ToB企服应用市场:ToB评测及商务社交产业平台

标题: 智能工作流：Spring AI高效批量化提示访问方案 [打印本页]

---

作者: 西河刘卡车医    时间: 2024-5-19 20:41
标题: 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:

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)
  

1.     // 线程池初始化
2.         private static final ExecutorService executor = Executors.newFixedThreadPool(10);
3.     /**
4.      * 多线程请求提示
5.      * @param prompts
6.      * @param user
7.      * @param task
8.      * @return
9.      */
10.     @Async
11.     public CompletableFuture<Void> processPrompts(List<String> prompts， Users user， Task task) {
12.         for (int i = 0; i < prompts.size();i++) {
13.             int finalI = i;
14.             // 提交任务
15.             executor.submit(() -> processPrompt(prompts.get(finalI)， user， finalI));
16.         }
17.         // 设置批量任务状态
18.         task.setStatus(TaskStatus.COMPLETED);
19.         taskService.setTask(task);
20.         return CompletableFuture.completedFuture(null);
21.     }

复制代码

• 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)
  

1.     /**
2.      * 处理单条提示文本
3.      * @param prompt 提示文本
4.      * @param user 用户
5.      * @param index 所在队列下标
6.      */
7.     public void processPrompt(String prompt， Users user， int index) {
8.         // 获取Api Key
9.         OpenAiApi openAiApi = getApiByIndex(user， index);
10.         assert openAiApi != null;
11.         ChatClient client = new OpenAiChatClient(openAiApi);
12.         // 提示文本请求
13.         String response = client.call(prompt);
14.         // 日志记录
15.         log.info("提示信息" + prompt );
16.         log.info("输出" + response );
17.         // 回答保存数据库
18.         saveQuestionAndAnswer(user， prompt， response);
19.     }

复制代码

• 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)
  

1.     /**
2.      * 采用任务下标分配key的方式进行负载均衡
3.      * @param index 任务下标
4.      * @return OpenAiApi
5.      */
6.     private OpenAiApi getApiByIndex(int index){
7.         List<KeyInfo> keyInfoList = keyRepository.findAll();
8.         if (keyInfoList.isEmpty()) {
9.             return null;
10.         }
11.         // 根据任务队列下标分配 Key
12.         KeyInfo keyInfo = keyInfoList.get(index % keyInfoList.size());
13.         return new OpenAiApi(keyInfo.getApi()，keyInfo.getKeyValue());
14.     }

复制代码

• 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)
  

1. /**
2.      * 依靠线程池批量请求GPT
3.      * @param promptFile 传入的批量提示文件，每一行为一个提示语句
4.      * @param username 调用的用户
5.      * @return 处理状态
6.      */
7.     @PostMapping("/batch")
8.     public String batchPrompt(MultipartFile promptFile， String username){
9.         if (promptFile.isEmpty()) {
10.             return "上传的文件为空";
11.         }
12.         // 批量请求任务
13.         Task task = new Task();
14.         try {
15.             BufferedReader reader = new BufferedReader(new InputStreamReader(promptFile.getInputStream()));
16.             List<String> prompts = new ArrayList<>();
17.             String line;
18.             while ((line = reader.readLine()) != null) {
19.                 prompts.add(line);
20.             }
21.             // 用户信息请求
22.             Users user = userService.findByUsername(username);
23.             // 任务状态设置
24.             task.setFileName(promptFile.getName());
25.             task.setStartTime(LocalDateTime.now());
26.             task.setUserId(user.getUserId());
27.             task.setStatus(TaskStatus.PROCESSING);
28.             // 线程池处理
29.             chatService.processPrompts(prompts， user， task);
30.             return "文件上传成功，已开始批量处理提示";
31.         } catch ( IOException e) {
32.             // 处理失败
33.             e.printStackTrace();
34.             task.setStatus(TaskStatus.FAILED);
35.             return "上传文件时出错：" + e.getMessage();
36.         } finally {
37.             // 任务状态保存
38.             taskService.setTask(task);
39.         }
40.     }

复制代码

• 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:

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：
  

• 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:
  

1. 请回答1+2=？
2. 请回答8*12=？
3. 请回答12*9=？
4. 请回答321-12=？
5. 请回答12/4=？
6. 请回答32%2=？

复制代码

• 最终返回的数据库效果，左为问题库，右为回答库：
  

• 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。

---

欢迎光临 ToB企服应用市场:ToB评测及商务社交产业平台 (https://dis.qidao123.com/)

Powered by Discuz! X3.4