AI项目改用服务端组件实现对话?包体积减小50%!

背景

现在ai正是火的时候,作为前端开发不接个ai好像就被开除前端籍了似的(bushi)。得了,写呗。用什么技术栈呢?都接ai了,那肯定nextjs啊?所以你三下五除二,引个第三方Markdown渲染库,又去学SSE接了流式的请求,再用Textdecoder去把一个个event:data里的文本拿出来,用setState不断去更新------这不就成了吗?上线!

得,打包完成,恭喜您得到了体积巨大的next客户端包哈哈哈。虽然不得不承认,做的效果确实不错。但是Markdown渲染器和highlight.js代码高亮的包体积实在是太大,甚至能够占到我们客户端包大小的40%以上!我们平时在写next的时候都是尽可能的写服务端组件,这能够使得第三方库不必被打包到客户端,再加上next的server action支持发送组件,因为返回的都是RSC payload的格式,基于这个思路,下面给出我的探索实现。

服务端打字机Markdown渲染器

这里使用的渲染库是react-markdown,引用了巨多的插件以及highlight.js这个巨型库,下面我们来用一些魔法给他放到服务端,让这个'use server'真的在server上!

这个getChatStream实现类似下面这种,很常见的前端接取SSE流式数据的方式。

javascript 复制代码
const res=fetch("/api/chat");//直接使用
const reader = res.body.getReader();//获取ReadableStream
const decoder = new TextDecoder(); //将Uint8Array解码

let done = false;
let data = '';
while (!done) {
  const { value, done: doneReading } = await reader.read();
  done = doneReading;
  if (value) {
    data += decoder.decode(value, { stream: true });
  }
}

使用的时候用这个组件就好了

设计思路

首先,要打字机式的动态的更新页面,那么除了props就只有state,这边我们用state,但是使用了useState就肯定是客户端组件,所以Markdown渲染器就不能放在客户端组件里。我们通过天然适合服务端组件的async function*这种异步生成器,搭配server action支持返回组件的特性,再加上for await语法,再上面各种技术的神奇组合下,我们将传有不同长度文本的Markdown组件在服务端渲染好,一个个yield到客户端组件,客户端组件接到这个有前一个状态文本的Markdown组件后更新state,然后我们再将这个state在客户端组件中显示。就这样,我们巨大的Markdown渲染器成功被我们留在了服务端!

灵感来源于 vercel的ai sdk实验阶段的RSC包。

希望大家阅读本文能有所收获!笔者目前还是大二的小白,见识短浅,若有错误还请评论区指出 想要讨论前端react技术站相关技术或者单纯想交个朋友的可以加笔者的联系方式:

VX:hutianyv869170

QQ:1394139263

相关推荐
a11177624 分钟前
动森UI组件(开源 html animal-island-ui )
前端·javascript·ui·开源·html
KaMeidebaby25 分钟前
卡梅德生物技术快报|真核蛋白表达信号肽筛选实验全流程复盘
服务器·前端·数据库·人工智能·算法
万少1 小时前
万少的 Claude Code 入门教程
前端·人工智能·后端
水云桐程序员1 小时前
学习 React Native(简称 RN)的路径
学习·react native·react.js
এ慕ོ冬℘゜1 小时前
JS 前端基础高频面试题
开发语言·前端·javascript
放下华子我只抽RuiKe51 小时前
React 从入门到生产(八):测试与部署
前端·javascript·深度学习·react.js·前端框架·ecmascript·集成学习
蜡笔小电芯1 小时前
【Electron】第2章—BrowserWindow 与 Electron 窗口机制
前端·javascript·electron
zhangxingchao1 小时前
AI 大模型面试核心二:微调、RAG、MCP、Agent 与工程落地
前端·人工智能·后端
ZC跨境爬虫1 小时前
跟着 MDN 学CSS day_15:(掌握CSS背景与边框的创造性用法)
前端·css·ui·html·tensorflow
zhangxingchao1 小时前
AI 大模型面试核心三: RAG、Agent 到 Prompt Engineering 的工程化理解
前端·人工智能·后端