Spring AI Alibaba 入门开发一（备份）

一、准备工作

1、到阿里百炼平台申请API KEY、然后获取base_url、模型 code。具体请自行百度。

2、我的相关配置

JDK 21

maven 建议3.9.5

SpringBoot : 3.5.5

spring-ai: 1.0.0

SpringAIAlibaba:1.0.2

二、HelloWorld

2.1 项目结构

2.2 创建父工程

只需修改父工程pom.xml即可，代码如下：

<project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>

<project.reporting.outputEncoding>UTF-8</project.reporting.outputEncoding>

<maven.compiler.source>21</maven.compiler.source>

<maven.compiler.target>21</maven.compiler.target>

<java.version>21</java.version>

<spring-boot.version>3.5.5</spring-boot.version>

<spring-ai.version>1.0.0</spring-ai.version>

<SpringAIAlibaba.version>1.0.0.2</SpringAIAlibaba.version>

</properties>

<groupId>org.springframework.boot</groupId>

<artifactId>spring-boot-dependencies</artifactId>

<version>${spring-boot.version}</version>

<scope>import</scope>

</dependency>

<groupId>com.alibaba.cloud.ai</groupId>

<artifactId>spring-ai-alibaba-bom</artifactId>

<version>${SpringAIAlibaba.version}</version>

<scope>import</scope>

</dependency>

<groupId>org.springframework.ai</groupId>

<artifactId>spring-ai-bom</artifactId>

<version>${spring-ai.version}</version>

<scope>import</scope>

</dependency>

</dependencies>

</dependencyManagement>

<build>

<groupId>org.springframework.boot</groupId>

<artifactId>spring-boot-maven-plugin</artifactId>

<version>${spring-boot.version}</version>

</plugin>

</plugins>

</build>

<id>spring-milestones</id>

<name>Spring Milestones</name>

<url>https://repo.spring.io/milestone\</url>

<enabled>false</enabled>

</snapshots>

</repository>

</repositories>

Lobster AI

XML

2.3 创建子模块------ssa-01-HelloWorld

1、pom.xml

<maven.compiler.source>21</maven.compiler.source>

<maven.compiler.target>21</maven.compiler.target>

<project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>

</properties>

<groupId>org.springframework.boot</groupId>

<artifactId>spring-boot-starter-web</artifactId>

</dependency>

<groupId>com.alibaba.cloud.ai</groupId>

<artifactId>spring-ai-alibaba-starter-dashscope</artifactId>

</dependency>

<groupId>org.projectlombok</groupId>

<artifactId>lombok</artifactId>

</dependency>

<groupId>cn.hutool</groupId>

<artifactId>hutool-all</artifactId>

</dependency>

<groupId>org.springframework.boot</groupId>

<artifactId>spring-boot-starter-test</artifactId>

</dependency>

</dependencies>

<build>

<groupId>org.springframework.boot</groupId>

<artifactId>spring-boot-maven-plugin</artifactId>

</plugin>

<groupId>org.apache.maven.plugins</groupId>

<artifactId>maven-compiler-plugin</artifactId>

<arg>-parameters</arg>

</compilerArgs>

</configuration>

</plugin>

</plugins>

</build>

<id>spring-milestones</id>

<name>Spring Milestones</name>

<url>https://repo.spring.io/milestone\</url>

<enabled>false</enabled>

</snapshots>

</repository>

</repositories>

Lobster AI

XML

2、配置文件

application.properties

server.port=8888

#解决中文乱码

server.servlet.encoding.charset=UTF-8

server.servlet.encoding.enabled=true

server.servlet.encoding.force=true

spring.application.name=ssa-01-HelloWorld

#Sprig AI Alibaba 相关配置

spring.ai.dashscope.api-key=${qianwen-api}

spring.ai.dashscope.base-url=https://ws-6tq01jo6mtthlhoq.cn-beijing.maas.aliyuncs.com/compatible-mode/v1

spring.ai.dashscope.chat.options.model=qwen-max

注意：配置api-key时，不能使用明文，需要先配置环境变量，然后在properties中使用${环境变量}

3、创建配置类

有两种方式获取api-key，一种是读取application.properties的内容，一种是读取环境变量的值。具体实现如下：

@Configuration

public class LLMConfig {

//方式1：读取配置文件信息

@Value("${spring.ai.dashscope.api-key}")

private String apiKey;

@Bean

public DashScopeApi dashScopeApi() {

return DashScopeApi.builder().apiKey(apiKey).build();

}

//方式2：读取环境变量

// @Bean

// public DashScopeApi dashScopeApi2() {

// return DashScopeApi.builder().apiKey(System.getenv("qianwen-api")).build();

// }

}

Lobster AI

java

运行

4、对话模型-Chat Model

对话模型（Chat Model）接收一系列消息（Message）作为输入，与模型 LLM 服务进行交互，并接收返回的聊天消息（Chat Message）作为输出。相比于普通的程序输入，模型的输入与输出消息（Message）不止支持纯字符文本，还支持包括语音、图片、视频等作为输入输出。同时，在 Spring AI Alibaba 中，消息中还支持包含不同的角色，帮助底层模型区分来自模型、用户和系统指令等的不同消息。

Spring AI Alibaba 复用了 Spring AI 抽象的 Model API，并与通义系列大模型服务进行适配（如通义千问、通义万相等），目前支持纯文本聊天、文生图、文生语音、语音转文本等。以下是框架定义的几个核心 API：

ChatModel，文本聊天交互模型，支持纯文本格式作为输入，并将模型的输出以格式化文本形式返回。

ImageModel，接收用户文本输入，并将模型生成的图片作为输出返回。

AudioModel，接收用户文本输入，并将模型合成的语音作为输出返回。

Spring AI Alibaba 支持以上 Model 抽象与通义系列模型的适配，并通过 spring-ai-alibaba-starter AutoConfiguration 自动初始化了默认实例，因此我们可以在应用程序中直接注入 ChatModel、ImageModel 等 bean，当然在需要的时候也可以自定义 Model 实例。

5、创建controller

使用两种方式与大模型进行交互，一种是.call()：此方式是一次响应所有的内容；一种是.stream()：文字逐个返回。

@RestController

public class ChatHelloWorldController {

@Resource

private ChatModel chatModel;

@GetMapping("/hello/call")

public String doCall(@RequestParam(value = "msg" , defaultValue = "高欢") String msg) {

String result = chatModel.call(msg);

return result;

}

@GetMapping("/hello/stream")

public Flux<String> doStream(@RequestParam(value = "msg" , defaultValue = "宇文泰") String msg) {

return chatModel.stream(msg);

}

Lobster AI

java

运行

三、微服务调用本地大模型-本章可跳过

3.1 准备工作

1、本地安装Ollama。注意：默认安装C盘，建议更换其他位置。安装方法请百度。

系统与硬件要求

项目最低要求特别说明

操作系统 Windows 10 22H2 或更新版本（家庭版/专业版均可）版本过旧可能导致兼容性问题，建议更新。

处理器 (CPU) 4核及以上（推荐Intel i7或AMD Ryzen 5以上）若没有独立显卡，将完全依赖CPU进行推理，速度会慢很多。

内存 (RAM) 16GB 或更高运行大模型时，内存是保证系统不崩溃的关键。

显卡 (GPU) 强烈推荐NVIDIA或AMD独立显卡 Ollama支持NVIDIA、AMD Radeon GPU加速。

NVIDIA显卡驱动 551.61 或更新版本这是官方文档的要求，驱动太旧可能无法识别显卡。

AMD显卡驱动安装最新版AMD Radeon驱动，或支持ROCm/Vulkan的驱动部分RDNA2架构显卡（如RX 6000系列）可能推荐使用Vulkan加速。

存储空间安装程序本身约需4GB，另需为模型文件预留几十到上百GB 模型文件体积很大，强烈建议安装在SSD上以提升加载速度。

本地部署大模型配置推荐列表

推荐级别模型系列具体推荐模型 (Ollama命令) 模型大小 (量化后) 显存占用预期速度 (tokens/秒) 适用场景

🏆 首选推荐 Qwen3 (4B) ollama run qwen3:4b-q4_K_M ~2.9 GB ~3.2 GB 30 - 50 日常聊天、问答、编程辅助、文本总结，体验流畅

🥈 次选推荐 Qwen2.5 (3B) ollama run qwen2.5:3b-q4_K_M ~2.0 GB ~2.2 GB 40 - 60 轻量级任务，响应极快，适合资源敏感场景

🤔 进阶挑战 DeepSeek-R1 (7B) ollama run deepseek-r1:7b-q4_K_M ~4.4 GB ~4.6 GB (略超显存) 8 - 15 复杂推理、代码生成，需要部分CPU+GPU混合运行，速度较慢

确认好模型后，可以使用pull命令拉去，使用run命令运行，具体与docker类似。

3.2 开发调用本地大模型

1、新建子模块，项目结构如下：

2、修改pom.xml文件

<groupId>org.springframework.boot</groupId>

<artifactId>spring-boot-starter-web</artifactId>

</dependency>

<groupId>com.alibaba.cloud.ai</groupId>

<artifactId>spring-ai-alibaba-starter-dashscope</artifactId>

</dependency>

<groupId>org.springframework.ai</groupId>

<artifactId>spring-ai-starter-model-ollama</artifactId>

</dependency>

<groupId>org.projectlombok</groupId>

<artifactId>lombok</artifactId>

</dependency>

<groupId>cn.hutool</groupId>

<artifactId>hutool-all</artifactId>

</dependency>

<groupId>org.springframework.boot</groupId>

<artifactId>spring-boot-starter-test</artifactId>

</dependency>

<groupId>org.springframework.boot</groupId>

<artifactId>spring-boot-starter-actuator</artifactId>

</dependency>

</dependencies>

<build>

<groupId>org.springframework.boot</groupId>

<artifactId>spring-boot-maven-plugin</artifactId>

</plugin>

<groupId>org.apache.maven.plugins</groupId>

<artifactId>maven-compiler-plugin</artifactId>

<arg>-parameters</arg>

</compilerArgs>

</configuration>

</plugin>

</plugins>

</build>

<id>spring-milestones</id>

<name>Spring Milestones</name>

<url>https://repo.spring.io/milestone\</url>

<enabled>false</enabled>

</snapshots>

</repository>

</repositories>

Lobster AI

XML

3、application.properties

server.port=8888

#解决中文乱码

server.servlet.encoding.charset=UTF-8

server.servlet.encoding.enabled=true

server.servlet.encoding.force=true

spring.application.name=ssa-02-ollama

#Sprig AI Alibaba 相关配置

spring.ai.dashscope.api-key=${qianwen-api}

spring.ai.ollama.base-url=http://localhost:11434

spring.ai.ollama.chat.options.model=qwen3:4b

4、新建controller

@RestController

public class OllamaController {

@Resource(name = "ollamaChatModel")

private ChatModel chatModel;

@GetMapping("/ollama")

private Flux<String> ollama(@RequestParam(value = "msg" ,defaultValue = "高欢") String msg){

return chatModel.stream(msg);

}

Lobster AI

java

运行

5、新建启动类

public class SSA_02_OllamaApplication {

public static void main(String\[\] args) {

SpringApplication.run(SSA_02_OllamaApplication.class, args);

}

Lobster AI

java

运行

6、运行如下：

四、ChatModel和ChatClient

4.1 ChatModel

ChatModel，文本聊天交互模型，支持纯文本格式作为输入，并将模型的输出以格式化文本形式返回。

ImageModel，接收用户文本输入，并将模型生成的图片作为输出返回。

AudioModel，接收用户文本输入，并将模型合成的语音作为输出返回。

ChatModel适合简单大模型交互场景。

4.2 ChatClient

ChatClient 提供了与 AI 模型通信的 Fluent API，它支持同步和反应式（Reactive）编程模型。与 ChatModel、Message、ChatMemory 等原子 API 相比，使用 ChatClient 可以将与 LLM 及其他组件交互的复杂性隐藏在背后，因为基于 LLM 的应用程序通常要多个组件协同工作（例如，提示词模板、聊天记忆、LLM Model、输出解析器、RAG 组件：嵌入模型和存储），并且通常涉及多个交互，因此协调它们会让编码变得繁琐。当然使用 ChatModel 等原子 API 可以为应用程序带来更多的灵活性，成本就是您需要编写大量样板代码。

ChatClient 类似于应用程序开发中的服务层，它为应用程序直接提供 AI 服务，开发者可以使用 ChatClient Fluent API 快速完成一整套 AI 交互流程的组装。

包括一些基础功能，如：

定制和组装模型的输入（Prompt）

格式化解析模型的输出（Structured Output）

调整模型交互参数（ChatOptions）

还支持更多高级功能：

聊天记忆（Chat Memory）

工具/函数调用（Function Calling）

RAG

ChatClient是高级封装，基于ChatModel创建，适合快速构建保准化复杂AI服务，支持同步和流式交互，集成多种高级功能。

4.3 使用ChatClient调用大模型

1、项目结构

2、创建子模块，修改pom.xml

<groupId>org.springframework.boot</groupId>

<artifactId>spring-boot-starter-web</artifactId>

</dependency>

<groupId>com.alibaba.cloud.ai</groupId>

<artifactId>spring-ai-alibaba-starter-dashscope</artifactId>

</dependency>

<groupId>org.projectlombok</groupId>

<artifactId>lombok</artifactId>

</dependency>

<groupId>cn.hutool</groupId>

<artifactId>hutool-all</artifactId>

</dependency>

<groupId>org.springframework.boot</groupId>

<artifactId>spring-boot-starter-test</artifactId>

</dependency>

</dependencies>

<build>

<groupId>org.springframework.boot</groupId>

<artifactId>spring-boot-maven-plugin</artifactId>

</plugin>

<groupId>org.apache.maven.plugins</groupId>

<artifactId>maven-compiler-plugin</artifactId>

<arg>-parameters</arg>

</compilerArgs>

</configuration>

</plugin>

</plugins>

</build>

<id>spring-milestones</id>

<name>Spring Milestones</name>

<url>https://repo.spring.io/milestone\</url>

<enabled>false</enabled>

</snapshots>

</repository>

</repositories>

Lobster AI

XML

创建启动类

@SpringBootApplication

public class SSA_03_ChatModel_ChatClient_Application {

public static void main(String\[\] args) {

SpringApplication.run(SSA_03_ChatModel_ChatClient_Application.class, args);

}

Lobster AI

java

运行

创建配置文件

server.port=8888

#解决中文乱码

server.servlet.encoding.charset=UTF-8

server.servlet.encoding.enabled=true

server.servlet.encoding.force=true

spring.application.name=ssa-02-ChatModel-ChatClient

#Sprig AI Alibaba 相关配置

spring.ai.dashscope.api-key=${qianwen-api}

spring.ai.ollama.base-url=http://localhost:11434

spring.ai.ollama.chat.options.model=goekdenizguelmez/JOSIEFIED-Qwen2.5:7b-q4_k_m

创建controller，注意：下面通过两种方式创建ChatClient对象。

方式一：在config里通过@Bean注解创建------推荐

@Configuration

public class LLMConfig {

@Value("${spring.ai.dashscope.api-key}")

private String apiKey;

@Bean

public DashScopeApi dashScopeApi() {

return DashScopeApi.builder().apiKey(apiKey).build();

}

@Bean

public ChatClient chatClient(ChatModel dashScopeChatModel) {

return ChatClient.builder(dashScopeChatModel).build();

}

Lobster AI

java

运行

@RestController

public class ChatClient_V2_Controller {

@Resource

private ChatClient chatClient;

@GetMapping("/client1")

public String doClient1(@RequestParam(value = "msg" ,defaultValue = "请简单介绍侯莫陈崇") String msg) {

return chatClient.prompt().user(msg).call().content();

}

Lobster AI

java

运行

第二种方式：在controller里通过构造方法创建------不推荐

@RestController

public class ChatClientController {

private final ChatClient chatClient;

public ChatClientController(ChatModel dashScopeChatModel) {

this.chatClient = ChatClient.builder(dashScopeChatModel).build();

}

@GetMapping("/client")

public String doClient(@RequestParam(value = "msg" ,defaultValue = "南北朝时期最勇猛的将领是谁？") String msg) {

return chatClient.prompt().user(msg).call().content();

}

Lobster AI

java

运行

4.4 两者对比

五、同时使用多个模型实现流式输出

5.1 流式输出介绍

1、流式输出(StreamingOutput)

是一种逐步返回大模型生成结果的技术，生成一点返回一点，允许服务器将响应内容

分批次实时传输给客户端，而不是等待全部内容生成完毕后再一次性返回。

这种机制能显著提升用户体验，尤其适用于大模型响应较慢的场景（如生成长文本或复杂推理结果）

2、实现方式

Spring AI Alibaba两种流式输出：分别为ChatModel和ChatClient。

5.2 SSE(Server-Sent Events)服务器发送事件

Server -Sent：由服务器发送。

Events：事件，指服务器主动推送给客户端的数据或消息。

Server-SentEvents(SSE)服务器发送事件实现流式输出。

Server-Sent Events (SSE) 是一种允许服务端可以持续推送数据片段（如逐词或逐句）到前端的 Web 技术。通过单向的HTTP长连接，使用一个长期存在的连接，让服务器可以主动将数据"推"给客户端，SSE是轻量级的单向通信协议，适合AI对话这类服务端主导的场景

核心概念

SSE 的核心思想是：客户端发起一个请求，服务器保持这个连接打开并在有新数据时，通过这个连接将数据发送给客户端。这与传统的请求-响应模式（客户端请求一次，服务器响应一次，连接关闭）有本质区别。SSE下一代（Stream able Http）。

总结：一种让服务器能够主动、持续地向客户端（比如你的网页浏览器）推送数据的技术。

SSE适用场景：

5.3 多模型共存开发

1、创建子模块，项目结构

2、修改pom.xml

<groupId>org.springframework.boot</groupId>

<artifactId>spring-boot-starter-web</artifactId>

</dependency>

<groupId>com.alibaba.cloud.ai</groupId>

<artifactId>spring-ai-alibaba-starter-dashscope</artifactId>

</dependency>

<groupId>org.projectlombok</groupId>

<artifactId>lombok</artifactId>

</dependency>

<groupId>cn.hutool</groupId>

<artifactId>hutool-all</artifactId>

</dependency>

<groupId>org.springframework.boot</groupId>

<artifactId>spring-boot-starter-test</artifactId>

</dependency>

</dependencies>

<build>

<groupId>org.springframework.boot</groupId>

<artifactId>spring-boot-maven-plugin</artifactId>

</plugin>

<groupId>org.apache.maven.plugins</groupId>

<artifactId>maven-compiler-plugin</artifactId>

<arg>-parameters</arg>

</compilerArgs>

</configuration>

</plugin>

</plugins>

</build>

<id>spring-milestones</id>

<name>Spring Milestones</name>

<url>https://repo.spring.io/milestone\</url>

<enabled>false</enabled>

</snapshots>

</repository>

</repositories>

Lobster AI

XML

3、新增配置文件

server.port=8888

#解决中文乱码

server.servlet.encoding.charset=UTF-8

server.servlet.encoding.enabled=true

server.servlet.encoding.force=true

spring.application.name=ssa-01-HelloWorld

#Sprig AI Alibaba 相关配置

spring.ai.dashscope.api-key=${qianwen-api}

spring.ai.dashscope.base-url=https://ws-6tq01jo6mtthlhoq.cn-beijing.maas.aliyuncs.com/compatible-mode/v1

#spring.ai.dashscope.chat.options.model=qwen-max

4、创建启动类

@SpringBootApplication

public class SSA_04_Stream_OutputApplication {

public static void main(String\[\] args) {

SpringApplication.run(SSA_04_Stream_OutputApplication.class, args);

}

5、新增配置类-创建ChatModel对象

@Configuration

public class LLMConfig {

//定义各个模型名称

private final String DEEPSEEK_MODEL = "deepseek-v4-pro";

private final String QWEN_MODEL = "qwen-max";

//创建deepseek的ChatModel

@Bean(name = "deepseek")

public ChatModel deepseek() {

return

DashScopeChatModel.builder().dashScopeApi(

DashScopeApi.builder().apiKey(System.getenv("qianwen-api")).build())

.defaultOptions(DashScopeChatOptions.builder().withModel(DEEPSEEK_MODEL).build())

.build();

}

//创建qwen的ChatModel

@Bean(name = "qwen")

public ChatModel qwen() {

return

DashScopeChatModel.builder().dashScopeApi(

DashScopeApi.builder().apiKey(System.getenv("qianwen-api")).build()

).defaultOptions(DashScopeChatOptions.builder().withModel(QWEN_MODEL).build())

.build();

}

Lobster AI

java

运行

6、新增controller-使用ChatModel调用大模型

@RestController

public class ChatModelController {

@Resource(name = "deepseek")

private ChatModel deepseekChatModel;

@Resource(name = "qwen")

private ChatModel qwenChatModel;

@GetMapping("/model/deepseek")

public Flux<String> doDeepSeekModel(@RequestParam(value = "msg",defaultValue = "你是谁") String msg) {

return deepseekChatModel.stream(msg);

}

@GetMapping("/model/qwen")

public Flux<String> doQwenModel(@RequestParam(value = "msg",defaultValue = "你是谁") String msg) {

return qwenChatModel.stream(msg);

}

Lobster AI

java

运行

7、新增配置类-创建ChatClient对象

@Configuration

public class LLMConfig {

//定义各个模型名称

private final String DEEPSEEK_MODEL = "deepseek-v4-pro";

private final String QWEN_MODEL = "qwen-max";

//创建deepseek的ChatModel

@Bean(name = "deepseek")

public ChatModel deepseek() {

return

DashScopeChatModel.builder().dashScopeApi(

DashScopeApi.builder().apiKey(System.getenv("qianwen-api")).build())

.defaultOptions(DashScopeChatOptions.builder().withModel(DEEPSEEK_MODEL).build())

.build();

}

//创建qwen的ChatModel

@Bean(name = "qwen")

public ChatModel qwen() {

return

DashScopeChatModel.builder().dashScopeApi(

DashScopeApi.builder().apiKey(System.getenv("qianwen-api")).build()

).defaultOptions(DashScopeChatOptions.builder().withModel(QWEN_MODEL).build())

.build();

}

@Bean(name = "deepseekChatClient")

public ChatClient deepseekChatClient(@Qualifier("deepseek") ChatModel deepseek) {

return

ChatClient.builder(deepseek)

.defaultOptions(ChatOptions.builder().model(DEEPSEEK_MODEL).build()).build();

}

@Bean(name = "qwenChatClient")

public ChatClient qwenChatClient(@Qualifier("qwen") ChatModel qwen) {

return

ChatClient.builder(qwen).defaultOptions(ChatOptions.builder().model(QWEN_MODEL).build()).build();

}

Lobster AI

java

运行

8、创建controller-使用ChatClientdiaoyong 调用大模型

@RestController

public class ChatModelController {

@Resource(name = "deepseek")

private ChatModel deepseekChatModel;

@Resource(name = "qwen")

private ChatModel qwenChatModel;

@Resource(name = "deepseekChatClient")

private ChatClient deepseekChatClient;

@Resource(name = "qwenChatClient")

private ChatClient qwenChatClient;

@GetMapping("/model/deepseek")

public Flux<String> doDeepSeekModel(@RequestParam(value = "msg",defaultValue = "你是谁") String msg) {

return deepseekChatModel.stream(msg);

}

@GetMapping("/model/qwen")

public Flux<String> doQwenModel(@RequestParam(value = "msg",defaultValue = "你是谁") String msg) {

return qwenChatModel.stream(msg);

}

@GetMapping("/client/deepseek")

public Flux<String> deDeepSeekClient(@RequestParam(value = "msg",defaultValue = "你是谁") String msg) {

return deepseekChatClient.prompt(msg).stream().content();

}

@GetMapping("/client/qwen")

public Flux<String> doQwenClient(@RequestParam(value = "msg",defaultValue = "你是谁") String msg){

return qwenChatClient.prompt(msg).stream().content();

}

Lobster AI

java

运行

5.4 Flux介绍

Flux是SpringWebFlux中的一个核心组件，属于响应式编程模型的一部分。它主要用于处理异步、非阻塞的流式数据，能够高效地处理高并发场景。Flux可以生成和处理一系列的事件或数据如流式输出等。

看类注释和类所在的jar包我们就明白：

SAA中的流式输出是通过ReactorStreams技术实现的和SpringWebFlux的底层实现是一样的技术。

具体执行流程：

ReactorStreams会订阅数据源，当有数据时，ReactorStreams以分块流的方式发送给客户端用户。

5.5 新增前端交互

在/resoure/static添加index.html

<!DOCTYPE html>

<html>

<head>

<title>SSE流式chat</title>

<style>

body {

font-family: Arial, sans-serif;

background-color: #f4f4f4;

margin: 0;

padding: 20px;

}

#messageInput {

width: 90%;

padding: 10px;

font-size: 16px;

border: 1px solid #ccc;

border-radius: 4px;

margin-bottom: 10px;

}

button {

padding: 10px 20px;

font-size: 16px;

background-color: #007bff;

color: white;

border: none;

border-radius: 4px;

cursor: pointer;

}

button:hover {

background-color: #0056b3;

}

#messages {

margin-top: 20px;

padding: 15px;

background-color: #f9f9f9;

border: 1px solid #ddd;

border-radius: 8px;

max-height: 300px;

overflow-y: auto;

box-shadow: 0 2px 4px rgba(0, 0, 0, 0.1);

}

#messages div {

padding: 8px 0;

border-bottom: 1px solid #eee;

font-size: 14px;

color: #333;

}

#messages div:last-child {

border-bottom: none;

}

</style>

</head>

<body>

function sendMsg() {

// 获取用户输入的消息

const message = document.getElementById('messageInput').value;

if (message == "") return false;

//1 客户端使用 JavaScript 的 EventSource 对象连接到服务器上的一个特定端点（URL）

const eventSource = new EventSource('client/qwen?question=' + message);

//2 监听消息事件

eventSource.onmessage = function (event) {

// 获取流式返回的数据

const data = event.data;

// 将接收到的数据展示到页面上

const messagesDiv = document.getElementById('messages');

messagesDiv.innerHTML += event.data;

};

//3 监听错误事件

eventSource.onerror = function (error) {

console.error('EventSource 发生错误：', error);

eventSource.close(); // 关闭连接

};

}

</script>

</body>

</html>