2.流式响应对话

产生背景

LLM 生成完整回答通常需要一定时间，如果等所有 token 都生成完再返回，用户会感觉首包响应慢、等待时间长。

流式传输特点

模型每生成一部分 token，就可以立即推送给客户端，
客户端可以边接收边展示，无需等待完整回答全部生成。

优点：
 1. 降低用户感知延迟；
 2. 提升交互体验，类似 ChatGPT 逐字输出；
 3. 适合长文本生成、代码生成、报告生成等耗时场景。

 注意：
 流式传输通常不能缩短模型生成完整内容的总耗时，
 主要是让用户更早看到部分结果。

基础用法

OpenAiStreamingChatModel streamChatModel = OpenAiStreamingChatModel.builder()
                .apiKey(System.getenv("AI_KEY"))
                .modelName("qwen-plus")
                .baseUrl("https://dashscope.aliyuncs.com/compatible-mode/v1")
                .build();

//防止在发送消息后，还没等到响应程序就退出
CountDownLatch latch = new CountDownLatch(1);

//发送消息，并配置响应相关配置
streamChatModel.chat("你好呀", new StreamingChatResponseHandler() {

            //在部分token响应时调用
            @Override
            public void onPartialResponse(String partialResponse) {
                System.out.printf("part_response："+partialResponse);
                StreamingChatResponseHandler.super.onPartialResponse(partialResponse);
            }

            //在全部响应完后调用
            @Override
            public void onCompleteResponse(ChatResponse chatResponse) {
                System.out.println("响应完成");
            }

            @Override
            public void onError(Throwable throwable) {

            }
        });

//阻塞程序，防止退出
latch.await();

简化响应配置

方式1：

//使用LambdaStreamingResponseHandler.onPartialResponse简化响应配置（只配置在部分响应时的操作）
streamChatModel.chat("Tell me a joke", onPartialResponse(System.out::print));

方式2：

//使用LambdaStreamingResponseHandler.onPartialResponseAndError（配置在 部分响应 和 错误 时的操作）
streamChatModel.chat("Tell me a joke", onPartialResponseAndError(System.out::print, Throwable::printStackTrace));