Implementácia streamingu v Pythone
Na tejto strane
Od prototypu k produkcii
Predchádzajúca lekcia pokryla koncepty streamingu cez SSE. To ťažšie však ešte len príde: premeniť demonštračnú slučku na klienta, ktorý zvládne záťaž, prežije chyby siete a napája webové rozhranie. Táto lekcia sleduje skutočný vývoj projektu – najprv kostra, potom ošetrenie chýb, následne asynchronnosť, vystavenie cez HTTP a nakoniec meranie.
Základný vzor
Všetko začína touto desaťriadkovou kostrou, ktorú prispôsobíš pre každý projekt. Robí dve veci naraz: zobrazuje tokeny, ako prichádzajú, a zároveň ich akumuluje pre návratovú hodnotu funkcie.
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:
"""Odošle streamingovú požiadavku a zobrazí tokeny v reálnom čase."""
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() # Nový riadok
return full_text
Táto verzia funguje pre lokálny skript. Má však fatálnu chybu pre produkciu: vypisuje do terminálu, takže nedokáže robiť nič iné než terminálovú prácu.
Komplexné ošetrenie chýb
Chyby siete, časové limity a obmedzenia rýchlosti (rate limits) nie sú hypotetické scenáre: pri reálnej prevádzke sú istotou. Nižšie uvedený klient rieši oba problémy. Automaticky opakuje chyby 429 s exponenciálnym oneskorením (backoff) a už nič nevypisuje: namiesto toho vysiela typované udalosti cez yield a necháva na volajúcom, čo s nimi urobí – či ich zobrazí, pošle cez WebSocket, alebo zapíše do databázy.
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:
"""Streaming s automatickým opakovaním a metrikami."""
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 # Exponenciálne oneskorenie
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
Exponenciálne oneskorenie 2 ** attempt čaká 1 sekundu, potom 2, potom 4. Tento postup nie je len ozdobný: keby všetci tvoji klienti skúšali znova v rovnakom pevnom rytme, trafili by API synchronizovanými nárazmi a predĺžili by práve to presýtenie, ktorým trpia. Všimni si tiež, že iba chyba 429 spúšťa opakovanie – opakovanie chyby 401 spôsobenej neplatným kľúčom by len oddialilo diagnostiku.
Na strane volajúceho sa spotreba stáva jednoduchým čítaním udalostí:
messages = [
{"role": "system", "content": "You are a technical assistant."},
{"role": "user", "content": "Explain design patterns in Python."}
]
for event in stream_with_retry(messages):
if event["type"] == "token":
print(event["content"], end="", flush=True)
elif event["type"] == "retry":
print(f"\n[Opakujem {event['attempt']}, čakám {event['wait']}s...]")
elif event["type"] == "done":
print(f"\n\n--- Hotovo ({event['chunks']} chunkov, {event['finish_reason']})")
elif event["type"] == "error":
print(f"\n[Chyba: {event['message']}]")
Asynchrónny streaming s asyncio
Synchronný klient blokuje svoje vlákno počas celej generácie. Na webovom serveri, ktorý musí obsluhovať päťdesiat simultánnych konverzácií, to znamená imobilizovať päťdesiat vlákien len čakáním. Asynchrónny klient toto obmedzenie odstraňuje:
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:
"""Asynchrónny streaming pre konkurentné aplikácie."""
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
# Spustenie
async def main():
messages = [{"role": "user", "content": "Hello, introduce yourself."}]
result = await async_stream_chat(messages)
print(f"\nCelkom: {len(result)} znakov")
asyncio.run(main())
Logika je totožná so synchronnou verziou; menia sa len stream_async, await pri volaní a async for v slučke.
Integrácia s FastAPI
Ďalej potrebuješ dostať tento stream z tvojho Python procesu do prehliadača. FastAPI to zvláda pomocou StreamingResponse, za predpokladu, že každý fragment preformátuješ do formátu SSE, ktorý sme videli v predchádzajúcej lekcii:
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 generátor pre FastAPI."""
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"
)
Dva detaily rozhodujú o tom, či tento endpoint funguje správne. Dvojité nové riadky \n\n, ktoré ukončujú každé yield, sú tým, čo oddeľuje udalosti v protokole SSE: bez nich by prehliadač čakal donekonečna na udalosť, ktorú považuje za nedokončenú. A media_type="text/event-stream" je to, čo umožňuje JavaScript klientovi spracovať odpoveď pomocou EventSource namiesto štandardného fetch.
Meranie výkonu
Akonáhle máš streaming hotový, budeš chcieť vedieť, ako si vedie. Na riadenie optimalizácie stačia dve metriky:
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": "Write a paragraph about Paris."}]
)
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"Time to First Token (TTFT): {first_token_time:.3f}s")
print(f"Vygenerované tokeny: {token_count}")
print(f"Celkový čas: {total_time:.3f}s")
print(f"Tokeny za sekundu: {token_count / total_time:.1f}")
TTFT (Time to First Token) – čas medzi odoslaním požiadavky a zobrazením prvého znaku – je najdôležitejšou metrikou pre používateľskú skúsenosť. Má prednosť pred celkovým časom: generácia trvajúca pätnásť sekúnd, ktorej prvé slovo sa objaví za tri desatiny sekundy, bude pôsobiť rýchlo, zatiaľ čo päťsekundová generácia doručená v jednom bloku bude pôsobiť pomaly. Meraj ju na svojich reálnych promptoch vrátane systémovej správy – dvojstranová systémová správa predlžuje TTFT ešte predtým, než sa vygeneruje prvý token.
Kľúčové poznatky
- Použi vzor generátora (
yield) na propagáciu streamingových tokenov - Implementuj exponenciálne oneskorenie pre chyby 429 (obmedzenie rýchlosti)
- Pre konkurentné webové aplikácie uprednostni
stream_async - Na optimalizáciu výkonu meraj TTFT a tokeny za sekundu
- S FastAPI kombinácia
StreamingResponse+text/event-streampropaguje SSE do prehliadača