前言：
我在使用Vue3开发一个chatgpt工具类网站的时候，翻阅了不少博客和github上的一些相关项目，都没能找到适合Vue3去实现stream的流式数据处理。经过踩坑，最终实现了适用直接调chatgpt接口的方法以及改为调用Python后端接口的方法。
背景：
默认情况下，当用户从 OpenAI 请求完成时，会生成整个完成，然后再通过单个响应发回，这样可能会造成等待响应时间过长。
解决：
“流式传输”，需在调用聊天完成或完成端点时设置 stream=True，这将返回一个对象，该对象将响应作为仅数据服务器发送的事件流回。
参数说明：
-
messages: 必须是对象数组
类型 作用 system 设置chatgpt的角色 user 用户输入的内容 assistant chatgpt返回的内容
- system 设定角色助手，使得下文对话走这条线路
- assistant充当历史记录，达到多轮对话，需将用户所问、AI所答数据存储，实现上下文功能，代价是消耗更多的tokens
- temperature
| 类型 | 默认值 | 取值范围 | 是否必填 |
|---|---|---|---|
| 浮点数 | 1 | 0 - 2 | 否 |
- 随着temperature的取值越大，其输出结果更加随机（较低能集中稳定输出字节，但较高能有意想不到的性能创意）
- top_p
| 类型 | 默认值 | 取值范围 | 是否必填 |
|---|---|---|---|
| 浮点数 | 1 | 0 - 1 | 否 |
- top_p用于预测可能，值越小时，其输出结果会更加肯定，响应性能会相对快，但值越大时，输出的结果可能会更贴近用户需求
How to stream completions?
API文档：https://platform.openai.com/docs/api-reference/chat/create
有关实例代码：openai-cookbook/How_to_stream_completions.ipynb at main · openai/openai-cookbook · GitHub
有关网站示例：
https://ai.mayoubang.cn/?_r=66017600068&_s=share
相信你们早就阅读了上面的文档，但还是很迷茫，感觉无从下手...下面说说我的踩坑经历：
我在网上搜索到的信息是，需要一些流式处理库，我就问chatgpt，它给我推荐了以下几种
-
RxJS：是一个响应式编程库，支持流式处理和异步操作。
-
Bacon.js：也是一个响应式编程库，提供了一个功能强大的事件流模型，可以用来处理异步事件。
-
Highland.js：是一个基于流的函数式编程库，提供了广泛的流操作和管道组合功能。
-
Node.js的stream模块：是一个流式处理库，提供了流处理的核心功能。可以通过其定义自己的流转换器和消费者函数。
-
lodash-fp：是一个功能强大的函数式编程库，提供了一整套函数式的操作和工具，可以用来方便快捷地进行流处理。
我没走这条路，我重新查询了一波，网上的意思是，可以利用WebSocket方式或SSE的方式去实现长连接，但我都没采纳，最终使用的是fetch去实现请求即可，不用将问题复杂化哈哈哈
- 适用直接调chatgpt的接口
// gpt.js
import { CHATGPT_API_URL } from '@/common/config.js'
const OPENAI_API_KEY = '你的接口'
// TODO 适用直接调chatgpt接口
export async function* getChatgpt_Multurn_qa(messages) {
const response = await fetch(CHATGPT_API_URL + '你的url', {
method: 'POST',
headers: {
'Content-Type': 'application/json',
'Authorization': `Bearer ${ OPENAI_API_KEY }`
},
body: JSON.stringify({
model: 'gpt-3.5-turbo',
stream: true,
messages: messages
})
});
if (!response.ok) {
throw new Error(`HTTP error! status: ${response.status}`);
}
const reader = response.body.getReader();
let decoder = new TextDecoder();
let resultData = '';
while (true) {
const { done, value } = await reader.read();
if (done) break;
resultData += decoder.decode(value);
while (resultData.includes('\n')) {
const messageIndex = resultData.indexOf('\n');
const message = resultData.slice(0, messageIndex);
resultData = resultData.slice(messageIndex + 1);
if (message.startsWith('data: ')) {
const jsonMessage = JSON.parse(message.substring(5));
if (resultData.includes('[DONE]')) {
break
}
const createdID = jsonMessage.created
yield {
content: jsonMessage.choices[0]?.delta?.content || '',
role: "assistant",
id: createdID
};
}
}
}
}以上是利用迭代器的写法去实现流式输出，我上面的字符串其实是chatgpt响应输出的数据，例如：
{"id":"chatcmpl-7B48ttLhb1iR4JoaCzElQTvxyAgsw","object":"chat.completion.chunk","created":1682871887,"model":"gpt-3.5-turbo-0301","choices":[{"delta":{"content":"."},"index":0,"finish_reason":null}]}
注意：我利用迭代器需要将每一句 created 相同的流数据存储到一起，才能形成一个消息的闭环，否则页面的效果会是一个字就占一个段落，你们可以去试一试
// vue组件部分代码
const currentDialogId = ref(null)
const dialogId = uniqueId()
currentDialogId.value = dialogId
// 获取聊天机器人的回复
for await (const result of getChatgpt_Multurn_qa(messages.value)) {
// 如果返回的结果 ID 与当前对话 ID 相同，则将聊天机器人的回复拼接到当前对话中
if (result.id === currentDialogId.value) {
const index = list.value.findIndex(item => item.id === currentDialogId.value)
const dialog = list.value[index]
dialog.content += result.content
} else {
currentDialogId.value = result.id
list.value.push({
content: result.content,
role: "assistant",
id: result.id,
timestamp: Date.now()
})
messages.value.push({
role: "assistant",
content: result.content
})
}
}上面代码比较关键的点就是条件的判断 --- result.id === currentDialogId.value ，到这一步就可以实现chatgpt的流式输出啦，响应速度是非常快的！！！
补充：
1. list 是用户角色和AI角色的对话数组，可以传递给子组件去遍历渲染不同角色的聊天，在文章尾部将展示实现Markdown代码块的步骤
2. message 是将user以及assistant的所有历史记录push进去，是实现多轮对话的关键
- 改为调用后端Python的接口，先看看后端哥哥@ToTensor写给前端的文档
# ChatGPT流式输出接口
## 接口路径
```bash
https://后端提供的url
```
## 请求方式
**POST**
## 请求参数
```bash
{
"messages": [
{
"role": "user",
"content": "你好"
}
]
}
```
## 请求参数说明
```bash
messages: 消息体
```
## curl
```bash
curl --location 'https://后端提供的url' \
--header 'Content-Type: application/json' \
--data '{
"messages": [
{
"role": "user",
"content": "你好"
}
]
}'
```
## 返回数据
```bash
{
"id": "chatcmpl-7GpjNUPkhPZF0MtJBqTMvW2bbWPPG",
"object": "chat.completion.chunk",
"created": 1684246457,
"model": "gpt-3.5-turbo-0301",
"choices": [
{
"delta": {
"role": "assistant"
},
"index": 0,
"finish_reason": null
}
]
}
{
"id": "chatcmpl-7GpjNUPkhPZF0MtJBqTMvW2bbWPPG",
"object": "chat.completion.chunk",
"created": 1684246457,
"model": "gpt-3.5-turbo-0301",
"choices": [
{
"delta": {
"content": "你"
},
"index": 0,
"finish_reason": null
}
]
}
{
"id": "chatcmpl-7GpjNUPkhPZF0MtJBqTMvW2bbWPPG",
"object": "chat.completion.chunk",
"created": 1684246457,
"model": "gpt-3.5-turbo-0301",
"choices": [
{
"delta": {
"content": "好"
},
"index": 0,
"finish_reason": null
}
]
}
{
"id": "chatcmpl-7GpjNUPkhPZF0MtJBqTMvW2bbWPPG",
"object": "chat.completion.chunk",
"created": 1684246457,
"model": "gpt-3.5-turbo-0301",
"choices": [
{
"delta": {
"content": "！"
},
"index": 0,
"finish_reason": null
}
]
}
{
"id": "chatcmpl-7GpjNUPkhPZF0MtJBqTMvW2bbWPPG",
"object": "chat.completion.chunk",
"created": 1684246457,
"model": "gpt-3.5-turbo-0301",
"choices": [
{
"delta": {},
"index": 0,
"finish_reason": "stop"
}
]
}
```
## 返回参数说明
```bash
role = assistant, 开始输出
finish_reason = stop, 输出结束
finish_reason = null, 正在输出
content 输出内容
```根据文档，我们只需要小小改动代码
// TODO 改用chatgpt接口
import { _BASE_API_URL } from '@/common/config.js'
// 流式输出接口
export async function* getChatgpt_Multurn_qa(messages, onStreamDone) {
const response = await fetch(_BASE_API_URL + `你的url`, {
method: 'POST',
headers: {
'Content-Type': 'application/json'
},
body: JSON.stringify({
messages: messages
})
})
if (!response.ok) {
throw new Error(`HTTP error! status: ${response.status}`)
}
const reader = response.body.getReader()
let result = ''
let done = false
while (!done) {
const { value, done: streamDone } = await reader.read()
if (value) {
const decoder = new TextDecoder()
result += decoder.decode(value)
const lines = result.split('\n')
result = lines.pop()
for (const line of lines) {
try {
const json = JSON.parse(line)
if (json.choices && json.choices.length > 0) {
const content = json.choices[0].delta.content
if (content) {
yield { id: json.created, content }
}
}
if (json.choices && json.choices[0].finish_reason === 'stop') {
done = true
onStreamDone()
break
}
} catch (e) {
console.error(e)
}
}
}
if (streamDone) {
done = true;
}
}
}上面代码多了个onStreamDone参数，是我需要利用它处理响应完成的逻辑，没有这个需求的伙伴可以适当删改，接下来再看看父组件如何获取数据吧
// vue父组件
for await (const result of getChatgpt_Multurn_qa(messages.value, onStreamDone)) {
if (currentConversationId.value === null) {
currentConversationId.value = result.id;
}
if (result.id === currentConversationId.value) {
const index = list.value.findIndex(item => item.id === currentConversationId.value);
const dialog = list.value[index];
dialog.content += result.content;
} else {
currentConversationId.value = result.id;
list.value.push({
content: result.content || '',
role: "assistant",
id: result.id,
timestamp: Date.now()
});
messages.value.push({
role: "assistant",
content: result.content || ''
});
}
}- 父子组件是如何通信的呢？
// 父组件
<session-box :list="list" @sent="handleSent"></session-box>// 子组件
const props = defineProps({
list: {
type: Array,
default: []
}
})
const { list } = toRefs(props)
const sessionList = ref(null)
const sortedList = computed(() => {
return list.value.slice().sort((a, b) => a.timestamp - b.timestamp)
})说明：
通过
computed创建了一个名为sortedList的计算属性，该属性返回一个已排序的list数组副本。在排序过程中，使用了slice方法创建了一个数组副本，以避免直接修改原始数组。排序方式为按照每个数组元素的timestamp属性升序排序。在模板中遍历循环
sortedList的内容就能实现用户和ai对话啦
- 选择合适的Markdown 编辑器组件库
介绍一下md-editor-v3
官网：MdEditorV3 Documentation (imzbf.github.io)
文档说明：MdEditorV3 Documentation (imzbf.github.io)
它提供了一些基础的 Markdown 编辑功能，如加粗、斜体、标题、无序列表、有序列表、引用、代码块等。除此之外，它还支持上传图片、撤销/重做、全屏等功能。md-editor-v3 的优点是易于使用、易于扩展，并且提供了一些定制化的选项。但是我只是想实现代码块，故解构出MdPreview
使用：
// 模板中
<MdPreview
:showCodeRowNumber="true" // 显示行号
:modelValue="item.content"
/>
import { MdPreview } from 'md-editor-v3'
import 'md-editor-v3/lib/style.css'效果图：
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
