文章链接：
在前几篇文章中，我们已经了解了如何使用 GPT 模型来搭建一个简单的聊天机器人，并在后端使用私有知识库来提供答案。
现在，我们将继续改进我们的聊天界面，实现类似chatGPT打字机的效果聊天，避免长时间等待接口数据返回，以提升用户体验。
1、效果展示
PS：一本正经的胡说八道
2、Server-Sent Events (SSE) 技术简介
在本篇文章中，我们将使用 SSE 技术来实现打字机效果输出。SSE 是一种 HTML5 技术，允许服务器向客户端推送数据，而不需要客户端主动请求。通过 SSE，我们可以在服务器端有新消息时，实时将消息推送到前端，从而实现动态的聊天效果。
3、前端代码
首先，我们需要编写前端的JavaScript 代码，以便使用 SSE 技术与服务器进行实时通信。
<!DOCTYPE html>
<html>
<head>
<title>ChatGPT-like Interface</title>
<link rel="stylesheet" href="static/styles.css">
</head>
<body>
<div class="chat-container">
<div class="chat-history" id="chatHistory">
<!-- Chat messages will be dynamically added here -->
</div>
<div class="user-input">
<input type="text" id="userInput" placeholder="请输入您的问题...">
<button id="sendButton">发送</button>
</div>
</div>
<script>
// Your existing chat interface code here...
// Server communication code
var eventSource; // Declare the eventSource variable outside the click handler
document.getElementById("sendButton").addEventListener("click", function () {
var userMessage = document.getElementById("userInput").value.trim();
if (userMessage === '') {
alert('Please enter a message!');
return;
}
appendMessage('user', userMessage); // Add the user's message to the chat history
// Close the previous SSE connection (if exists)
if (eventSource) {
eventSource.close();
}
// Establish SSE connection with the user's message as a parameter
eventSource = new EventSource(`/print_stream?question=${encodeURIComponent(userMessage)}`);
eventSource.onmessage = function (event) {
var botMessage = event.data;
appendMessage('bot', botMessage);
};
eventSource.onerror = function (error) {
console.error("Error occurred with SSE connection:", error);
// Handle the error if necessary
isFirstToken = true;
eventSource.close();
};
document.getElementById("userInput").value = '';
});
var chatHistoryDiv = document.getElementById("chatHistory"); // 获取 chatHistory 的元素
var isFirstToken = true; // 用于跟踪是否是第一次返回 token
function appendMessage(sender, message) {
if (isFirstToken) {
// 如果是第一次返回 token，创建新的 <div> 元素，并将 isFirstToken 设置为 false
var messageDiv = document.createElement('div');
messageDiv.className = `chat-message ${sender === 'user' ? 'user-message' : 'bot-message'}`;
chatHistoryDiv.appendChild(messageDiv);
if(sender === 'bot') {
isFirstToken = false;
}
} else {
// 如果不是第一次返回 token，直接获取最后一个 <div> 元素，将新的消息内容追加到现有的元素中
var messageDiv = chatHistoryDiv.lastElementChild;
}
messageDiv.innerText += message; // 将新的消息内容追加到 <div> 中
chatHistoryDiv.scrollTop = chatHistoryDiv.scrollHeight; // 将滚动条滚动到最底部
}
</script>
</body>
</html>
为了实现对话效果，我们需要调整 CSS 样式表中的部分样式。以下是 CSS 样式表：
body {
font-family: Arial, sans-serif;
background-color: #f0f0f0;
margin: 0;
padding: 0;
display: flex;
justify-content: center;
align-items: center;
min-height: 100vh;
}
.chat-container {
width: 800px;
border: 1px solid #ccc;
border-radius: 5px;
box-shadow: 0 2px 6px rgba(0, 0, 0, 0.1);
background-color: #fff;
overflow: hidden;
}
.chat-history {
max-height: 800px;
overflow-y: auto;
padding: 10px;
}
.chat-message {
margin-bottom: 10px;
padding: 8px 12px;
border-radius: 20px;
max-width: 70%; /* 设置最大宽度，使得消息在一行中不会过长 */
align-self: flex-end; /* 靠右显示 */
word-wrap: break-word; /* 处理长文本的自动换行 */
overflow-wrap: break-word; /* 处理长文本的自动换行 */
}
.user-message {
color: #007bff;
background-color: #e6e6e6; /* 用户消息气泡背景色 */
text-align: right; /* 靠右显示文本内容 */
align-self: flex-end; /* 靠右显示气泡 */
margin-left: auto; /* 添加额外的间距，让气泡靠右 */
}
.bot-message {
color: #555;
background-color: #d9edf7; /* 机器人消息气泡背景色 */
text-align: left; /* 靠左显示文本内容 */
align-self: flex-start; /* 靠左显示气泡 */
margin-right: auto; /* 添加额外的间距，让气泡靠左 */
}
.user-input {
display: flex;
align-items: center;
padding: 10px;
}
#userInput {
flex-grow: 1;
padding: 8px;
border: 1px solid #ccc;
border-radius: 5px;
margin-right: 10px;
}
#sendButton {
padding: 8px 15px;
border: none;
border-radius: 5px;
background-color: #007bff;
color: #fff;
cursor: pointer;
}
#sendButton:hover {
background-color: #0056b3;
}
4、后端代码
本文依旧使用的langchain框架实现访问openAI，以及利用回调函数接收token数据。
首先，是API入口：
from flask import Flask, request, Response, stream_with_context
@app.route("/print_stream")
def print_stream():
question = request.args.get('question')
ans = search_schedule(question)
return Response(stream_with_context(ans), content_type='text/event-stream')
其次，是访问openAI代码（不太了解的可以看下前几篇文章）：
def search_schedule(query: str) -> str:
stream_to_web = StreamToWeb()
llm = ChatOpenAI(temperature=0,
model="gpt-3.5-turbo-0613",
callback_manager=CallbackManager([stream_to_web]),
streaming=True
)
bus_tools = [BusTool()]
open_ai_agent = initialize_agent(bus_tools,
llm,
agent=AgentType.OPENAI_FUNCTIONS,
verbose=True)
chain_thread = threading.Thread(target=process_query,
kwargs={"question": query,
"open_ai_agent": open_ai_agent})
chain_thread.start()
resp = stream_to_web.generate_tokens()
return resp
注意：上面调用openai部分代码必须使用异步执行，才能做到一边接收返回token，一边返回前端，否则无法实现打字机效果。
最后，打字机效果核心代码：
class StreamToWeb(StreamingStdOutCallbackHandler):
def __init__(self):
self.tokens = []
# 记得结束后这里置true
self.finish = False
def on_llm_new_token(self, token: str, **kwargs):
self.tokens.append(token)
def on_llm_end(self, response: any, **kwargs: any) -> None:
self.finish = 1
def on_llm_error(self, error: Exception, **kwargs: any) -> None:
print(str(error))
self.tokens.append(str(error))
def generate_tokens(self):
while not self.finish or self.tokens:
if self.tokens:
data = self.tokens.pop(0)
yield f"data: {data}\n\n"
else:
pass
注意：yield f"data: {data}\n\n" ，data是前端接受数据的参数，\n\n在SSE要求中必须添加。
5、总结
通过使用 SSE 技术和打字机样式输出，我们成功改进了聊天机器人的界面，实现了更加动态和流畅的聊天体验。这样的用户界面使得聊天机器人更加接近真实对话，提升了用户体验。