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

<code>@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：

<code>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