- 综合排序
- 最热优先
- 最新优先
- 来自专栏王磊的博客
干货：DeepSeek+SpringAI实现流式对话！
，但是大模型的响应速度通常是很慢的，为了避免用户用户能够耐心等待输出的结果，我们通常会使用流式输出一点点将结果输出给用户。 那么问题来了，想要实现流式结果输出，后端和前端要如何配合？ 后端要使用什么技术实现流式输出呢？ ，适合单向实时数据流，我们使用 Spring MVC（基于 Servlet）中的 SseEmitter 对象来实现流式输出。 DOCTYPE html> <html> <head> <title>流式输出示例</title> </head> <body>
流式数据接收演示
在浏览器中访问地址 http://localhost:8080/index.html，即可看到流式输出的内容逐渐显示在页面上。2.2K10编辑于 2025-02-14 - 来自专栏h5
原创自研Flutter3.41+Dio+WindowManager打造桌面版AI问答系统
基于flutter3.41.5+get+dio+window_manager对接deepseek-chat实战客户端ai流式会话系统。 widget.child, ), ), ], ), ), ], ), ),);flutter3 -ai对话编辑框return Container( width: double.infinity, padding: EdgeInsets.symmetric(vertical: 10.0), child chatStore.historySession : [{'role': 'user', 'content': editorValue}], // deepseek-chat对话模型 deepseek-reasoner 跨端ai应用vite7.2-deepseek流式ai对话|vue3.5+vant4+katex+mermaid智能ai打字会话最新实战Vite7.3+Tauri2.10深度集成DeepSeek桌面端AI
32700编辑于 2026-04-15 - 来自专栏h5
基于uniapp+deepseek+vue3跨平台ai流式对话
基于uniapp+vue3集成deepseek-v3实战跨端流式输出AI对话系统。支持暗黑+亮色模式、代码高亮、本地会话存储等功能。支持编译到小程序+h5+app端。 this.historySession : [{role: 'user', content: editorValue}], model: 'deepseek-chat', // deepseek-chat对话模型 deepseek-reasoner推理模型 stream: true, // 流式输出 max_tokens: 8192, // 限制一次请求中模型生成 completion this.historySession : [{role: 'user', content: editorValue}], model: 'deepseek-chat', // deepseek-chat对话模型 endifelectron35+deepseek桌面端ai模板：https://cloud.tencent.com/developer/article/2514843vue3.5+deepseek网页版ai流式对话
2.8K22编辑于 2025-05-06 - 来自专栏h5
基于Flutter3.32+DeepSeek电脑端AI流式对话程序
Color(0xFF4F6BFE).withAlpha(100) : Color(0xFF4F6BFE)), padding: WidgetStateProperty.all dio插件来请求deepseek api接口，实现流式对话功能。 token 数(默认使用 4096) 'temperature': 0.4, // 严谨采样 越低越严谨(默认1) });基于uniapp+deepseek+vue3跨平台ai流式对话：https 2518214electron35+deepseek桌面端ai模板：https://cloud.tencent.com/developer/article/2514843vue3.5+deepseek网页版ai流式对话 ：https://cloud.tencent.com/developer/article/2508594DeepSeek-Vue3基于vite6+vant4仿deepseek/Kimi流式AI聊天小助手
75831编辑于 2025-06-07 - 来自专栏大前端修炼手册
Android 接入 LLM API 的工程实践：从选型到流式对话
这样才真正做到逐 token 流式输出。 ⚠️ 注意：OkHttpClient 的 readTimeout 默认 10 秒，流式请求会被截断。 ViewModel 层：状态管理不要偷懒 流式输出接进来之后，UI 层怎么消费是个问题。 多轮对话的时候，每次请求都要把完整历史 messages 带上——这意味着对话越长，每次请求的输入 Token 就越多。 对 Android 工程师来说，这意味着 AI 功能不能只是接上 API 就完事，上下文记忆、个性化、连贯的多轮对话，这些工程细节才是真正区分产品体验的地方。 整体架构回顾 把上面的东西串起来，整体分层大概是这样： • UI 层（Composable）：订阅 StateFlow，展示消息列表和流式气泡，处理用户输入 • ViewModel：维护对话状态，管理流式
84210编辑于 2026-04-02 HarmonyOS NEXT 实战：基于 ArkTS 与 DeepSeek API 构建流式对话助手
HarmonyOS NEXT 实战：基于 ArkTS 与 DeepSeek API 构建流式对话助手不同于调用现成SDK，本文将手写原生网络层、解析SSE数据流，并利用ArkUI状态管理实现“打字机”效果 网络层核心实现：手写SSE流式解析器HarmonyOS的http模块提供了onDataReceive回调，这是我们实现流式的关键。难点在于分片数据可能截断JSON，必须维护buffer进行粘包处理。 string = ''; // 用于处理不完整的消息块 constructor() { this.httpRequest = http.createHttp(); } /** * 发起流式对话请求 上下文长度超限：DeepSeek上下文高达64K，但若对话轮次过多，需实现滑动窗口。可在发送前计算messages中content总长度，截断最早的user/assistant对话。 适配折叠屏，实现对话+文档双栏预览。
29910编辑于 2026-08-09- 来自专栏KisFlow-Golang流式计算框架
Golang框架实战-KisFlow流式计算框架(6)-Connector
(6) 执行Connector Call方法kis-flow/kis/pool.go// CallConnector 调度 Connectorfunc (pool *kisPool) CallConnector Function与Connector关联kis-flow/kis/function.gopackage kisimport ("context""kis-flow/config")// Function 流式计算基础计算模块 ，KisFunction是一条流式计算的基本计算逻辑单元，// 任意个KisFunction可以组合成一个KisFlowtype Function interface {// Call 执行流式计算逻辑 创建一个KisFlow对象flow1 := flow.NewKisFlow(myFlowConfig1)// 6. , row = This is Data1 from TestIn FuncName = funcName1, FuncId = func-f594da0e28da417db6b15ce9c9530f84
42710编辑于 2024-06-06 - 来自专栏h5
flutter3.32对接deepseek桌面端ai流式对话Exe
2025原创跨平台AI系统Flutter3.32+Dart3.8+Getx+Dio接入DeepSeek-v3搭建客户端流式ai对话模板。支持代码高亮、上下文多轮会话、本地存储对话等功能。 项目特色支持侧边栏收缩/展开支持上下文多轮对话、代码高亮、本地存储会话支持代码块横向滚动、复制代码功能支持图片100%宽度渲染、在线图片预览支持网络链接跳转、表格功能采用自定义无边框窗口、托盘图标项目结构目录基于
33910编辑于 2025-06-05 - 来自专栏Spring AI 进阶之路
Spring AI 进阶之路02：集成SSE实现AI对话的流式响应
在AI对话的场景里，我们问完问题后，只需要静静地听AI把答案一个字一个字“说”出来就行了。AI并不需要中途再听我们说什么。所以，更轻量、更简单的SSE，就是我们这个场景下的完美选择。 head><metacharset="UTF-8"><metaname="viewport"content="width=device-width,initial-scale=1.0"><title>SSE流式对话 padding:12px18px;border-radius:18px;max-width:75%;line-height:1.5;}.user-message{background-color:#dcf8c6; 这个过程中，我们：深入理解了SSE技术：它简单、轻量，特别适合服务器向客户端的单向数据推送场景掌握了SpringAI的流式API：通过stream()方法获取响应流，配合响应式编程实现非阻塞处理实现了完整的流式对话系统 ：从后端的SSE管理、流式处理，到前端的实时渲染，构建了一个完整的解决方案流式响应不仅仅是一个技术特性，更是提升用户体验的关键要素。
1.7K02编辑于 2025-11-25 - 来自专栏Spring系列实战
SpringAI 接入混元大模型:流式对话与历史持久化实战
摘要:本文基于SpringBoot3.x+SpringAI1.0,通过OpenAI兼容接口接入腾讯混元大模型,从零搭建企业智能客服的首个流式对话接口。 包含混元API配置、ChatClient调用、SSE流式响应、CDBMySQL对话历史持久化、CLS日志接入的完整链路,附3个新手踩坑案例。 四、流式对话:SSE接口实现客服场景对首响时间极其敏感。同步调用混元要等整句生成,首响3-5秒;流式调用逐Token返回,首响200ms就能开始输出,用户感知"秒回"。 这是流式对话的完整闭环。 }}}returnreplyText;}五、对话历史持久化:CDBMySQL存储流式对话解决了"快"的问题,但客服场景需要"记"——用户关掉会话再打开,历史对话要还在。
41510编辑于 2026-08-12 SSE 长连接复用优化：流式对话并发连接数降低 60%
2026年，流式对话成为大模型交互核心形态，SSE（Server-SentEvents）因轻量、兼容HTTP、易穿透防火墙，成为聚合API流式输出的主流协议。 一、SSE长连接复用核心原理与架构1.1传统SSE架构痛点传统SSE为单会话单连接模式：每轮流式对话建立独立长连接，会话结束后连接关闭或闲置。 浏览器限制：HTTP/1.1下同域名SSE连接数限制为6，多标签页场景阻塞严重。 ）15%≤50ms无（HTTP/2多路复用）二、性能实测数据：连接数、延迟、稳定性2.1测试环境负载：1万并发流式对话（每会话5轮交互，单轮平均100token）基线：传统SSE（单会话单连接）对比：复用优化 四、总结SSE长连接复用是聚合API流式对话性能优化的核心技术，通过会话绑定、多路复用、连接池管理，将并发连接数降低60%，资源占用下降45%，断流率降至1%以下。
47010编辑于 2026-06-11鸿蒙原生应用实战：从零搭建 AI 应用，集成 MaaS 流式对话
TL;DR速览核心结论：鸿蒙原生+MaaS，能搭出端云协同的AI应用开发底座：ArkTS写逻辑，ArkUI声明式画界面流式对话：MaaS返回分片，边收边渲染不卡壳我的判断：鸿蒙+AI是国产开发者的明确机会窗口 MaaS集成与流式对话怎么落地流式对话是这个教程的技术重点。什么叫流式？大模型生成答案不是一下子全出来，是一个字一个字往外吐。如果等它全生成完再显示，用户会盯着空白屏幕等好几秒。 流式的做法是，模型吐一点，界面显示一点，体验上就像「对方在打字」。落到鸿蒙里，流程大致是这样。 声明式框架在这里把「流式渲染」的成本降到了最低。流式对话有几个实现细节，踩过的人都知道。 二是断线重连，流式中断后是重发整个请求还是从断点续，得提前定好。三是上下文管理，多轮对话要带历史消息，但历史太长费token，怎么裁剪是个平衡活。这些具体实现，以官方文档为准。
15110编辑于 2026-08-31- 来自专栏猫头虎博客专区
ChatGLM2-6B和ChatGLM-6B：开源双语对话模型，探索无限对话可能！
ChatGLM2-6B和ChatGLM-6B：开创双语对话生成新时代 摘要： 本文介绍了ChatGLM2-6B和ChatGLM-6B这两个开源的中英双语对话模型，它们由清华大学的KEG和数据挖掘小组（THUDM ChatGLM2-6B和ChatGLM-6B 中英双语对话模型有哪些应用场景？ 性能强大：在多项对话任务中，ChatGLM2-6B和ChatGLM-6B都有高准确度和流畅度，生成自然、有趣和实用的对话回复。 6B或ChatGLM-6B模型，输入对话文本，即可得到对话回复。 总结： ChatGLM2-6B和ChatGLM-6B代表了对话生成领域的重要进步，提供了高效、低成本、多语言、多场景的对话生成平台。
1.3K10编辑于 2024-04-08 6 对话框与多窗体设计
SplashScreen); //设置为SplashScreen, 窗口无边框,不在任务栏显示 this->setWindowFlags(Qt::FramelessWindowHint);//无边框，但是在任务显示对话框标题 //在注册表中保存用户名，密码等设置 QSettings settings("WWB-Qt","samp6_5"); //注册表键组 settings.setValue("Username
11000编辑于 2026-06-16- 来自专栏福大大架构师每日一题
实时流式工具调用引领智能对话新时代
v0.8.0版本率先打破了这一瓶颈，成功实现了流式响应下的工具调用，即模型生成内容的同时，可以即时触发并执行工具调用。 }, "required": ["location", "format"] } } } ] }' 运行后，模型即时返回天气工具调用请求并等待数据返回，从而实现更智能对话体验 利用流式能力优化前端交互 结合WebSocket、事件流等技术打造实时聊天界面，实现内容增量展示与工具调用同步反馈。 5. 此外，随着模型训练和上下文协议不断优化，结合流式工具调用的智能对话将成为新时代人工智能应用的核心形态，为企业和开发者创造前所未有的价值。 九、总结 Ollama v0.8.0以最尖端的技术变革，实现了“实时流式响应+工具调用”的完美结合，推动智能对话进入一个全新的效率和体验维度。
96510编辑于 2025-06-06 - </template>tauri2-deepseek流式对话 false}) if (sessionstate.reachBottom) { props.scrollBottom() } }}基于uniapp+deepseek+vue3跨平台ai流式对话 2518214electron35+deepseek桌面端ai模板：https://cloud.tencent.com/developer/article/2514843vue3.5+deepseek网页版ai流式对话 ：https://cloud.tencent.com/developer/article/2508594DeepSeek-Vue3基于vite6+vant4仿deepseek/Kimi流式AI聊天小助手来自专栏h5
基于Tauri2+Vue3.5+DeepSeek实战客户端Ai流式对话exe应用
2025又一跨平台AI原创力作：tauri2+vite6+deepseek从0-1搭建桌面端ai聊天问答系统。 icon-loading v-else size="18" /> </a-button>
2013年6月6日 Go生态洞察：Go团队的对话分析
2013年6月6日 Go生态洞察：Go团队的对话分析 摘要 嗨，猫头虎博主来了！今天我们要聊的是Go语言和它的魔法。 我在网络上翻阅了许多关于Go的技术话题，最近发现一个宝藏：2013年6月6日，Go团队在Google I/O 2013上的一次火边谈话。 这次谈话涉及Go项目的各个方面，是Go语言爱好者不容错过的深度对话！ 总结 通过这次深入的对话，我们更全面地了解了Go团队对Go语言未来的看法和规划。
vite7.2-deepseek流式ai对话|vue3.5+vant4+katex+mermaid智能ai打字会话模板
环境变量配置.env自己去申请一个api key，替换掉.env文件里面的key 即可丝滑体验流式对话功能。 vue3+deepseek实现多轮对话/流式输出const completion = await openai.chat.completions.create({ // 单一会话 /* messages finish_reason === 'stop') { // 确保最终内容完整更新 ... }}Okay，以上就是vue3+deepseek实现流式输出ai对话模板的一些知识分享。 bitsdojo_window客户端聊天Exe自研新版Flutter3.32仿微信app聊天|朋友圈模板基于uni-app+vue3实战短视频+聊天+直播app商城基于uniapp+deepseek+vue3跨平台ai流式对话 electron35+deepseek桌面端ai模板vue3.5+deepseek网页版ai流式对话
ChatGLM2-6B和ChatGLM-6B：开启双语对话生成的新时代
ChatGLM2-6B和ChatGLM-6B的优缺点： ChatGLM2-6B和ChatGLM-6B作为中英双语对话模型，各自有着独特的优势和劣势。 如何使用这两个模型进行对话生成： 在本节中，我们将深入探讨如何使用ChatGLM2-6B和ChatGLM-6B进行对话生成。 ChatGLM2-6B和ChatGLM-6B的价值在于它们提供了一个高效、低成本、多语言、多场景的对话生成平台，可以为各种对话应用提供基础支持和灵感。 -6B和ChatGLM-6B 中英双语对话模型 有那些应用场景? 或ChatGLM-6B模型，然后输入对话文本，得到对话回复。
ChatGLM2-6B和ChatGLM-6B：双语对话生成的领先之选
ChatGLM2-6B和ChatGLM-6B：双语对话生成的领先之选 ChatGLM2-6B和ChatGLM-6B12是由清华大学的KEG和数据挖掘小组（THUDM）共同开发和发布的两个开源中英双语对话模型 如何使用ChatGLM2-6B和ChatGLM-6B进行对话生成 使用ChatGLM2-6B和ChatGLM-6B进行对话生成的方法有以下几种12： 使用HuggingFace的pipeline：可以直接调用 HuggingFace的pipeline接口，加载ChatGLM2-6B或ChatGLM-6B模型，输入对话文本，得到对话回复。 使用官方提供的demo或代码：可以参考官方提供的demo或代码，运行相关脚本或命令，加载ChatGLM2-6B或ChatGLM-6B模型，输入对话文本，得到对话回复。 结论 ChatGLM2-6B和ChatGLM-6B是由清华大学的KEG和数据挖掘小组开发和发布的开源中英双语对话模型。
