智能工作流：Spring AI高效批量化提示访问方案

2024-05-11 21:12 由 linkcxt 发表于 #后端开发

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，用于解决科研&开发过程中对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，其他依赖版本可见仓库pom.xml

拟解决的问题

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。
处理速度慢：大量的提示文本需要逐条发送请求，处理速度较慢，影响效率。
结果保存和分析困难：处理完成的结果需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。

解决方案

为了解决上述问题，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:

其中具体包括以下步骤:

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，提高处理效率。
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。
结果保存和管理：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，利用了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创建了一个固定大小的线程池，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。
一个线程任务需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
然后利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所有可用的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

所有信息都与用户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：

在实际应用中，可以根据具体需求对提示文本进行定制和扩展，以满足不同场景下的需求，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=？

最终返回的数据库结果，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。