNum, Integer optionsNum) {
ThrowUtils.throwIf(app == null, ErrorCode.NOT_FOUND_ERROR, "应用不存在");
StringBuilder userPrompt = new StringBuilder();
userPrompt.append("应用名称" + app.getAppName()).append("\n");
userPrompt.append("应用描述" + app.getAppDesc()).append("\n");
userPrompt.append("应用类别" + AppTypeEnum.getEnumByValue(app.getAppType()).getText()).append("\n");
userPrompt.append(questionsNum).append("\n");
userPrompt.append(optionsNum);
return userPrompt.toString();
}
系统的常量和封装用户的prompt方法
/**
* AI生成题目（非流式）
*
* @param aiGenerateQuestionRequest
* @return
*/
@PostMapping("/ai_generate")
public BaseResponse<List<QuestionContentDTO>> aiGenerateQuestion(@RequestBody AiGenerateQuestionRequest aiGenerateQuestionRequest) {
ThrowUtils.throwIf(aiGenerateQuestionRequest == null, ErrorCode.PARAMS_ERROR, "ai参数为空");
Long appId = aiGenerateQuestionRequest.getAppId();
App app = appService.getById(appId);
ThrowUtils.throwIf(app == null, ErrorCode.NOT_FOUND_ERROR, "应用不存在");
Integer questionsNum = aiGenerateQuestionRequest.getQuestionsNum();
Integer optionsNum = aiGenerateQuestionRequest.getOptionsNum();
String userPrompt = getUserPrompt(app, questionsNum, optionsNum);
String result = aiManager.doSyncStableRequest(SystemPromptQuestion,userPrompt);
int startIndex = result.indexOf("[");
int endIndex = result.lastIndexOf("]");
String jsonStr = result.substring(startIndex, endIndex + 1);
List<QuestionContentDTO> questionContentDTOS = JSONUtil.toList(jsonStr, QuestionContentDTO.class);
return ResultUtils.success(questionContentDTOS);
}
整体的代码逻辑其实很简单
就是先从数据库中查出对应的app
接着封装用户的prompt
然后调用自己封装的ai接口生成结果
最后处理结果
不过最后这个处理结果需要注意：
```json
[
{"options":[{"value":"12 + 15", "key":"A"},{"value":"14 + 17", "key":"B"},{"value":"13 + 16", "key":"C"}], "title":"小学数学测验：哪个选项的结果是29？"},
{"options":[{"value":"5 x 6", "key":"A"},{"value":"4 x 7", "key":"B"},{"value":"6 x 5", "key":"C"}], "title":"小学数学测验：哪个选项的结果是30？"}
]
这个是AI返回的result
[{"options":[{"result":"","score":0,"value":"","key":"A"}],"title":""}]
这个是我们数据库中存储的格式
我们发现，AI返回的时候多了什么 ```json
这种奇奇怪怪的字符
所以我们做一个处理获取第一个 "[" 和 最后一个"]"的位置，取一个字串即可
优化：
这里的优化点是什么呢：
我们生成题目会有重复
我们每次都给AI发送同样的系统prompt和用户prompt，这样AI就很容易生成重复的题目
虽然说我们可以查询数据库然后将存入数据库中的重复题目删除
但是这样做用户体验并不好
我们最好的办法就是让这个AI不要生成重复的题目
这里就涉及到一个保存AI上下文的方法了
平常我们和AI聊天，都在一个界面中聊，但是你关闭了这个客户端之后，之前的记录就没了，如果你想引用之前的内容，就不太行了。
我们的解决办法就是保存用户的上下文
具体代码：
List<ChatMessage> chatMessageList = new ArrayList<>();
/**
* AI生成题目（非流式）
*
* @param aiGenerateQuestionRequest
* @return
*/
@PostMapping("/ai_generate")
public BaseResponse<List<QuestionContentDTO>> aiGenerateQuestion(@RequestBody AiGenerateQuestionRequest aiGenerateQuestionRequest) {
ThrowUtils.throwIf(aiGenerateQuestionRequest == null, ErrorCode.PARAMS_ERROR, "ai参数为空");
Long appId = aiGenerateQuestionRequest.getAppId();
App app = appService.getById(appId);
ThrowUtils.throwIf(app == null, ErrorCode.NOT_FOUND_ERROR, "应用不存在");
Integer questionsNum = aiGenerateQuestionRequest.getQuestionsNum();
Integer optionsNum = aiGenerateQuestionRequest.getOptionsNum();
String userPrompt = getUserPrompt(app, questionsNum, optionsNum);
chatMessageList.add(new ChatMessage(ChatMessageRole.SYSTEM.value(), SystemPromptQuestion));
chatMessageList.add(new ChatMessage(ChatMessageRole.USER.value(), userPrompt));
String result = aiManager.doRequest(chatMessageList, Boolean.FALSE, null);
System.out.println(result);
int startIndex = result.indexOf("[");
int endIndex = result.lastIndexOf("]");
String jsonStr = result.substring(startIndex, endIndex + 1);
chatMessageList.add(new ChatMessage(ChatMessageRole.ASSISTANT.value(), jsonStr));
List<QuestionContentDTO> questionContentDTOS = JSONUtil.toList(jsonStr, QuestionContentDTO.class);
return ResultUtils.success(questionContentDTOS);
}
我们保存一个List<ChatMessage> chatMessageList = new ArrayList<>();这样的对话列表
每次和AI对话完就保存进去，然后传递给AI，那AI就知道了，就不会生成重复的题目了
注意点：
1：tokens的长度不要太小，在项目中，我们处理Ai返回的数据，是因为这段数据前面有一个 [，后面有一个 ]，如果把token设置得太小，后面得 ] 可能就会消失。
2：就是关于temperature这个值得设置，多尝试
3：注意保存这个上下文，这个上下文进行保存是会消耗tokens的，所以不能保存过长。
将生成题目的功能改造成流式输出并且用SSE的方式推送到前端
SSE技术：
Server-Sent Events（SSE）是一种技术，用于在客户端和服务器之间建立持久的单向通信通道，从而允许服务器主动推送更新到客户端。与 WebSocket 和其他实时通信技术相比，SSE 主要用于简单的、单向的数据流传输，特别适用于需要从服务器向客户端发送实时更新的场景。
SSE是单向的（从服务端到客户端），特别适用于这种AI流式生成答案返回
WebSocket是双向的，比较适合于网页聊天这种
这就是AI的优化了
我们每次生成的时候都要等很长的事件
为了提高用户的体验，我们可以生成一道题就输出一道题
这个需求最难的是什么？
我们知道就是，我们只要在后端的参数一改
把stream的参数改成true就是流式输出了（最多我们再封装一个方法）。
但是我们如何处理流式的数据呢？
[
{"options":[{"score":0,"value":"15","key":"A"},{"score":0,"value":"20","key":"B"}],"title":"3 + 12 等于多少？"},{"options":[{"score":0,"value":"6","key":"A"},{"score":0,"value":"7","key":"B"}],"title":"9 减去几等于 3？"}
]
这个是Ai给我们的answer
问题是：我们肯定不能说一个题目都没取完整就返回给前端
但是，我们什么时候能确定这个一个题目是取完整了呢？
首先我们要知道，AI返回的流不一定是一个子一个字返回的
有可能是一个 ：tions":[ 也有可能是一个： lue":"6",
这种奇奇怪怪的字符串。
这里鱼皮老师用了一个方法：就是将每次返回的一块进行分流
将一个大的流分成n个小流，并且呢，将每个字符串转成一个字符列表就是List<Charcter>
然后我们在 “下游” 就可以简单进行处理了。
后端代码：
/**
* 通用请求（流式输出）（简化消息传递）
* @param systemMessage
* @param userMessage
* @param temperature
* @return
*/
public Flowable<ModelData> doStreamRequest(String systemMessage, String userMessage,Float temperature) {
List<ChatMessage> chatMessageList = new ArrayList<>();
ChatMessage systemChatMessage = new ChatMessage(ChatMessageRole.SYSTEM.value(), systemMessage);
chatMessageList.add(systemChatMessage);
ChatMessage userChatMessage = new ChatMessage(ChatMessageRole.USER.value(), userMessage);
chatMessageList.add(userChatMessage);
return doStreamRequest(chatMessageList,temperature);
}
/**
* 通用请求(流式输出）
* @param messages
* @param temperature
* @return
*/
public Flowable<ModelData> doStreamRequest(List<ChatMessage> messages,Float temperature) {
// 构建请求
ChatCompletionRequest chatCompletionRequest = ChatCompletionRequest.builder()
.model(Constants.ModelChatGLM4)
.stream(Boolean.TRUE)
.temperature(temperature)
.invokeMethod(Constants.invokeMethod)
.messages(messages)
.build();
try {
ModelApiResponse invokeModelApiResp = clientV4.invokeModelApi(chatCompletionRequest);
final Flowable<ModelData> flowable = invokeModelApiResp.getFlowable();
return flowable;
} catch (Exception e) {
e.printStackTrace();
throw new BusinessException(ErrorCode.SYSTEM_ERROR, e.getMessage());
}
}
/**
* AI生成题目（流式）
*+
* @param aiGenerateQuestionRequest
* @return
*/
@GetMapping("/ai_generate/sse")
public SseEmitter aiGenerateQuestionSSE(AiGenerateQuestionRequest aiGenerateQuestionRequest) {
ThrowUtils.throwIf(aiGenerateQuestionRequest == null, ErrorCode.PARAMS_ERROR, "ai参数为空");
Long appId = aiGenerateQuestionRequest.getAppId();
App app = appService.getById(appId);
ThrowUtils.throwIf(app == null, ErrorCode.NOT_FOUND_ERROR, "应用不存在");
Integer questionsNum = aiGenerateQuestionRequest.getQuestionsNum();
Integer optionsNum = aiGenerateQuestionRequest.getOptionsNum();
String userPrompt = getUserPrompt(app, questionsNum, optionsNum);
Flowable<ModelData> modelDataFlowable = aiManager.doStreamRequest(SystemPromptQuestion, userPrompt, null);
AtomicInteger count = new AtomicInteger();//用AtomicInteger可以保证线程安全（因为在使用流的时候，其实是个多线程的环境，普通的int无法保证线程安全）
SseEmitter sseEmitter = new SseEmitter();
StringBuilder stringBuilder = new StringBuilder();
//todo gpt提供了另一种方法
modelDataFlowable.observeOn(Schedulers.io())
.map(modelData -> modelData.getChoices().get(0).getDelta().getContent())
.map(modelData -> modelData.replaceAll("\\s", ""))//\\s 是一个正则表达式，表示匹配任意空白字符。 replaceAll("\\s", "") 这行代码用于去除字符串中的所有空白字符，包括空格、制表符(Tab)、换行符和其他空白字符
.filter(StringUtils::isNotBlank)
.flatMap(message -> {
List<Character> characterList = new ArrayList<>();
for (char c : message.toCharArray()) {
characterList.add(c);
}
return Flowable.fromIterable(characterList);
})//latMap 是 ReactiveX（RxJava）库中的一个非常重要且常用的操作符。它的作用是将源 Observable 或 Flowable 发送的每个数据项映射为一个新的 Observable 或 Flowable
.doOnNext(character -> {
if (character.equals('{')) {
count.addAndGet(1);
}
if(count.get() > 0){
stringBuilder.append(character);
}
if (character.equals('}')) {
count.addAndGet(-1);
if (count.get() == 0){
sseEmitter.send(JSONUtil.toJsonStr(stringBuilder.toString()));
stringBuilder.setLength(0);
}
}
})
.doOnError(throwable -> sseEmitter.completeWithError(throwable))
.doOnComplete(sseEmitter::complete)
.subscribe();
return sseEmitter;
}
前面的逻辑和上面一样
整体的代码逻辑：
首先，这个AI流式返回是返回了一个Flowable<ModelData>这种流式对象
我们可以对这个流式对象链式调用，就和Java8中的stream一样
接着继续分析：
.map(modelData -> modelData.getChoices().get(0).getDelta().getContent())
将这个数据取出来
.map(modelData -> modelData.replaceAll("\\s", ""))//\\s 是一个正则表达式，表示匹配任意空白字符。 replaceAll("\\s", "") 这行代码用于去除字符串中的所有空白字符，包括空格、制表符(Tab)、换行符和其他空白字符
将这个一些无效字符进行过滤
.filter(StringUtils::isNotBlank)
然后将空字符串再进行一个过滤
.flatMap(message -> {
List<Character> characterList = new ArrayList<>();
for (char c : message.toCharArray()) {
characterList.add(c);
}
return Flowable.fromIterable(characterList);
})
latMap 是 ReactiveX（RxJava）库中的一个非常重要且常用的操作符。它的作用是将源 Observable 或 Flowable 发送的每个数据项映射为一个新的 Observable 或 Flowable
就是上面说的进行了一个分流
.doOnNext(character -> {
if (character.equals('{')) {
count.addAndGet(1);
}
if(count.get() > 0){
stringBuilder.append(character);
}
if (character.equals('}')) {
count.addAndGet(-1);
if (count.get() == 0){
sseEmitter.send(JSONUtil.toJsonStr(stringBuilder.toString()));
stringBuilder.setLength(0);
}
}
})
到这个地方就剩下这个字符列表了
我们怎么处理，这里涉及到一个算法（其实就是力扣上的括号匹配）
但是这里可以做一个简化，因为我们知道 "{" 先出来，并且"{}"两个数量是对称的
所以我们来一个计数器当有左大括号 ++ ，有右大括号 -- ，然后等到计数器为0 的时候，通过SSE的sseEmitter返回给前端即可。
最后订阅一下就行。
还有一个注意点：需要注意这里的返回值是一个sseEmitter这个对象。
前端代码：
const doSubmitSSE = async () => {
if (!props.appId) {
return;
}
submitting.value = true;
//创建SSE请求
const eventRouce = new EventSource(
//填写后端的完整的地址
`http://localhost:8100/api/question/ai_generate/sse?appId=${props.appId}&optionsNum=${form.optionsNum}&questionNum=${form.questionsNum}`
);
eventRouce.onmessage = function (event) {
console.log(event.data);
props.aiOnSSESuccess?.(JSON.parse(event.data));
};
eventRouce.onopen = function () {
console.log("建立连接");
props.aiOnSSEStart?.(event);
handleCancel();
};
eventRouce.onerror = function () {
if (event?.eventPhase == EventSource.CLOSED) {
props.aiOnSSEClose?.(event);
console.log("正常关闭");
eventRouce.close();
}
};
submitting.value = false;
};
整体的代码逻辑：
首先先创建一个SSE对象来接收请求（SSE接收请求和axios没关系，我们这里需要指定后端的完整路径名称，并且把参数带上）
接着SSE对象的三个方法：onmessage，onopen ，onerror
这里就是接收参数，然后把这个event.data的数据传递给父组件，所以其实没有什么逻辑
关于这个流式和异步处理的自我思考：
首先智谱AI底层的流式处理用的是RxJava响应式编程的库
先说一下什么是响应式编程：
响应式编程（Reactive Programming）是一种编程范式，用于处理异步数据流和变化的事件
它特别适合处理用户界面、实时数据流、事件驱动系统等需要高效处理异步操作的场景。
结合我们项目中的AI答案的流式返回，就刚好很适合这个响应式编程
根据上面那个项目的整个流程，我觉得处理整个流式答案返回最重要的就是整个流的概念和RxJava提供了很多的操作符可以直接来操作这个流（代码案例如上）
就和这个Java8中的新特性一样
毕竟这个地方叫自我思考
我问了gpt一个问题，因为我在看响应式编程的时候老是看到一个词叫：异步处理
但是在我第一次接触 “异步” 这个概念的时候，我见到的是：异步调用
我一开始就把这两个东西搞混了，我以为是一个东西
首先异步调用：
异步调用 是指在程序中发起一个操作或任务时，不需要等待这个操作或任务完成就能继续执行后续代码。异步调用的主要目的是避免阻塞主线程或当前执行上下文，以提高应用的响应能力和性能。
换成人话说就是，向我们平常的代码都是一行一行执行下来的，都是同步的，如果有一行卡住了，那后面的都不能执行
但是异步的不一样，异步的啊，不能让你堵住，我就先执行后面的，在你这个地方留一个回调函数，等你执行完了我再回来执行你
之前在API开发平台的接口中有提到，就是在springgateway的过滤器默认应该用的是springFlux的异步调用， 我向记录日志，我需要等，这个调用的接口的人调用结束了，我才能记录日志。
但是这个默认应该是异步的，所以就先记录了空日志（因为我什么都没干，所以是空的）。
前端天生就是可以异步调用的
绑定一个按钮，然后点击一下，就调用
接着就是异步处理了
异步处理 是指处理任务或数据的方式，使得任务可以在后台执行，而主线程可以继续执行其他操作。异步处理通常涉及到多个异步操作的组合、管理和协调。它的目标是高效地处理异步任务，并管理任务之间的关系。
说人话：
我们上面的流就是异步处理的，比如AI返回给我们的数据是 ： a，b，c，d
AI是流式返回给我们的
然后我们搞了两个map 第一个map 给每个数 +1 第二个map给每个数 ×2
当a来了，a就执行第一个map，这个时候a开始+1，加完1，之后，a就流到 “下游”了，b就来了
b就+1，a这个时候就在×2了
所以我们也能看出来，这种异步处理数据流的感觉了
这样也可以提高效率对吧，类似多线程同时运行
版权归原作者 我要200 所有， 如有侵权，请联系我们删除。