开源模型应用落地-FastAPI-助力模型交互-WebSocket篇（四）
一、前言
使用 FastAPI 可以帮助我们更简单高效地部署 AI 交互业务。FastAPI 提供了快速构建 API 的能力,开发者可以轻松地定义模型需要的输入和输出格式,并编写好相应的业务逻辑。
FastAPI 的异步高性能架构,可以有效支持大量并发的预测请求,为用户提供流畅的交互体验。此外,FastAPI 还提供了容器化部署能力,开发者可以轻松打包 AI 模型为 Docker 镜像,实现跨环境的部署和扩展。
总之,使用 FastAPI 可以大大提高 AI 应用程序的开发效率和用户体验,为 AI 模型的部署和交互提供全方位的支持。
在上一篇开源模型应用落地-FastAPI-助力模型交互-WebSocket篇（三）-CSDN博客学习了FastAPI集成LangChain与openai的api服务进行交互，本篇学习如何如何通过FastAPI与本地部署的qwen2-7b-instruct模型进行交互
二、术语
2.1. vLLM
vLLM是一个开源的大模型推理加速框架，通过PagedAttention高效地管理attention中缓存的张量，实现了比HuggingFace Transformers高14-24倍的吞吐量。
2.2. OpenAI-Compatible Server
遵循 OpenAI API 的接口规范，让开发者可以使用OpenAI API相同的方式和方法来调用这些服务，从而利用它们的语言模型功能。
2.3. Qwen2-7B-Instruct
是通义千问 Qwen2 系列中的一个指令微调模型。它在 Qwen2-7B 的基础上进行了指令微调，以提高模型在特定任务上的性能。
Qwen2-7B-Instruct 具有以下特点：
- 强大的性能：在多个基准测试中，Qwen2-7B-Instruct 的性能可与 Llama-3-70B-Instruct 相匹敌。
- 代码和数学能力提升：得益于高质量的数据和指令微调，Qwen2-7B-Instruct 在数学和代码能力上实现了飞升。
- 多语言能力：模型训练过程中增加了 27 种语言相关的高质量数据，提升了多语言能力。
- 上下文长度支持：Qwen2 系列中的所有 Instruct 模型均在 32k 上下文中进行训练，Qwen2-7B-Instruct 和 Qwen2-72B-Instruct 还支持最高可达 128k token 的上下文长度。
2.4. context length
模型的上下文长度是指在生成文本时，模型所能看到的输入文本的长度范围。在生成文本的过程中，模型会根据前面的上下文来预测下一个词或字符。上下文长度决定了模型能够考虑到的历史信息的数量。
2.5. system prompt（系统提示）
是指在生成对话或文本的任务中，为了引导模型产生合适的响应或输出，对模型进行输入的开头部分或系统提供的指令。系统提示通常包含一些关键信息，如对话的背景、任务的要求或期望的回答风格等，以帮助模型理解上下文并生成相关的响应。通过精心设计和调整系统提示，可以引导模型产生更准确、连贯且符合预期的输出。
2.6. temperature（温度）
是用于控制生成模型输出的多样性和随机性的一个参数。当温度较高时，模型会更加随机地选择输出，使得生成结果更加多样化和创造性，但可能会牺牲一些准确性和一致性。相反，当温度较低时，模型会更加确定性地选择输出，使得生成结果更加集中和可控。较低的温度值会使概率分布更尖峰，使得高概率的词或标记更容易被选中。
2.7. top_p
是一种用于控制生成模型输出的参数。在生成文本或对话的任务中，模型通常会输出一个概率分布，表示每个可能的词或标记的概率。top_p参数用于指定一个概率的阈值，模型将从概率累积最高的词开始逐步选择，直到累积概率超过阈值为止。通过设置top_p参数，我们可以控制生成模型输出的多样性和可控性。较小的top_p值会限制模型选择的候选词的数量，使得模型的输出更加集中和可控。较大的top_p值会增加模型选择的候选词的数量，使得模型的输出更加多样化和创造性。
2.8. repetition_penalty
是一种用于控制生成模型输出中重复内容的参数。在生成文本或对话的任务中，模型有时候可能会倾向于产生重复的词语、短语或句子，导致生成结果的质量下降或显得不够自然。为了解决这个问题，可以使用重复惩罚机制。重复惩罚参数可以调整模型对已经生成过的内容的偏好程度。较高的重复惩罚值会使模型更加抑制生成已经出现过的内容，以鼓励生成更多新颖的内容。较低的重复惩罚值则会相对宽容，允许模型生成一定程度的重复内容。
2.9. history
"历史上下文"是指在处理当前文本或对话时，与之前的文本或对话相关的信息和语境。历史上下文包括了之前的句子、段落或对话中的内容，以及前文中提到的实体、事件和语义关系等。它提供了理解当前文本的重要背景信息，帮助我们更准确地解释和推断文本的含义。处理历史上下文时，模型需要能够捕捉并记忆之前的信息，并将其与当前文本进行关联，以产生有意义的输出。
2.10.流式输出
是模型推理过程中逐步生成输出结果,而非一次性生成整个输出,从而实现更低的延迟和更好的实时性。
三、前置条件
3.1. 创建虚拟环境&安装依赖
增加openai的依赖包
conda create -n fastapi_test python=3.10 conda activate fastapi_test pip install fastapi websockets uvicorn pip install openai3.2. 创建本地AI服务
开源模型应用落地-Qwen2-7B-Instruct与vllm实现推理加速的正确姿势（十）
四、技术实现
4.1. 集成本地构建的AI服务
服务端：
# -*- coding:utf-8 -*- import traceback import uvicorn from typing import Annotated from fastapi import ( Depends, FastAPI, WebSocket, WebSocketException, WebSocketDisconnect, status, ) from openai import OpenAI DEFAULT_IP='127.0.0.1' DEFAULT_PORT=9000 DEFAULT_MODEL = "/model/qwen2-7b-instruct" DEFAULT_MAX_TOKENS = 10240 DEFAULT_SYSTEM_PROMPT = '你是一位得力的助手。' openai_api_key = "EMPTY" openai_api_base = f"http://{DEFAULT_IP}:{DEFAULT_PORT}/v1" class ConnectionManager: def __init__(self): self.active_connections: list[WebSocket] = [] async def connect(self, websocket: WebSocket): await websocket.accept() self.active_connections.append(websocket) def disconnect(self, websocket: WebSocket): self.active_connections.remove(websocket) async def send_personal_message(self, message: str, websocket: WebSocket): await websocket.send_text(message) async def broadcast(self, message: str): for connection in self.active_connections: await connection.send_text(message) manager = ConnectionManager() app = FastAPI() async def authenticate( websocket: WebSocket, userid: str, secret: str, ): if userid is None or secret is None: raise WebSocketException(code=status.WS_1008_POLICY_VIOLATION) print(f'userid: {userid},secret: {secret}') if '12345' == userid and 'xxxxxxxxxxxxxxxxxxxxxxxxxx' == secret: return 'pass' else: return 'fail' async def chat(message, history=None, system=None, config=None, stream=True): global client if config is None: config = {'temperature': 0.45, 'top_p': 0.9, 'repetition_penalty': 1.2, 'max_tokens': DEFAULT_MAX_TOKENS,'n':1} size = 0 messages = [] if system is not None: messages.append({"role": "system", "content": system}) size = size+len(system) if history is not None: if len(history) > 0: for his in history: user,assistant = his user_obj = {"role": "user", "content": user} assistant_obj = {"role": "assistant", "content": assistant} messages.append(user_obj) messages.append(assistant_obj) size = size + len(user) size = size + len(assistant) if message is None: raise RuntimeError("prompt不能为空!") else: messages.append({"role": "user", "content": message}) size = size + len(message)+100 try: chat_response = client.chat.completions.create( model=DEFAULT_MODEL, messages=messages, stream=stream, temperature=config['temperature'], top_p=config['top_p'], max_tokens=config['max_tokens']-size, frequency_penalty=config['repetition_penalty'], # presence_penalty=config['repetition_penalty'] ) for chunk in chat_response: msg = chunk.choices[0].delta.content if msg is not None: yield msg except Exception: traceback.print_exc() @app.websocket("/ws") async def websocket_endpoint(*,websocket: WebSocket,userid: str,permission: Annotated[str, Depends(authenticate)],): await manager.connect(websocket) try: while True: text = await websocket.receive_text() if 'fail' == permission: await manager.send_personal_message( f"authentication failed", websocket ) else: if text is not None and len(text) > 0: async for msg in chat(text,None,DEFAULT_SYSTEM_PROMPT,None): await manager.send_personal_message(msg, websocket) except WebSocketDisconnect: manager.disconnect(websocket) print(f"Client #{userid} left the chat") await manager.broadcast(f"Client #{userid} left the chat") if __name__ == '__main__': client = OpenAI(api_key=openai_api_key, base_url=openai_api_base) uvicorn.run(app, host='0.0.0.0',port=7777) 客户端：
Chat WebSocket Chat
调用结果：
用户输入：你好
模型输出：你好！很高兴能为你提供帮助。有什么问题或需要我协助的事项吗？
用户输入：你是谁？
模型输出：我是阿里云开发的一款超大规模语言模型，我叫通义千问。作为一个AI助手，我的目标是帮助用户获得准确、有用的信息，解决他们的问题和困惑。无论是提供知识解答、创意启发，还是进行对话交流，我都将全力以赴提供高质量的服务。
PS:
1. 此处服务端采用OpenAI-Compatible Server，非唯一实现方式
2. 页面输出的样式可以根据实际需要进行调整，此处仅用于演示效果。