AI 大模型通信机制：流式传输与数据封装逻辑

2. 响应格式：非流式

服务端生成完毕后一次性返回所有数据。

• 缺点： 用户需等待数秒才能看到完整回复，体验较差。

• 结构： 包含 id, choices (回复选项), usage (Token 消耗统计)。

  JSON 示例：

{"id":"chatcmpl-123","object":"chat.completion","choices":[{"index":0,"message":{"role":"assistant","content":"这是一个冒泡排序的实现..."},"finish_reason":"stop"}],"usage":{"prompt_tokens":20,"completion_tokens":100,"total_tokens":120}}

3. 响应格式：流式

这是现代 AI 聊天的核心体验（打字机效果）。基于 SSE (Server-Sent Events) 技术。

• 传输格式： HTTP 连接保持长连接，服务端分块传输数据。

• 数据帧格式： 每一行以 data: 开头，以 \n\n 结尾。

• 增量更新： delta 字段只包含本次新增的几个字符，而不是全量文本。

  原始数据流示例：

data: {"id":"chatcmpl-123","choices":[{"delta":{"content":"这"},"index":0}]} 
data: {"id":"chatcmpl-123","choices":[{"delta":{"content":"是"}}, {"delta":{"content":"一"}}]} 
data: [DONE] <-- 结束标志 

二、流程图分析：从输入到输出

这里分析最常用的流式交互流程，它展示了数据如何在客户端、网关、推理引擎之间流转。

1. 流程逻辑描述

1. 客户端组装数据： 将历史对话和当前输入封装为 JSON。
2. 建立连接： 发送 HTTP POST 请求，Header 设置 Accept: text/event-stream。
3. 网关鉴权与转发： API Gateway 验证 API Key，进行限流，转发至推理服务。
4. 推理引擎处理： LLM 模型逐个 Token 生成内容。
5. 数据分片回传： 每生成一小段文本，立即封装为 SSE 格式推送给客户端。
6. 客户端渲染： 前端接收到 delta 内容，追加到 UI 文本框中。

2. 流程图 (Mermaid 代码表示)

graph TD
    A[客户端] -->|构造 JSON Payload<br/>messages + stream:true| B[HTTP POST /chat/completions]
    B --> C{API Gateway}
    C -->|鉴权 & 限流 | D[推理引擎]
    D -->|Prompt 处理 & Tokenize| E[流式生成 Token]
    E -->|返回数据帧 data: {...}| F[SSE 流推送]
    F -->|实时渲染文字 | A
    E -->|发送 [DONE] 信号 | G[关闭连接]
    G --> H[更新 Token 用量统计]

三、原理架构图分析

数据传输不仅仅是格式问题，更涉及到整个系统的架构设计。AI 聊天工具的架构通常采用控制面与数据面分离的设计。

1. 架构层级说明

• 接入层: 负责 HTTP 请求的接入、SSL 卸载、SSE 连接保持。
• 应用逻辑层: 处理会话管理、历史记录存储、Prompt 拼接。
• 推理引擎层: 真正运行模型的地方，如 vLLM, TensorRT-LLM。这一层通常是高算力节点，不直接对外暴露。
• 数据层: 存储 Vector DB (向量数据库用于 RAG) 和 Redis/SQL (会话历史)。

2. 架构图 (Mermaid 代码表示)

graph LR
    subgraph Client [客户端层]
        Web[Web/App 界面]
    end
    subgraph Access [接入与协议层]
        LB[负载均衡]
        AG[API Gateway<br/>支持 SSE 长连接]
    end
    subgraph Logic [业务逻辑层]
        SM[会话管理服务<br/>上下文拼接]
        RAG[RAG 检索增强服务<br/>向量数据库查询]
        CS[内容安全审核]
    end
    subgraph Engine [模型推理层]
        GPU[GPU 计算集群<br/>PagedAttention/vLLM]
    end
    subgraph Data [数据存储层]
        Redis[Redis 缓存]
        MySQL[MySQL/Mongo 持久化]
        VectorDB[向量数据库]
    end

    Web -->|HTTPS/JSON POST /chat| LB
    LB --> AG
    AG --> SM
    SM --> RAG
    RAG --> CS
    CS --> GPU
    GPU -.-> VectorDB
    SM -.-> Redis
    SM -.-> MySQL

四、关键技术原理深度解析

1. 为什么选择 SSE 而不是 WebSocket？

虽然 WebSocket 是全双工的，但在 AI 聊天场景下，数据主要是单向流动（服务端 -> 客户端）。

• SSE 优势：
  • 基于 HTTP，无需握手升级协议，穿透防火墙能力强。
  • 天然支持断线重连（浏览器自动重连）。
  • 数据格式简单（纯文本），解析效率高。
  • 完美契合 LLM 的'生成即推送'模式。

2. Token 与数据传输的关系

在传输层，我们看到的 JSON 字符串，但在模型计算层，数据是 Token（词元）。

• 原理： 英文通常 1 Token ≈ 4 字符，中文通常 1 Token ≈ 1.5-2 汉字。
• 传输影响： 并非每生成一个 Token 就立即传输一个网络包。为了平衡网络开销和用户体验，服务端通常会设置一个微小的缓冲（例如攒够 2-3 个 Token 或间隔 10ms）再发送一个 TCP 包。这就是为什么有时看到文字是一小段一小段蹦出来的原因。

3. 数据压缩

由于 JSON 是文本格式，且包含大量重复的键名（如 choices, delta, content），在高并发场景下，通常会在 HTTP 层开启 Gzip 或 Brotli 压缩，能将数据体积压缩 60%-80%，显著降低带宽成本。

五、总结

开发或分析 AI 聊天工具时，必须掌握的数据传输核心点如下：

1. 格式标准： 遵循 OpenAI API 的 JSON Schema 结构。
2. 交互模式： 必须支持 stream: true 以提供打字机体验，协议首选 SSE。
3. 数据流转： Client -> API Gateway -> Logic (拼 Prompt) -> Model Engine -> SSE Stream Back。
4. 上下文管理： 客户端发送的 messages 数组通常需要服务端进行裁剪以适应模型的 Context Window（上下文窗口限制）。

这套数据传输体系是目前大模型应用开发的事实标准。