ChoSeitaku的博客

本文介绍了SDK的概念及其与API的区别，阐述了ChatSDK的代码实现方案。SDK作为开发工具包，包含库文件、API接口、文档等组件，可简化开发流程。文章对比了SDK与API的特性差异，并详细设计了基于RESTful风格的ChatSDK接口，包括会话管理、模型获取、消息交互等核心功能模块的请求响应规范。通过标准化URI、HTTP方法和JSON数据格式，实现了统一的服务接口设计，为开发者提供完整的聊天助手开发解决方案。

本文围绕智能聊天助手开发，梳理了三大核心模块实现思路。模型管理层通过 LLMManager 封装多模型 Provider，依托多态实现灵活路由；会话管理层引入会话机制，解决上下文存储与多对话隔离问题，采用返回会话 ID 方案兼顾效率与解耦，并考虑线程安全；数据管理层选用 SQLite 实现数据持久化，避免重启丢失数据，详细介绍其安装、常用命令与 C++ API 调用。最终通过 SessionManager 持有 DataManager 对象，实现会话数据与数据库实时同步，构建出完整可落地的聊天 SDK 架构

本文介绍了GPT-4o-mini模型的接入流程，重点讲解了API调用方法和参数配置。文章首先说明需要准备API Key和设置OpenAI的根端点，然后详细列出了Chat Completion接口的各项参数，包括model、messages、temperature等关键配置项。通过代码截图展示了请求头、请求体的具体格式，并提供了API测试示例，演示了如何通过POST请求调用/v1/chat/completions接口获取模型响应。最后还介绍了响应结果的解析方法，指导开发者如何处理返回的JSON数据。

本文主要介绍了LLM模型交互系统的设计与实现。系统采用策略模式设计LLMProvider基类，并实现了DeepSeekProvider等具体模型交互类。文章首先讨论了公共数据结构设计，包括模型配置、会话管理等。其次详细说明了spdlog日志库的封装优势和使用方法，包括日志级别管理、格式化输出等。最后重点阐述了DeepSeek模型的API接入实现，包括请求参数设置和响应处理。整个系统通过抽象基类和具体实现类的分离，实现了对不同LLM模型的统一管理和灵活扩展。

本文介绍了一个智能网页版AI聊天助手的项目架构，支持多种大模型接入（包括DeepSeek、GPT-4o-mini、Gemini等）和本地模型部署。系统采用三层架构：应用层封装ChatSDK库，核心层管理模型、会话和数据存储，第三方服务层处理云端和本地模型交互。开发环境推荐使用Trae IDE等AI编程工具，并详细说明了环境搭建步骤，包括远程主机连接和必备插件安装（clangd、CMake Tools）。项目使用cpp-httplib、spdlog等第三方库，支持会话管理、历史记录查询等完整聊天功能。