AI对话应用接口开发全解析：同步接口+SSE流式+智能体+前端对接

优质文章学习记录

— 14 min read
AI对话应用接口开发全解析：同步接口+SSE流式+智能体+前端对接

AI对话应用接口开发

我们平时开发的大多数都是同步接口，也就是扥后端处理完再返回。但是对于AI应用，特别是响应时间较长的应用，可能会让用户失去耐心等待，因此推荐使用SSE技术实现实时流式输出，类似打字机效果，大幅度提升用户体验

开发AI对话同步接口

接下来我们先开发AI同步接口，对比学习。首先我们编写一个与"科泰旅游大师"对话的接口，使用常规同步的方式获得对话结果。

在controller包中新建ChatWithAIController,如下图所示：

编写同步接口：

 @RestController @RequestMapping("/ai") public class ChatWithAIController { // 注入TravelApp实例 @Resource private TravelApp travelApp; /* * 前端可以通过此方法获得一个ID * */ @GetMapping("/chat/new") public String newChat(){ return UUID.randomUUID().toString(); } // 与AI聊天（同步） @GetMapping("/chat/travel/sync") public String chat(String chatId,String message){ return travelApp.chat(chatId,message); } }

通过/chat/new接口，让前端利用UUID生成会话ID，避免A用户能够通过猜测会话ID获取用户B的信息

同步接口代码也非常简单，直接使用注入的TravelApp实例对用户的问题进行回复

测试同步接口

启动springBoot项目，浏览器打开Swagger页面测试

浏览器打开http://localhost:8080/api/doc.html

获取到ChatId后测试/api/ai/chat/travel/sync时会出现很长的时间进度提示

开发AI对话SSE流式接口

Server-Sent Events（SSE，服务器推送事件）

SSE 是 HTML5 定义的基于 HTTP 的单向实时数据推送技术，客户端通过EventSource API 发起长连接，服务器以文本流持续推送事件，适配实时通知、行情更新等场景。

  1. 核心特性
    • 单向通信：仅服务器向客户端推送数据，客户端反馈需另发 HTTP 请求。
    • HTTP 原生支持：基于 HTTP/1.1 分块传输编码，无需协议升级，易穿透代理与防火墙。
    • 自动重连：浏览器内置重连机制，默认 3 秒重试，可通过retry字段自定义。
    • 轻量协议：文本流格式，支持data、event、id、retry等字段，开销低。
  2. 应用场景：实时通知、股票行情、系统日志流、进度更新、IoT 状态推送等单向推送场景。

让TravelApp应用支持流式输出

要让接口支持流式输出，首先我们的TravelApp也不能使用同步的call()+chatResponse()方法返回String类型的全部内容

需要使用到Flux响应式对象进行异步操作。在TravelApp类增加一个StreamChat方法，（SpringAI系列的文章都是围绕一个项目写没有的内容在前面几期）

 /* * 与AI大模型流式对话接口 * @param chatId 会话ID * @param message 用户输入 * @return AI模型返回结果 * */ public Flux<String> streamChat(String chatId, String message){ FunctionCallback[] mcpTools = toolCallbackProvider.getToolCallbacks(); Flux<String> result = chatClient.prompt() .user(message) .advisors(spec -> spec .param(CHAT_MEMORY_CONVERSATION_ID_KEY,chatId) .param(CHAT_MEMORY_RETRIEVE_SIZE_KEY,10) ) .tools(aiTools) .tools(McpToolCallbackProxy.proxyAll(mcpTools)) .toolContext(Map.of("chatId",chatId)) .stream().content(); // log.info("chatResponse: {}",chatResponse); return result; }

实现SSE流式接口

实现流式接口一共有三种方式

1.直接返回Flux对象，但是必须添加SSE对应的MediaType

修改ChatWithAIController,增加方法chatWithTravelAppSEE_Flux:

 /* * SSE实现方式一：使用Flux * 必须设置produces为MediaType.TEXT_EVENT_STREAM_VALUE * */ @GetMapping(value = "/chat/travel/sse/flux",produces = MediaType.TEXT_EVENT_STREAM_VALUE) public Flux<String> chatWithTravelAppSEE_Flux(String chatId, String message){ return travelApp.streamChat(chatId,message); }

2.返回Flux对象，并设置泛型为ServerSentEvent

这种方式可省略MediaType的设置，但是要对String进行转化

 /* * SSE实现方式二：使用ServerSentEvent泛型 * */ @GetMapping("/chat/travel/sse/generic") public Flux<ServerSentEvent<String>> chatWithTravelAppSEE_Generic(String chatId, String message){ return travelApp.streamChat(chatId,message) .map(result -> ServerSentEvent.builder(result).build()); }

3.使用SseEmiter类型，通过send方法持续向SseEmiter对象发送消息，这种方式代码会稍微大一些，但是通用性和可控制性更强

 // 实现方式三使用SseEmitter @GetMapping("/chat/travel/sse/emitter") public SseEmitter chatWithTravelAppSEE_Emitter(String chatId, String message){ // 创建SseEmitter对象,设置超时时间为5分钟 SseEmitter emitter = new SseEmitter(300000L); // 订阅流 travelApp.streamChat(chatId,message).subscribe( result -> { try { // 发送数据 emitter.send(result); } catch (Exception e) { emitter.completeWithError(e); } }, // 错误处理 error -> emitter.completeWithError(error), () -> emitter.complete() ); return emitter; }

AI智能体应用接口开发

改造智能体支持流式运行

那么首先类似于TravelApp增加流式对话StreamChat(),我们也需要改造智能体BaseAgent增加支持流式运行的streamRun()方法：

 /* * 增加流式输出的运行方法 * @param userPrompt 用户输入 * @return SseEmitter * */ public SseEmitter streamRun(String userPrompt){ SseEmitter emitter = new SseEmitter(300000L); //使用异步线程处理，避免线程阻塞 CompletableFuture.runAsync(() -> { try{ if (this.state != AgentState.IDLE){ emitter.send("当前Agent正在运行中，请勿重复运行！"); emitter.complete(); return; } if (StrUtil.isBlank(userPrompt)){ emitter.send("请输入用户提示词！"); emitter.complete(); return; } // 添加用户输入 chatMemory.add(chatId,new UserMessage(userPrompt)); this.state = AgentState.RUNNING; try{ for (int i = 0; i < maxSteps && state != AgentState.FINISHED; i++) { currentStep = i + 1; log.info("开始执行第{}步...",currentStep); String result = "Step " + currentStep + ": " + step(); emitter.send(result); } if(currentStep >= maxSteps){ state = AgentState.FINISHED; emitter.send("已执行最大步骤数，任务结束！,最大步数为"+maxSteps); } // 正常完成 emitter.complete(); } catch (IOException e) { state = AgentState.ERROR; try{ emitter.send("执行出错，请检查！"); emitter.complete(); } catch (IOException ex) { throw new RuntimeException(ex); } }finally { cleanResources(); } } catch (IOException e) { emitter.completeWithError(e); } }); // 设置超时回调 emitter.onTimeout(() -> { this.state = AgentState.ERROR; this.cleanResources(); log.warn("SSE连接超时，会话ID: {}", chatId); }); // 设置完成回调 emitter.onCompletion(() -> { if(state == AgentState.RUNNING){ this.state = AgentState.FINISHED; } this.cleanResources(); log.debug("SSE连接完成，会话ID: {}", chatId); }); return emitter; }

上述代码看上去很复杂，但是大部分都是在原有run方法上改造，将结果信息交给SseEmitter通过send方法推送

添加智能体异步接口

有了异步运行的方法，我们就可以添加智能体接口了，修改ChatWithAIController
式调用 ktTravelManus 智能体的接口，

 @Resource private ToolCallback[] toolCallbacks; @Resource private ChatModel dashscopeChatModel; /* * 流式调用智能体 * @param message * @return * */ @GetMapping("/chat/manus/sse") public SseEmitter chatWithManus(String message){ TravelManus travelManus = new TravelManus(toolCallbacks,dashscopeChatModel); travelManus.setMaxSteps(20); return travelManus.streamRun(message); }

为了保证每次请求都是一个新的TravelManus实例，我们通过自己new 来创建，那么构造函数必要的工具列表aiTools 和dashscopeChatModel对象就需要注入进来
当然我们也可以直接注入 TravelManus，然后 Controller 添加@Scope 注解值为request，这样每次请求都会创建一个新的控制器，由于KtTravelManus 的@Scope是prototype，也会注入一个新的KtTravelManus 实例。

测试智能体接口

使用ApiPost测试

重启SpringBoott项目在，ApiPost中新增如下接口测试

接口链接：http://localhost:8080/api/ai/chat/manus/sse

参考参数：message=我想在长沙旅游三天预算3000,帮我规划旅程，并安排附近公里的酒店，并生成PDF

前端项目的生成和对接

由于我们这个项目不需要复杂的前端页面，我们可以使用AI编程工具来快速生成前端代码，极大提高开发效率

创建前端项目

(写这个项目需要具备前端的一些基础知识)在vscode打开终端，输入npm create vite@latest使用vite去创建一个最新的vue版本的项目

接着我们编写提示词给AI编程工具

参考提示词

你是一位专业的前端开发，请帮我根据下列信息来生成对应的前端项目代码。#需求
1、提供主页:可以切换不同应用(考虑页面样式美观，操作流畅)
2、页面1:AI旅游大师应用。页面风格为聊天室，仿Deepseek等AI聊天界面,首次运行创建新会话，每次创建新会话调用后端newChat接口获得新的聊天ID，老的会话可以通过列表保留(仅界面支持，后端暂不支持返回会话列表)。聊天室内通过SSE的方式调用chatwithTravelAppsSE Flux接口，实时显示对话内容。
3、页面2:AI旅游智能体应用。页面风格同页面1，但不保留历史会话，调用chathithManus接口，实时显示对话内容，按Step x:的格式分割气泡展示步骤(x为步骤数字值)
###技术选型
1.Vue3+ ElementPlus布局
2.Axios请求库
## 后端接口信息
接口地址前缀:http://localhost:8080/api
# SpringBoot 后端接口代码
与AI聊天的控制器
@RestController
@RequestMapping("/ai")
public class ChatWithAIController {
    // 注入TravelApp实例
    @Resource
    private TravelApp travelApp;

    @Resource
    private ToolCallback[] aiTools;

    @Resource
    private ChatModel dashscopeChatModel;

    /*
    * 流式调用智能体
    * @param message
    * @return
    * */
    @GetMapping("/chat/manus/sse")
    public SseEmitter chatWithManus(String message){
        TravelManus travelManus = new TravelManus(aiTools,dashscopeChatModel);
        travelManus.setMaxSteps(20);
        return travelManus.streamRun(message);
    }

    /*
    * 前端可以通过此方法获得一个ID
    * */
    @GetMapping("/chat/new")
    public String newChat(){
        return UUID.randomUUID().toString();
    }

    /*
     * SSE实现方式一：使用Flux
     * 必须设置produces为MediaType.TEXT_EVENT_STREAM_VALUE
     * */
    @GetMapping(value = "/chat/travel/sse/flux",produces = MediaType.TEXT_EVENT_STREAM_VALUE)
    public Flux<String> chatWithTravelAppSEE_Flux(String chatId, String message){
        return travelApp.streamChat(chatId,message);
    }

然后把提示词发送给AI后他会根据我们提示词生成一个页面

页面如果觉得不好看可以按照想法去修改

但是在我们运行过程中会有一个错误返回，会话创建失败，然后我们端口控制台可以看到是一个跨域错误

使用CorsConfig配置跨域

在我们后端项目的config包中新建CorsConfig

 @Configuration public class CorsConfig implements WebMvcConfigurer { @Override public void addCorsMappings(CorsRegistry registry) { registry.addMapping("/**") .allowCredentials(true) .allowedOriginPatterns("*") .allowedMethods("GET", "POST", "PUT", "DELETE", "OPTIONS") .allowedHeaders("*") .allowCredentials(true) .exposedHeaders("*"); } }

配置完成后我们再次重启后端项目，测试是否可以正常运行了

如下图所示，会话创建成功，并且给出了正确的回复

优化项目展示最终结果

优化工具提示词

        由于工具的使用由AI决定，如果它胡乱使用就可能会出现一些异常，例如原本有图片搜索工具，它却选择去使用“网页爬取工具”去爬取百度图片搜索结果，导致读取的页面数据得到大量乱码(可能百度做了技术防护)。

        另外还有一个问题，就是我们仅仅告知了最大执行步骤，并未告知大模型目前在第几步，大模型由于上下文限制，可能会忘记自己现在做到第几步了，我们也可以在提示词中再次提示它。
        我们修改一下 KtTravelManus 智能体的 NEXT_STEP_PROMPT 提示词，把这两个问题一起解决一些，看下情况是否能够改善。

根据用户需求，主动选择最合适的工具或工具组合。对于复杂的任务， 你可以将问题分解开来，然后分步骤使用不同的工具来解决它。你应该尽量在 %d 个步骤内完成任务，否则任务将可能提前结束， 当前已经是第 %d 步。在使用每种工具之后，要清晰地说明执行结果，并提出下一步的建议。如果您想在任何时刻终止这种交互， 请使用 “终止” 工具 / 函数调用重要的选择工具规则： 搜索和爬取1、图片搜索只能使用 searchImage 工具，不允许通过 searchWeb 和 scrapeWebContent 工具 2、如果需要搜索信息，请使用 searchWeb 工具，不允许使用 scrapeWebContent工具 3、如果需要爬取信息，请使用 scrapeWebContent 工具，不允许使用 searchWeb 工具 4、如果需要地理位置信息，请使用高德地图相关工具 5、如果需要图文并茂的 PDF，先下载图片，并使用 Markdown 格式引用相对路径的图片地址，再传递此Markdown 内容，使用 generatePdf 工具生成 6、如果用户要求提供文件，在最终响应时提供生成文件的下载链接（A 标签）

智能体注册全部工具

        如果想要给智能体用所有工具，那么我们就需要合并本地工具和 MCP工具提供给KtTravelManus 的构造函数。
修改 ChatWithAIController

 // 合并工具 private ToolCallback[] mergeAiTools() { // 注意到进行代理，避免MCP工具出现ToolContext问题 FunctionCallback[] mcpFunctionCallbacks = McpToolCallbackProxy.proxyAll(toolCallbackProvider.getToolCallbacks()); // 转化为ToolCallBack数组 ToolCallback[] mcpToolCallbacks = Arrays.stream(mcpFunctionCallbacks) .map(tool -> (ToolCallback)tool).toArray(ToolCallback[]::new); // 合并本地工具和MCP工具 ToolCallback[] allTools = ArrayUtil.addAll(aiTools,mcpToolCallbacks); return allTools; }

让最终结果展示

因为我们只发送了步骤信息，最终结果信息并没有发送，所以我们需要改造BaseAgent，在最终完成状态时，发送最后一次的AI消息。

修改BaseAgent代码

对应代码

 // 完成之前获取最后一次有效的AI响应并发送 if(state == AgentState.FINISHED){ String finalAiResponse = getLastValidAiResponse(); // 发送最终响应给前端 if(StrUtil.isNotBlank(finalAiResponse)){ emitter.send("\n=== 智能体最终响应 ==="); emitter.send(finalAiResponse); emitter.send("\n=== 智能体最终响应结束 ==="); } }
 /** * @return 最后一次 AI 的有效响应文本，如果没有则返回空字符串 */ protected String getLastValidAiResponse() { // 获取所有消息 List<Message> messageList = chatMemory.get(this.chatId, Integer.MAX_VALUE); // 如果消息为空，则最后的响应也为空 if (messageList == null || messageList.isEmpty()) { return ""; } // 从后往前遍历消息列表，查找最后一个助手消息 for (int i = messageList.size() - 1; i >= 0; i--) { Message message = messageList.get(i); // 获取最后一条助手消息 if (message instanceof AssistantMessage) { AssistantMessage assistantMessage = (AssistantMessage) message; String content = assistantMessage.getText(); // 返回非空的助手消息内容 if (StrUtil.isNotBlank(content)) { log.info("Final response: {}", content); return content; } } } return "智能体未返回最终响应"; }

注意后端数据发送逻辑

  • 先通过getLastValidAiResponse()方法获取到最后一次的助理消息
  • 然后通过emitter.send("\n=== 智能体最终响应===");发送了响应开始标识，这需要前端代码的支持。
  • 然后发送响应内容 emitter.send(finalAiResponse);
  • 最后发送结束符号emitter.send("=== 响应结束===");

Read more

LangBot：企业级即时通讯 AI 机器人平台 介绍篇

LangBot：企业级即时通讯 AI 机器人平台 介绍篇

LangBot：企业级即时通讯 AI 机器人平台 介绍篇 “专为企业打造的即时通讯 AI 机器人平台，无缝集成飞书（Lark）、钉钉、企业微信等企业通讯工具，与 Dify 等 AI 应用平台深度整合，让企业 AI 应用快速落地。” LangBot项目地址LangBot项目官网LangBot项目社区我的博客LangBot项目文档 LangBot是一款专为企业设计的开源 AI 机器人平台，立项于 2021 年中旬。它专注于帮助企业将 AI 能力无缝集成到现有的工作流程中，特别针对使用飞书（Lark）和 Dify 的企业用户，提供了完整的解决方案，让企业能够快速部署智能客服、知识库助手、工作流自动化等 AI 应用。 为什么企业选择 LangBot？ 🏢 企业级功能设计 LangBot 从设计之初就考虑了企业级应用的需求，提供了完整的企业级功能： * 企业级安全：支持 SSO、

带可二次开发的管理配置端 + 非低代码 + 原生支持标准化 Skill框架选择

「带可二次开发的管理配置端 + 非低代码 + 原生支持标准化 Skill」的开源 Agent 框架，筛选 3款完全匹配的框架（均为代码级可扩展、自带 Skill 管理后台、支持 SKILL.md/MCP 标准），附核心特性、二次开发要点和部署步骤，都是企业级/开发者友好的选型： 一、首选：LangGraph + LangServe（LangChain 官方生态，Python 栈，极致可扩展） 核心定位 LangChain 官方推出的「Agent 编排 + 服务化」框架，自带可二次开发的 Skill/Tool 管理后台（LangServe Dashboard），纯代码开发、无低代码封装，是 Python 生态的最佳选择。 关键特性
AstrBot+NapCat 一键部署 5 分钟搞定智能 QQ 机器人！cpolar解决公网访问 ：cpolar 内网穿透实验室第 777 个成功挑战

AstrBot+NapCat 一键部署 5 分钟搞定智能 QQ 机器人！cpolar解决公网访问 ：cpolar 内网穿透实验室第 777 个成功挑战

这篇教程会带你用最简单的方式:**只用一份 docker-compose,一次命令,5 分钟以内完成 AstrBot + NapCat 部署,把 DeepSeekAI 接入你的 QQ。**AstrBot 本身就是为 AI 而生的现代化机器人框架,插件丰富、支持 DeepSeek/OpenAI 等大模型、带 WebUI、可扩展性强,真正做到"搭好就能用"。照着做,你马上就能拥有属于自己的 QQ AI 机器人。 1 项目介绍 1.1 AstrBot是什么？ GitHub 仓库：https://github.com/AstrBotDevs/AstrBot AstrBot 是一个专为 AI 大模型设计的开源聊天机器人框架，

Pico无线串流SteamVR全攻略：从安装到畅玩的完整指南

1. 准备工作：软件安装与环境配置 想要用Pico设备无线串流SteamVR游戏，首先得把必要的软件都安装好。我刚开始折腾的时候也走了不少弯路，现在把最稳妥的安装方案分享给大家。 核心软件清单： * Pico串流助手：这是连接Pico设备和PC的桥梁，分为电脑端和头戴端两个版本 * Steam客户端：Valve的游戏平台，必须安装 * SteamVR：Steam的VR运行时环境 * 87VR游戏大厅（可选）：国内玩家常用的VR游戏平台 安装顺序很重要，建议按照这个步骤来： 1. 先去Pico官网下载最新版的串流助手，电脑端和头戴端都要装 2. 安装Steam客户端，建议装在SSD硬盘上，加载速度会快很多 3. 在Steam商店搜索安装SteamVR 4. 如果需要使用87VR平台，可以最后安装 这里有个小技巧：安装SteamVR时，记得把下载区域改成离你最近的服务器。我在北京就选"北京"，下载速度直接从2MB/s飙到10MB/s。安装完成后，建议重启一次电脑，确保所有驱动都加载正常。 2. 网络环境优化设置 无线串流对网络要求很高，我测试过不同网络环境