注意：本文是一个聊后端技术的文章

ChatGPT回答问题时，是一个字一个字弹出的，给人一种在认真思考的感觉。比如下面这段视频:

这段对话的基本内容是：

问：大语言生成式模型是如何工作的
答：大型语言生成模型（如GPT-3）是基于深度学习技术的神经网络模型。这些模型通常使用一种称为"Transformer"的架构，该架构在自然语言处理领域取得了巨大的成功。

下面是大型语言生成模型的工作原理概述：

... 省略一段 ...

生成文本：一旦模型经过训练，就可以使用它来生成文本。给定一个初始文本或提示，模型会根据已经学到的概率分布生成下一个单词，然后使用生成的单词作为输入，并继续生成下一个单词，以此类推，直到达到所需的文本长度或生成终止符号。

... 省略一段 ...

大语言模型，Large Language Model，简称LLM。

从模型的视角来看，LLM每进行一次推理生成一个token，直到达到文本长度限制或生成终止符。

从服务端的视角来看，生成的token需要通过HTTPS协议逐个返回到浏览器端。

Client-Server 模式下，常规的交互方式是client端发送一次请求，接收一次响应。显然，这无法满足ChatGPT回复问题的场景。

其次，我们可能想到websocket，它依赖HTTP实现握手，升级成Websocket。不过WebSocket需要client和server都持续占用一个socket，server侧成本比较高。

ChatGPT使用的是一种折衷方案: server-sent event(简称SSE). 我们从OpenAI的 API 文档可以发现这一点:

SSE 模式下，client只需要向server发送一次请求，server就能持续输出，直到需要结束。整个交互过程如下图所示：

SSE仍然使用HTTP作为应用层传输协议，充分利用HTTP的长连接能力，实现服务端推送能力。

从代码层面来看，SSE模式与单次HTTP请求不同的点有:

以 ChatGPT API 为例，在发送请求时，将stream参数设置为true就启用了SSE特性，但在读取数据的SDK里需要稍加注意。

在常规模式下，拿到 http.Response 后，用 ioutil.ReadAll 将数据读出来即可，代码如下：

func main() { payload := strings.NewReader(`{ "model": "gpt-3.5-turbo", "messages": [{"role": "user", "content": "大语言生成式模型是如何工作的"}], "max_tokens": 1024, "temperature": 1, "top_p": 1, "n": 1, "stream": false}`) client := &http.Client{} req, _ := http.NewRequest("POST", "https://api.openai.com/v1/chat/completions", payload) req.Header.Add("Content-Type", "application/json") req.Header.Add("Authorization", "Bearer ") resp, err := client.Do(req) if err != nil { fmt.Println(err) return } defer resp.Body.Close() body, _ := ioutil.ReadAll(resp.Body) fmt.Println(string(body))}

执行大概耗费20s ，得到一个完整的结果:

{ "id": "chatcmpl-7KklTf9mag5tyBXLEqM3PWQn4jlfD", "object": "chat.completion", "created": 1685180679, "model": "gpt-3.5-turbo-0301", "usage": { "prompt_tokens": 21, "completion_tokens": 358, "total_tokens": 379 }, "choices": [ { "message": { "role": "assistant", "content": "大语言生成式模型通常采用神经网络来实现，具体工作流程如下：nn1. 数据预处理：将语料库中的文本数据进行预处理，包括分词、删除停用词（如“的”、“了”等常用词汇）、去重等操作，以减少冗余信息。nn2. 模型训练：采用递归神经网络（RNN）、长短期记忆网络（LSTM）或变种的Transformers等模型进行训练，这些模型都具有一定的记忆能力，可以学习到语言的一定规律，并预测下一个可能出现的词语。nn3. 模型应用：当模型完成训练后，可以将其应用于实际的生成任务中。模型接收一个输入文本串，并预测下一个可能出现的词语，直到达到一定长度或遇到结束符号为止。nn4. 根据生成结果对模型进行调优：生成的结果需要进行评估，如计算生成文本与语料库文本的相似度、流畅度等指标，以此来调优模型，提高其生成质量。nn总体而言，大语言生成式模型通过对语言的规律学习，从而生成高质量的文本。" }, "finish_reason": "stop", "index": 0 } ]}

如果我们将 stream 设置为 true，不做任何修改，请求总消耗28s ，体现为很多条 stream 消息:

上面这张图是一张Postman调用 chatgpt api的图，走的就是 ioutil.ReadAll 的模式。为了实现stream读取，我们可以分段读取 http.Response.Body。下面是这种方式可行的原因：

所以修正的方法是通过bufio.NewReader(resp.Body)包装起来，并在一个for-loop里读取, 代码如下:

// stream event 结构体定义type ChatCompletionRspChoiceItem struct { Delta map[string]string `json:"delta,omitempty"` // 只有 content 字段 Index int `json:"index,omitempty"` Logprobs *int `json:"logprobs,omitempty"` FinishReason string `json:"finish_reason,omitempty"`}type ChatCompletionRsp struct { ID string `json:"id"` Object string `json:"object"` Created int `json:"created"` // unix second Model string `json:"model"` Choices []ChatCompletionRspChoiceItem `json:"choices"`}func main() { payload := strings.NewReader(`{ "model": "gpt-3.5-turbo", "messages": [{"role": "user", "content": "大语言生成式模型是如何工作的"}], "max_tokens": 1024, "temperature": 1, "top_p": 1, "n": 1, "stream": true}`) client := &http.Client{} req, _ := http.NewRequest("POST", "https://api.openai.com/v1/chat/completions", payload) req.Header.Add("Content-Type", "application/json") req.Header.Add("Authorization", "Bearer " apiKey) req.Header.Set("Accept", "text/event-stream") req.Header.Set("Cache-Control", "no-cache") req.Header.Set("Connection", "keep-alive") resp, err := client.Do(req) if err != nil { fmt.Println(err) return } defer resp.Body.Close() reader := bufio.NewReader(resp.Body) for { line, err := reader.ReadBytes('n') if err != nil { if err == io.EOF { // 忽略 EOF 错误 break } else { if netErr, ok := err.(net.error); ok && netErr.Timeout() { fmt.Printf("[PostStream] fails to read response body, timeoutn") } else { fmt.Printf("[PostStream] fails to read response body, err=%sn", err) } } break } line = bytes.TrimSuffix(line, []byte{'n'}) line = bytes.TrimPrefix(line, []byte("data: ")) if bytes.Equal(line, []byte("[DONE]")) { break } else if len(line) > 0 { var chatCompletionRsp ChatCompletionRsp if err := json.Unmarshal(line, &chatCompletionRsp); err == nil { fmt.Printf(chatCompletionRsp.Choices[0].Delta["content"]) } else { fmt.Printf("ninvalid line=%sn", line) } } } fmt.Println("the end")}

执行效果如下:

看完client端，我们再看server端。现在我们尝试mock chatgpt server逐字返回一段文字。这里涉及到两个点:

代码如下:

func streamHandler(w http.ResponseWriter, req *http.Request) { w.Header().Set("Connection", "keep-alive") w.Header().Set("Content-Type", "text/event-stream") w.Header().Set("Cache-Control", "no-cache") var chatCompletionRsp ChatCompletionRsp runes := []rune(`大语言生成式模型通常使用深度学习技术，例如循环神经网络（RNN）或变压器（Transformer）来建模语言的概率分布。这些模型接收前面的词汇序列，并利用其内部神经网络结构预测下一个词汇的概率分布。然后，模型将概率最高的词汇作为生成的下一个词汇，并递归地生成一个词汇序列，直到到达最大长度或遇到一个终止符号。在训练过程中，模型通过最大化生成的文本样本的概率分布来学习有效的参数。为了避免模型产生过于平凡的、重复的、无意义的语言，我们通常会引入一些技巧，如dropout、序列扰动等。 大语言生成模型的重要应用包括文本生成、问答系统、机器翻译、对话建模、摘要生成、文本分类等。`) for _, r := range runes { chatCompletionRsp.Choices = []ChatCompletionRspChoiceItem{ {Delta: map[string]string{"content": string(r)}}, } bs, _ := json.Marshal(chatCompletionRsp) line := fmt.Sprintf("data: %sn", bs) fmt.Fprintf(w, line) if f, ok := w.(http.Flusher); ok { f.Flush() } time.Sleep(time.Millisecond * 100) } fmt.Fprintf(w, "data: [DONE]n")}func main() { http.HandleFunc("/stream", streamHandler) http.ListenAndServe(":8088", nil)}

在真实场景中，要返回的数据来源于另一个服务或函数调用，如果这个服务或函数调用返回时间不稳定，可能导致client端长时间收不到消息，所以一般的处理方式是：

为了能够从不同的channel读取数据，select 是一个不错的关键字，比如这段演示代码:

// 声明一个 event channel// 声明一个 time.Tick channel// 声明一个 timeout channelselect {case ev := <-events: // send data eventcase <- timeTick: // send empty eventcase <-timeout: fmt.Fprintf(w, "[Done]nn")}

小结一下

大语言模型生成响应整个结果的过程是比较漫长的，但逐token生成的响应比较快，ChatGPT将这一特性与SSE技术充分结合，一个字一个字地弹出回复，在用户体验上实现了质的提升。

纵观生成式模型，不管是LLAMA/小羊驼 (不能商用)，还是Stable Diffusion/Midjourney。在提供线上服务时，均可利用SSE技术节省提升用户体验，节省服务器资源。