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*/@Asyncpublic 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 KeyOpenAiApi 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 KeyKeyInfo 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。
