Rakenda voogedastus Pythonis
Sellel lehel
Prototüübist tootmiskeskkonda
Eelmine tund käsitles SSE-voogedastuse kontseptsioone. Raskem osa on alles ees: muuta demo-tsükkel kliendiks, mis peab koormusele vastu, talub võrguvigu ja toidab veebiliidest. See tund järgib projekti tegelikku trajektoori – kõigepealt luustik, seejärel veahaldus, siis asünkroonsus, HTTP-kättesaadavus ja lõpuks mõõtmine.
Põhimuster
Kõik algab sellest kümnest reast koosnevast luustikust, mida kohandad iga projekti jaoks. See teeb korraga kahte asja: kuvab tokenid nende saabumisel ja kogub need funktsiooni tagastusväärtuseks.
from mistralai.client import Mistral
import os
client = Mistral(api_key=os.getenv("MISTRAL_API_KEY"))
def stream_chat(messages: list, model: str = "mistral-large-latest") -> str:
"""Saadab voogedastuse päringu ja kuvab tokenid reaalajas."""
stream = client.chat.stream(
model=model,
messages=messages
)
full_text = ""
for chunk in stream:
content = chunk.data.choices[0].delta.content
if content:
full_text += content
print(content, end="", flush=True)
print() # Uus rida
return full_text
See versioon töötab kohalikus skriptis. Sellel on tootmiskeskkonnas saatuslik viga: see trükib terminali, nii et see ei saa teha muud kui terminalitööd.
Põhjalik veahaldus
Võrguvead, ajalõpud ja kiirusepiirangud ei ole hüpoteetilised: need on reaalse liikluse skaalal kindlad. Allpool olev klient lahendab mõlemad probleemid. See proovib 429 vigu automaatselt uuesti eksponentsiaalse taganemisega (exponential backoff) ja ei trüki enam midagi: see edastab tüübitud sündmusi yield kaudu, jättes väljakutsujale otsustada, mida nendega peale hakata – kuvada need, saata WebSocketi või kirjutada andmebaasi.
from mistralai.client import Mistral
from mistralai.client.errors import SDKError
import os
import time
client = Mistral(api_key=os.getenv("MISTRAL_API_KEY"))
def stream_with_retry(
messages: list,
model: str = "mistral-large-latest",
max_retries: int = 3,
max_tokens: int = 2000
) -> dict:
"""Voogedastus automaatse uuestiproovimise ja meetrikaga."""
for attempt in range(max_retries):
try:
stream = client.chat.stream(
model=model,
messages=messages,
max_tokens=max_tokens
)
full_text = ""
finish_reason = None
chunk_count = 0
for chunk in stream:
delta = chunk.data.choices[0].delta
if delta.content:
full_text += delta.content
chunk_count += 1
yield {"type": "token", "content": delta.content}
if chunk.data.choices[0].finish_reason:
finish_reason = chunk.data.choices[0].finish_reason
yield {
"type": "done",
"full_text": full_text,
"finish_reason": finish_reason,
"chunks": chunk_count
}
return
except SDKError as e:
if e.status_code == 429 and attempt < max_retries - 1:
wait_time = 2 ** attempt # Eksponentsiaalne taganemine
yield {"type": "retry", "wait": wait_time, "attempt": attempt + 1}
time.sleep(wait_time)
else:
yield {"type": "error", "message": str(e), "status": e.status_code}
return
except Exception as e:
yield {"type": "error", "message": str(e), "status": None}
return
Eksponentsiaalne taganemine 2 ** attempt ootab 1 sekundi, siis 2, siis 4. See progressioon ei ole dekoratiivne: kui kõik sinu kliendid prooviksid uuesti sama fikseeritud rütmiga, tabaksid nad API-d sünkroniseeritud lainetena ja pikendaksid just seda küllastumist, mida nad kannatavad. Pane tähele ka, et ainult viga 429 käivitab uuestiproovimise – 401 vea uuestiproovimine kehtetu võtme tõttu lükkaks ainult diagnoosimist edasi.
Väljakutsuja poolel muutub tarbimine lihtsaks sündmuste lugemiseks:
messages = [
{"role": "system", "content": "Oled tehniline assistent."},
{"role": "user", "content": "Selgita disainimustreid Pythonis."}
]
for event in stream_with_retry(messages):
if event["type"] == "token":
print(event["content"], end="", flush=True)
elif event["type"] == "retry":
print(f"\n[Uuestiproovimine {event['attempt']}, ootan {event['wait']}s...]")
elif event["type"] == "done":
print(f"\n\n--- Valmis ({event['chunks']} tükki, {event['finish_reason']})")
elif event["type"] == "error":
print(f"\n[Viga: {event['message']}]")
Asünkroonne voogedastus asyncio-ga
Sünkroonne klient blokeerib oma lõime kogu genereerimise ajaks. Veebiserveris, mis peab haldama viiskümmet samaaegset vestlust, tähendab see viiekümne lõime immobiliseerimist ainult ootamiseks. Asünkroonne klient tõstab selle piirangu:
from mistralai.client import Mistral
import asyncio
import os
client = Mistral(api_key=os.getenv("MISTRAL_API_KEY"))
async def async_stream_chat(messages: list) -> str:
"""Asünkroonne voogedastus samaaegsetele rakendustele."""
stream = await client.chat.stream_async(
model="mistral-large-latest",
messages=messages
)
full_text = ""
async for chunk in stream:
content = chunk.data.choices[0].delta.content
if content:
full_text += content
print(content, end="", flush=True)
print()
return full_text
# Käivitamine
async def main():
messages = [{"role": "user", "content": "Tere, tutvusta ennast."}]
result = await async_stream_chat(messages)
print(f"\nKokku: {len(result)} tähemärki")
asyncio.run(main())
Loogika on identne sünkroonse versiooniga; muutuvad ainult stream_async, await väljakutsel ja async for tsüklis.
Integreerimine FastAPI-ga
Järgmiseks pead saama selle voogu oma Pythoni protsessist brauserisse. FastAPI haldab seda StreamingResponse abil, eeldusel, et vormindad iga fragmendi ümber eelmises tunnis nähtud SSE-vormingusse:
from fastapi import FastAPI
from fastapi.responses import StreamingResponse
from mistralai.client import Mistral
import os
import json
app = FastAPI()
client = Mistral(api_key=os.getenv("MISTRAL_API_KEY"))
async def generate_stream(prompt: str):
"""SSE generaator FastAPI jaoks."""
stream = await client.chat.stream_async(
model="mistral-large-latest",
messages=[{"role": "user", "content": prompt}]
)
async for chunk in stream:
content = chunk.data.choices[0].delta.content
if content:
data = json.dumps({"content": content})
yield f"data: {data}\n\n"
yield "data: [DONE]\n\n"
@app.get("/chat/stream")
async def chat_stream(prompt: str):
return StreamingResponse(
generate_stream(prompt),
media_type="text/event-stream"
)
Kaks detaili määravad, kas see lõpp-punkt töötab õigesti. Topelt-uusrida \n\n, mis lõpetab iga yield-i, on see, mis eraldab sündmusi SSE protokollis: ilma selleta ootab brauser lõpmatult sündmust, mida ta peab lõpetamatuks. Ja media_type="text/event-stream" on see, mis võimaldab JavaScripti kliendil tarbida vastust EventSource abil, mitte tavalise fetch-iga.
Jõudluse mõõtmine
Kui voogedastus on paigas, tahad teada, kuidas see toimib. Optimeerimise juhtimiseks piisab kahest meetrikast:
import time
start = time.perf_counter()
first_token_time = None
token_count = 0
stream = client.chat.stream(
model="mistral-large-latest",
messages=[{"role": "user", "content": "Kirjuta lõik Pariisist."}]
)
for chunk in stream:
if chunk.data.choices[0].delta.content:
if first_token_time is None:
first_token_time = time.perf_counter() - start
token_count += 1
total_time = time.perf_counter() - start
print(f"Aeg esimese tokenini (TTFT): {first_token_time:.3f}s")
print(f"Genereeritud tokenid: {token_count}")
print(f"Koguaeg: {total_time:.3f}s")
print(f"Tokenit sekundis: {token_count / total_time:.1f}")
TTFT (Time to First Token) – aeg päringu saatmisest esimese märgi kuvamiseni – on kasutajakogemuse jaoks kõige olulisem meetrika. See on ülimuslik koguaja suhtes: viieteistsekundiline genereerimine, mille esimene sõna ilmub kolme kümnendiku sekundi jooksul, tundub kiire, samas kui ühes plokis edastatud viiesekundiline genereerimine tundub aeglane. Mõõda seda oma tegelike vihjetega, kaasates süsteemsõnumi – kaheleheküljeline süsteemsõnum pikendab TTFT-d enne, kui esimene token on üldse genereeritud.
Peamised punktid
- Kasuta generaatori mustrit (
yield) voogedastuse tokenite edastamiseks - Rakenda eksponentsiaalne taganemine 429 vigade (kiirusepiirang) korral
- Eelista
stream_async-it samaaegsete veebirakenduste jaoks - Mõõda TTFT-d ja tokenid sekundis jõudluse optimeerimiseks
- FastAPI puhul levitab
StreamingResponse+text/event-streamSSE brauserisse