智能工作流：Spring AI高效批量化提示访问方案
基于SpringAI搭建系统，依靠线程池\负载均衡等技术进行请求优化，用于办理科研&开辟过程中对GPT接口进行批量化接口请求中出现的问题。github地址：https://github.com/linkcao/springai-wave
大语言模型接口以OpenAI的GPT 3.5为例，JDK版本为17，其他依赖版本可见堆栈pom.xml
拟办理的问题
在处理大量提示文本时，存在以下挑战：
[*]API密钥请求限制： 大部分AI服务提供商对API密钥的请求次数有限制，单个密钥每分钟只能发送有限数量的请求。
[*]处理速率慢： 大量的提示文本须要逐条发送请求，处理速率较慢，影响服从。
[*]效果保存和分析困难： 处理完成的效果须要保存到本地数据库中，并进行后续的数据分析，但这一过程相对复杂。
办理方案
为相识决上述问题，本文提出了一种基于Spring框架的批量化提示访问方案，如下图所示:
https://picx.zhimg.com/80/v2-b363105756f0a49efc3a4f531da33135_720w.png
其中具体包罗以下步调:
[*]多线程处理提示文本： 将每个提示文本看作一个独立的任务，采用线程池的方式进行多线程处理，提高处理服从。
[*]动态分配API密钥： 在线程池初始化时，通过读取本地数据库中存储的API密钥信息，动态分配每个线程单元所携带的密钥，实现负载均衡。
[*]效果保存和管理： 在请求完成后，将每个请求的问题和回答保存到本地数据库中，以便后续的数据分析和管理。
[*]状态实时更新： 将整个批量请求任务区分为进行中、失败和完成状态，并通过数据库保存状态码实时更新任务状态，方便监控和管理。
关键代码示例
[*]多线程异步请求提示信息(所在包: ChatService)
// 线程池初始化
private static final ExecutorService executor = Executors.newFixedThreadPool(10);
/**
* 多线程请求提示
* @param prompts
* @param user
* @param task
* @return
*/
@Async
public CompletableFuture<Void> processPrompts(List<String> prompts， Users user， Task task) {
for (int i = 0; i < prompts.size();i++) {
int finalI = i;
// 提交任务
executor.submit(() -> processPrompt(prompts.get(finalI)， user， finalI));
}
// 设置批量任务状态
task.setStatus(TaskStatus.COMPLETED);
taskService.setTask(task);
return CompletableFuture.completedFuture(null);
}
[*]如上所示，使用了Spring框架的@Async注解和线程池的功能，实现了多线程异步处理提示信息。
[*]首先，使用了ExecutorService创建了一个固定巨细的线程池，以便同时处理多个提示文本。
[*]然后，通过CompletableFuture来实现异步任务的管理。
[*]在处理每个提示文本时，通过executor.submit()方法提交一个任务给线程池，让线程池来处理。
[*]处理完成后，将批量任务的状态设置为已完成，并更新任务状态。
[*]一个线程任务须要绑定请求的用户以及所在的批量任务，当前任务所分配的key由任务所在队列的下标决定。
[*]处理单条提示信息(所在包: ChatService)
/**
* 处理单条提示文本
* @param prompt 提示文本
* @param user 用户
* @param index 所在队列下标
*/
public void processPrompt(String prompt， Users user， int index) {
// 获取Api Key
OpenAiApi openAiApi = getApiByIndex(user， index);
assert openAiApi != null;
ChatClient client = new OpenAiChatClient(openAiApi);
// 提示文本请求
String response = client.call(prompt);
// 日志记录
log.info("提示信息" + prompt );
log.info("输出" + response );
// 回答保存数据库
saveQuestionAndAnswer(user， prompt， response);
}
[*]首先根据任务队列的下标获取对应的API密钥
[*]然后使用该密钥创建一个与AI服务进行通信的客户端。
[*]接着，使用客户端发送提示文本请求，并获取AI模型的回答。
[*]最后，将问题和回答保存到本地数据库和日志中，以便后续的数据分析和管理。
[*]Api Key 负载均衡(所在包: ChatService)
/**
* 采用任务下标分配key的方式进行负载均衡
* @param index 任务下标
* @return OpenAiApi
*/
private OpenAiApi getApiByIndex(int index){
List<KeyInfo> keyInfoList = keyRepository.findAll();
if (keyInfoList.isEmpty()) {
return null;
}
// 根据任务队列下标分配 Key
KeyInfo keyInfo = keyInfoList.get(index % keyInfoList.size());
return new OpenAiApi(keyInfo.getApi()，keyInfo.getKeyValue());
}
[*]首先从本地数据库中获取全部可用的API密钥信息
[*]然后根据任务队列的下标来动态分配API密钥。
[*]确保每个线程单元都携带了不同的API密钥，避免了因为某个密钥请求次数达到限制而导致的请求失败问题。
[*]依靠线程池批量请求GPT整体方法(所在包: ChatController)
/**
* 依靠线程池批量请求GPT
* @param promptFile 传入的批量提示文件，每一行为一个提示语句
* @param username 调用的用户
* @return 处理状态
*/
@PostMapping("/batch")
public String batchPrompt(MultipartFile promptFile， String username){
if (promptFile.isEmpty()) {
return "上传的文件为空";
}
// 批量请求任务
Task task = new Task();
try {
BufferedReader reader = new BufferedReader(new InputStreamReader(promptFile.getInputStream()));
List<String> prompts = new ArrayList<>();
String line;
while ((line = reader.readLine()) != null) {
prompts.add(line);
}
// 用户信息请求
Users user = userService.findByUsername(username);
// 任务状态设置
task.setFileName(promptFile.getName());
task.setStartTime(LocalDateTime.now());
task.setUserId(user.getUserId());
task.setStatus(TaskStatus.PROCESSING);
// 线程池处理
chatService.processPrompts(prompts， user， task);
return "文件上传成功，已开始批量处理提示";
} catch ( IOException e) {
// 处理失败
e.printStackTrace();
task.setStatus(TaskStatus.FAILED);
return "上传文件时出错：" + e.getMessage();
} finally {
// 任务状态保存
taskService.setTask(task);
}
}
[*]首先，接收用户上传的批量提示文件和用户名信息。
[*]然后，读取文件中的每一行提示文本，并将它们存储在一个列表中。
[*]接着，根据用户名信息找到对应的用户，并创建一个任务对象来跟踪批量处理的状态。
[*]最后，调用ChatService中的processPrompts()方法来处理提示文本，并返回处理状态给用户。
数据库ER图
全部信息都与用户ID强绑定，便于管理和查询，ER图如下所示:
https://pic1.zhimg.com/80/v2-d9d9555569d78c6e06f33f8a012b7061_720w.png
演示示例
[*]通过postman携带批量请求文件和username信息进行Post请求访问localhost:8080/batch接口：
https://pic1.zhimg.com/80/v2-766aca8e98cf34d5657f620b6170cd10_720w.png
[*]在现实应用中，可以根据具体需求对提示文本进行定制和扩展，以满意不同场景下的需求，演示所携带的请求文件内容如下:
请回答1+2=？
请回答8*12=？
请回答12*9=？
请回答321-12=？
请回答12/4=？
请回答32%2=？
[*]最终返回的数据库效果，左为问题库，右为回答库：
https://pica.zhimg.com/80/v2-936823c330af75f0887b08936f8561b9_720w.png
[*]问题库和答案库通过question_id和user_id进行绑定，由于一个问题可以让GPT回答多次，因此两者的关系为多对一，将问题和答案分在两个独立的表中也便于后续的垂域定制和扩展。
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]