# 大模型学习笔记：基于OpenAI API的机票预订对话系统实现 ## 项目概述最近在学习大模型相关的开发，创建了一个AI学习代码笔记仓库。本文记录了一个基于OpenAI API实现的机票预订对话系统，该系统通过结构化的XML标签实现了多轮对话的信息收集和确认流程。 ## 技术栈 - **Node.js + TypeScript**: 项目主要使用TypeScript开发 - **OpenAI SDK**: 使用官方OpenAI SDK进行API调用 - **SiliconFlow**: 作为OpenAI API的代理服务，支持多种模型 - **Vue 3**: 使用Vue的响应式系统管理对话状态 - **eventsource-parser**: 用于解析SSE格式的流式响应 ## 核心功能实现 ### 1. OpenAI Provider封装首先封装了OpenAI客户端的创建逻辑，支持通过环境变量配置API密钥和基础URL： ```typescript export const createOpenAI = () => new OpenAI({ apiKey: process.env.SILICONFLOW_API_KEY, baseURL: process.env.SILICONFLOW_BASE_URL, }); ``` 支持多种模型配置，包括DeepSeek和Qwen模型。 ### 2. 结构化对话提示词设计系统使用XML标签来结构化对话流程： - ``: AI向用户提问 - ``: 用户回答 - ``: 对话结束标记提示词设计要点： - 明确角色定义：AI是机票预订助手 - 流程规范：必须收集完整信息后才能确认 - 确认机制：所有信息必须向用户确认后才能完成预订 ### 3. 两种响应模式 #### 非流式响应（Await模式） ```typescript export async function orderFlyTickAwait() { const openai = createOpenAI(); // 获取用户输入 const question = await input({ message: orderFlyTickPrompt.value[1].content as string }); orderFlyTickPrompt.value.push({ role: "user", content: `${question}` }); while (true) { const response = await openai.chat.completions.create({ model: defaultModel, messages: orderFlyTickPrompt.value, }); const content = response.choices[0].message.content; if (content) { if (content.includes('')) { const question = content.match(/(.*?)<\/question>/)?.[1]; const finish = content.match(/(.*?)<\/finish>/)?.[1]; if (question) { orderFlyTickPrompt.value.push({ role: "assistant", content: `${question}` }); const newAnswer = readlineSync.question(question); orderFlyTickPrompt.value.push({ role: "user", content: `${newAnswer}` }); } if (finish) { orderFlyTickPrompt.value.push({ role: "assistant", content: `${finish}` }); console.log(finish); break } } } } } ``` 特点： - 等待完整响应后再处理 - 使用正则表达式解析XML标签 - 适合需要完整响应的场景 #### 流式响应（Stream模式）在流式模式下，我们需要实时处理分块到达的数据。最初的实现可能需要手动缓冲和解析，但为了更好的代码复用和可维护性，我们实现了一个专门的流式XML解析器。 ### 4. XML标签解析工具实现了一个通用的标签解析工具 `parseTag.ts`，核心功能： ```typescript export const clearTag = (content: string, tagName: string, options?: ParseTagOptions) => { let buffer = ''; let startTagName = '<' + tagName + '>'; let endTagName = ''; if (content.startsWith(startTagName)) { // 去除开头的标签 buffer = content.substring(startTagName.length); // 处理不完整的结束标签 const lastTagIndex = buffer.lastIndexOf('<'); if (lastTagIndex !== -1) { const potentialTag = buffer.substring(lastTagIndex); const isIncomplete = potentialTag.length < endTagName.length || (potentialTag.length >= endTagName.length && potentialTag.substring(0, endTagName.length) !== endTagName); if (isIncomplete) { buffer = buffer.substring(0, lastTagIndex); } } options?.onMessage?.(buffer); } return content.replace(startTagName, '').replace(endTagName, ''); } ``` 关键特性： - 支持流式数据的不完整标签处理 - 提供回调机制（onMessage、onFinish、onChunk） - 自动清理标签，提取纯文本内容 ### 5. 流式XML解析器（StreamXMLParser）为了解决流式响应中XML标签解析的复杂性，我们实现了一个专门的流式XML解析器 `StreamXMLParser`。 #### 设计思路流式解析的挑战在于： 1. XML标签可能被分割到多个数据块中 2. 需要在标签完整前就能输出部分内容（渐进式输出） 3. 需要准确管理解析状态，处理多种标签类型 #### 核心实现 ```typescript export class StreamXMLParser { private buffer = ""; private state: "IDLE" | "QUESTION" | "ANSWER" | "FINISH" = "IDLE"; private questionPrintedLen = 0; constructor(private handlers: { onQuestionChunk?: (text: string) => void; onQuestionFinish?: (text: string) => void; onAnswerFinish?: (text: string) => void; onFinish?: (text: string) => void; }) { } push(chunk: string) { this.buffer += chunk; this.parse(); } } ``` **状态机设计**： - `IDLE`: 空闲状态，等待标签开始 - `QUESTION`: 正在解析问题标签 - `ANSWER`: 正在解析答案标签 - `FINISH`: 正在解析完成标签 #### IDLE状态处理在IDLE状态，解析器会查找所有可能的标签开始位置，选择最早出现的标签： ```typescript if (this.state === "IDLE") { const qStart = this.buffer.indexOf(""); const aStart = this.buffer.indexOf(""); const fStart = this.buffer.indexOf(""); const next = Math.min( ...[qStart, aStart, fStart].filter(i => i !== -1) ); if (next === Infinity) return; if (next === qStart) { this.buffer = this.buffer.slice(qStart + 10); this.state = "QUESTION"; } else if (next === aStart) { this.buffer = this.buffer.slice(aStart + 8); this.state = "ANSWER"; } else if (next === fStart) { this.buffer = this.buffer.slice(fStart + 8); this.state = "FINISH"; } } ``` #### QUESTION状态处理（渐进式输出）这是最复杂的部分，需要支持在标签完整前就能输出内容： ```typescript if (this.state === "QUESTION") { const end = this.buffer.indexOf(""); if (end === -1) { // 标签未完整，尝试输出新增部分 const delta = this.buffer.slice(this.questionPrintedLen); const lt = delta.indexOf("<"); if (lt !== -1) { // 发现新的标签开始，只输出安全部分 const safe = delta.slice(0, lt); if (safe) { this.handlers.onQuestionChunk?.(safe); this.questionPrintedLen += safe.length; } return; // 等更多 chunk } if (delta) { this.handlers.onQuestionChunk?.(delta); this.questionPrintedLen = this.buffer.length; } return; } // 标签完整，调用完成回调 const content = this.buffer.slice(0, end); this.handlers.onQuestionFinish?.(content); this.buffer = this.buffer.slice(end + 11); this.questionPrintedLen = 0; this.state = "IDLE"; continue; } ``` **关键点**： - 使用 `questionPrintedLen` 追踪已输出的内容长度 - 当检测到新的 `<` 符号时，停止输出，避免输出不完整的标签 - 只有在标签完整时才调用 `onQuestionFinish` #### 使用示例 ```typescript export async function orderFlyTickStreamXML() { const openai = createOpenAI(); const welcomeMessage = clearTag(orderFlyTickPrompt.value[1].content as string, 'question'); const question = await input({ message: welcomeMessage }); orderFlyTickPrompt.value.push({ role: "user", content: `${question}` }); while (true) { const response = await openai.chat.completions.create({ model: QWEN_MODEL, messages: orderFlyTickPrompt.value, stream: true, }); const parser = new StreamXMLParser({ onQuestionChunk: (t) => process.stdout.write(t), onQuestionFinish: async (question) => { console.log("\n? 问题：", question); orderFlyTickPrompt.value.push({ role: "assistant", content: `${question}` }); const answer = readlineSync.question("> "); orderFlyTickPrompt.value.push({ role: "user", content: `${answer}` }); }, onFinish: (msg) => { console.log("✅", msg); } }); for await (const chunk of response) { parser.push(chunk.choices[0].delta.content ?? ""); } } } ``` **工作流程**： 1. 创建解析器，配置各种回调函数 2. 从OpenAI API接收数据块 3. 将每个数据块推送给解析器 4. 问题内容实时显示在终端（通过 `onQuestionChunk`） 5. 问题完整后触发 `onQuestionFinish`，等待用户输入 6. 继续下一轮对话，直到完成 **优势**： - 实时性：用户可以看到问题的实时生成过程 - 结构化：使用XML标签清晰分隔不同类型的内容 - 可靠性：状态机设计保证了解析的正确性 - 可扩展：可以轻松扩展支持更多标签类型 ### 6. SSE格式流式处理在尝试了JSON Lines格式后，我们发现SSE（Server-Sent Events）格式更适合流式处理。SSE格式有明确的事件边界，使用专门的解析库可以很好地处理流式数据。 #### SSE格式的优势 1. **明确的事件边界**：通过空行分隔事件，易于识别 2. **标准格式**：SSE是Web标准，有成熟的解析库 3. **流式友好**：即使数据被分割，也能正确识别事件边界 4. **易于扩展**：可以轻松添加新的事件类型 #### 提示词设计在提示词中明确要求模型按照SSE格式输出： ``` 你必须严格按照 SSE（Server-Sent Events）格式输出。规则： 1. 每个事件必须包含 event: 和 data: 2. 每一行必须以换行符 \n 结尾 3. 每个事件结束后，必须输出一个额外的空行（即两个连续的 \n） 4. 禁止输出任何 event / data 之外的文本 5. 禁止解释、注释、前后缀正确示例（注意空行）： event: question data: 你从哪个城市出发呢？ event: finish data: 预定成功 ``` #### 使用 eventsource-parser 解析使用 `eventsource-parser` 库可以很好地处理流式SSE数据： ```typescript import { createParser } from 'eventsource-parser'; export async function orderFlyTickStreamSSE() { const openai = createOpenAI(); const response = await openai.chat.completions.create({ model: QWEN_MODEL, messages: orderFlyTickPromptSSE.value, stream: true, }); let inData = false; let dataBuffer = ""; let pendingQuestion: string | undefined = undefined; const parser = createParser({ onEvent: (event) => { if (event.event === 'question') { const question = event.data; orderFlyTickPromptSSE.value.push({ role: "assistant", content: `event: question\ndata: ${question}` }); pendingQuestion = question; } if (event.event === 'finish') { const finish = event.data; orderFlyTickPromptSSE.value.push({ role: "assistant", content: `event: finish\ndata: ${finish}` }); isFinish = true; } }, onError: event => { console.error('error', event) } }); for await (const chunk of response) { const text = chunk.choices[0].delta?.content; if (text) { parser.feed(text); dataBuffer += text; // 检测是否进入data部分，用于实时显示 if (dataBuffer.includes("data: ")) { inData = true; dataBuffer = ""; } // 实时显示data部分的内容 if (inData) { process.stdout.write(text); } } if (pendingQuestion || isFinish) { dataBuffer = ""; parser.reset(); break; } } if (pendingQuestion) { const answer = await input({ message: pendingQuestion }); orderFlyTickPromptSSE.value.push({ role: "user", content: `event: answer\ndata: ${answer}` }); } } ``` #### 工作流程 1. **创建解析器**：使用 `createParser` 创建SSE解析器，配置事件回调 2. **流式接收**：从OpenAI API接收数据块 3. **解析处理**：将每个数据块通过 `parser.feed()` 推送给解析器 4. **事件触发**：当解析器识别到完整事件时，触发 `onEvent` 回调 5. **实时显示**：在检测到 `data:` 后，实时显示内容 6. **交互处理**：问题完整后等待用户输入，继续下一轮对话 #### 与JSON Lines的对比 | 特性 | JSON Lines | SSE格式 | |------|-----------|---------| | 事件边界识别 | 需要按行分割，手动解析 | 通过空行自动识别 | | 解析库支持 | 需要手动实现 | 有成熟的 `eventsource-parser` | | 流式处理 | 需要手动缓冲和拼接 | 解析器自动处理 | | 格式规范 | 依赖模型严格遵循 | 标准格式，易于识别 | | 实现复杂度 | 较高 | 较低 | #### 经验总结 1. **SSE格式更适合流式处理**：有明确的事件边界，解析库成熟 2. **使用专业解析库**：`eventsource-parser` 能够很好地处理不完整的数据块 3. **提示词设计重要**：明确要求格式，包括空行等细节 4. **实时显示策略**：可以通过检测 `data:` 关键字来实时显示内容 ### 7. 对话状态管理使用Vue的响应式系统管理对话历史： ```typescript export const orderFlyTickPrompt = ref([ { role: "system", content: `你是一个飞机票预定的助手...` }, { role: "assistant", content: `你好，我是飞机票预定助手，请问有什么可以帮你的吗？` } ]); watchEffect(() => { fs.writeFileSync(filePath, JSON.stringify(orderFlyTickPrompt.value, null, 2)); }); ``` 特点： - 自动持久化对话历史到JSON文件 - 响应式更新，便于调试和恢复 ### 8. LangChain 工具与“提示词级”工具调用协议在这个项目之外，我还尝试了另一条路线： - 使用 **LangChain 的 Tool 抽象** 定义一组通用工具 - 然后通过一个通用的 `renderToolsForPrompt` 函数，把工具定义渲染到提示词中 - 目标是：**在底层模型不原生支持 tool calling 的情况下，靠提示词协议实现“提示词级的工具调用”** 整体思路： - 上层用 LangChain 的工具定义（包含名称、描述、参数 JSON Schema 等） - 通过 `renderToolsForPrompt` 生成一段规范的“工具使用说明 + 输出格式约定”，放进 system / 开头 prompt - 约定模型在需要调用工具时，输出类似： ```json {"tool": "search_order", "arguments": {"id": "123"}} ``` - 由外层程序解析这段 JSON，再真正执行对应的工具为了在流式场景下更好地解析，我还尝试在协议中增加一个“结束标记”约定： - 要求模型在**每次完整输出（无论是自然语言回复还是工具调用 JSON）末尾，强制追加两个换行符 `\n\n`** - 上层解析器根据这两个换行来判断： - 当前回复是否完整 - 是否可以安全地开始解析 JSON / 触发工具调用实际使用的模型是 **`Qwen/Qwen3-8B`**，通过类 OpenAI 接口 + LangChain 调用。这个设计在“工具描述 + 调用格式”这部分整体还算可用，但在“结尾两个换行符”这个细节上踩了坑（详见后面的踩坑记录）。 ## 学习收获 1. **结构化提示词设计**: 通过XML标签实现结构化的对话流程，使AI能够按照预定流程工作 2. **流式处理技巧**: 学会了如何处理流式响应中的不完整数据，特别是XML标签的边界处理 3. **状态机设计**: 通过状态机模式管理复杂的解析流程，提高了代码的可维护性和可靠性 4. **渐进式输出**: 理解了如何在流式处理中实现渐进式输出，提升用户体验 5. **SSE格式处理**: 学会了使用SSE格式和专门的解析库来处理流式结构化数据 6. **多轮对话管理**: 理解了如何在多轮对话中维护上下文，确保信息收集的完整性 7. **错误处理**: 在流式处理中需要考虑各种边界情况，如不完整的标签、网络中断等 ## 技术难点与解决方案 ### 难点1: 流式数据中的不完整标签处理 **问题**: 在流式响应中，XML标签可能被分割到多个chunk中，需要正确识别和处理。 **解决方案**: - 使用buffer累积数据 - 检测最后一个`<`的位置，判断标签是否完整 - 对于不完整的标签，暂时不处理，等待更多数据 - 使用状态机管理解析状态，确保状态转换的正确性 ### 难点2: 渐进式输出的实现 **问题**: 如何在XML标签完整前就能输出部分内容，同时避免输出不完整的标签。 **解决方案**: - 使用 `questionPrintedLen` 追踪已输出的内容长度 - 检测新数据中的 `<` 符号，如果发现可能是新标签的开始，只输出安全部分 - 只有在标签完整时才触发完成回调 ### 难点3: 对话流程控制 **问题**: 如何确保AI按照预定流程（收集信息→确认→完成）执行。 **解决方案**: - 在system prompt中明确流程要求 - 使用结构化标签强制AI按照格式输出 - 在代码中解析标签，控制对话流程 ### 难点4: 流式结构化数据解析 **问题**: 如何在流式响应中解析结构化数据（JSON、SSE等），处理数据被分割的情况。 **解决方案**: - **方案一（XML）**: 实现自定义解析器，使用状态机管理解析状态 - **方案二（SSE）**: 使用成熟的解析库（如 `eventsource-parser`），自动处理不完整数据 - **方案三（JSON Lines）**: 使用buffer累积数据，按行分割后解析 ## 踩坑记录 ### 踩坑1: DeepSeek模型在Stream模式下的思考过程 **问题描述**: 使用OpenAI SDK调用DeepSeek模型时，如果开启了`stream: true`模式，模型**一定会**输出思考过程（reasoning），`delta.reasoning_content`字段会有值，且**无法通过参数关闭**。 **具体表现**: ```typescript const response = await openai.chat.completions.create({ model: 'deepseek-chat', // DeepSeek模型 messages: orderFlyTickPrompt.value, stream: true, }); for await (const chunk of response) { const delta = chunk.choices[0].delta; console.log('reasoning_content:', delta.reasoning_content); // 总是有值 console.log('content:', delta.content); // 实际回复内容 } ``` **影响**: 1. 流式响应中会先输出思考过程，然后才输出实际内容 2. 增加了响应时间和token消耗 3. 如果只关注`delta.content`，可能会忽略思考过程的数据流 4. 无法通过API参数（如`reasoning: false`）来关闭思考过程 **解决方案**: 1. **方案一**: 如果不需要思考过程，在流式处理时只关注`delta.content`字段，忽略`delta.reasoning_content` 2. **方案二**: 如果确实需要思考过程，可以分别处理两个字段，将思考过程和实际内容分开展示 3. **方案三**: 对于不需要思考过程的场景，使用非流式模式（`stream: false`），或者切换到其他不支持思考过程的模型（如Qwen） **代码示例**: ```typescript for await (const chunk of response) { const delta = chunk.choices[0].delta; // 只处理实际内容，忽略思考过程 if (delta.content) { buffer += delta.content; process.stdout.write(delta.content); } // 如果需要记录思考过程，可以单独处理 if (delta.reasoning_content) { // 思考过程处理逻辑 console.debug('Reasoning:', delta.reasoning_content); } } ``` **注意事项**: - 这是DeepSeek模型的特性，不是bug - 思考过程有助于理解模型的推理逻辑，但会增加响应时间 - 在生产环境中，如果对响应速度有要求，建议使用非流式模式或切换模型 ### 踩坑2: JSON Lines（NDJSON）格式在流式响应中的误解 **问题描述**: 在尝试使用JSON Lines（NDJSON）格式进行流式输出时，我误以为在提示词中要求模型按照NDJSON格式输出，开启stream后每个chunk能够返回完整的JSON对象。实际上，流式响应仍然是按token返回的，每个chunk只包含部分内容，无法直接解析为完整的JSON。 **具体表现**: 在提示词中明确要求： ``` 你必须遵守以下协议进行输出： - 使用 JSON Lines（NDJSON）协议 - 每一行必须是一个完整 JSON - 每生成一个最小语义单位（一个字或一个词），就立刻输出一行 JSON - 不允许重复之前的内容 - 不允许输出未完成的 JSON - 每一行以 \n 结尾 ``` 期望的输出格式： ```json {"event":"question","delta":"你"}\n {"event":"question","delta":"从"}\n {"event":"question","delta":"哪"}\n {"event":"question","delta":"出发"}\n {"event":"question","delta":"？"}\n {"event":"question","done":true}\n ``` 实际代码尝试： ```typescript export async function orderFlyTickStreamJSONEventStream() { const response = await openai.chat.completions.create({ model: process.env.OPEN_ROUTER_GPT as string, messages: orderFlyTickPromptJSONEventStream.value, stream: true, }); for await (const chunk of response) { const content = chunk.choices[0].delta.content; if (content) { try { // 期望每个chunk是完整的JSON，但实际上只是部分token const json = JSON.parse(content); console.log(json, 'json'); } catch (error) { console.error(error, 'error', chunk); // 频繁报错：Unexpected token in JSON } } } } ``` **实际情况**: 1. 流式响应仍然是按token粒度返回的，每个chunk可能只包含几个字符 2. 即使模型"理解"了NDJSON格式要求，输出时仍然是一个token一个token地生成 3. 单个chunk可能只包含 `{"event"` 这样的片段，无法直接解析为JSON 4. JSON对象可能被分割到多个chunk中，需要手动缓冲和拼接 **根本原因**: - 流式响应的本质是按token返回，这是API层面的行为，不受提示词控制 - 模型虽然可以"理解"格式要求，但生成过程仍然是逐token的 - 提示词只能影响模型输出的**内容结构**，不能改变API的**返回方式** **解决方案**: 1. **方案一**: 使用buffer累积数据，按行分割后解析完整的JSON对象 ```typescript let buffer = ''; for await (const chunk of response) { const content = chunk.choices[0].delta.content; if (content) { buffer += content; // 按行分割 const lines = buffer.split('\n'); // 保留最后一行（可能不完整） buffer = lines.pop() || ''; // 解析完整的行 for (const line of lines) { if (line.trim()) { try { const json = JSON.parse(line); // 处理完整的JSON对象 } catch (e) { // 忽略解析错误 } } } } } ``` 2. **方案二**: 使用类似StreamXMLParser的方式，实现一个StreamJSONParser，通过状态机管理JSON解析状态 3. **方案三**: 放弃在流式模式下使用NDJSON，改用非流式模式，或者使用XML标签（更容易处理不完整的情况） 4. **方案四（推荐）**: 使用SSE格式，配合 `eventsource-parser` 库，可以很好地处理流式结构化数据 **经验总结**: - 流式响应的chunk粒度是API层面的特性，无法通过提示词改变 - 如果需要在流式模式下处理结构化数据，必须实现相应的解析器来处理不完整的数据块 - XML标签比JSON更适合流式处理，因为标签的开始和结束更容易识别 - **SSE格式配合专业解析库是最佳选择**，有明确的事件边界，解析库成熟可靠 - 对于需要完整JSON对象的场景，非流式模式可能更合适 **注意事项**: - 不要期望模型能够"控制"API的返回粒度 - 流式处理结构化数据时，必须考虑数据可能被分割的情况 - 提示词只能影响内容，不能改变API行为 - 优先考虑使用标准格式（如SSE）和成熟的解析库 ### 踩坑3: 提示词级协议中的“无语义”结束标记不稳定（Qwen/Qwen3-8B） **问题背景**: 在尝试用 LangChain 的 Tool + `renderToolsForPrompt` 为 **不支持原生 tool calling** 的模型“加上工具能力”时，我在提示词里约定了一套“提示词级工具调用协议”： - 工具列表、参数说明等通过 `renderToolsForPrompt` 渲染到 system / 开头 prompt 中 - 约定模型在需要调用工具时输出指定 JSON 结构，由上层程序解析后真正调用工具 - **额外增加一个协议细节**： - 要求模型在每次完整输出（无论是自然语言还是工具 JSON）结尾**强制再输出两个换行符 `\n\n` 作为“结束标记”** - 上层解析器据此判断“当前回复是否完整、可以开始解析” 实际使用的模型是 **`Qwen/Qwen3-8B`**。 **具体踩坑**: 即便在 system prompt / few-shot 里反复强调： - “你必须在输出结尾追加两个换行符 `\n\n`” - “如果没有追加，将视为协议错误” 在真实对话中，Qwen3-8B **依然经常忘记在结尾输出这两个换行**。直观感受是： - 对模型来说，这两个结尾换行在语义上几乎是“无意义 token” - 回复的自然语言 / 工具 JSON 已经“说完了”，模型就自然停在句子结尾 - 这种**只为机器解析方便、对用户没有直接价值的约定**，很容易被忽略 **影响**: - 上层解析器有时等不到约定的 `\n\n` - 依赖这个结束标记的协议变得不稳定、不可靠 - 只能在工程上增加容错： - 超时/EOF 时强制认为回复结束 - 改为主要依赖内容结构解析，而不是死扣两个换行 **反思与经验**: 1. **对模型“有语义价值”的约定更稳** - 比如“输出合法 JSON”“必须包含某些字段”“先思考再回答”等 - 这些约定和模型生成的内容本身强相关，更容易被遵守 2. **纯“无语义标记”很难 100% 靠提示词约束** - 尤其是末尾多输出几个换行、特殊符号之类 - 除非在 few-shot 里大量示例，并且和“完成任务”强绑定，否则很不稳 3. **如果一定要结束标记，尽量“语义化”** - 例如：使用 ``、`` 这种标签 - 或者输出一段自然语言结束语（例如“以上是本次工具调用的全部结果。”） - 让模型在“完成任务”的语境下，自然地带上这个标记 4. **上层解析逻辑不要强依赖单一字符信号** - 更稳妥的方式： - 结合内容结构（JSON 完整性 / 标签闭合等） - EOF / 超时等信号 - 结束标记只作为辅助，而不是唯一依据总体结论： - 用 LangChain 工具 + `renderToolsForPrompt` 给不支持 tool 的模型“加工具”，思路可行 - 但在协议设计里，**类似“末尾两个换行”这种纯协议型 token 很不可靠**，要尽量少依赖 - 提示词级协议设计，既要考虑“机器解析方便”，更要考虑“模型的生成习惯和语义偏好” ## 后续计划 1. 扩展更多业务场景（酒店预订、餐厅预订等） 2. 优化流式处理的性能 3. 添加错误重试机制 4. 实现对话历史的持久化和恢复 5. 探索LangChain等框架的高级功能 6. 优化StreamXMLParser，支持更多标签类型和错误恢复 7. 完善SSE格式处理，支持更多事件类型 ## 总结通过这个项目，深入理解了： - OpenAI API的使用方式 - 流式和非流式响应的处理差异 - 流式XML解析器的设计和实现 - SSE格式在流式处理中的优势 - 状态机模式在解析器中的应用 - 结构化提示词的设计方法 - 多轮对话系统的实现思路 - DeepSeek模型在流式模式下的特殊行为 - **流式响应的本质：按token返回，不受提示词控制** - **SSE格式配合专业解析库是处理流式结构化数据的最佳实践** - **在提示词级协议设计中，对模型来说“无语义”的约定（如末尾换行）极易被忽略，应谨慎依赖** 这些经验为后续开发更复杂的AI应用打下了基础。 --- *项目地址: [ai-learn](https://github.com/NNNNzs/ai-learn)* *相关代码文件*: - [流式XML解析器实现](https://github.com/NNNNzs/ai-learn/tree/main/nodejs/utils/StreamXMLParser.ts) - [SSE格式流式处理示例](https://github.com/NNNNzs/ai-learn/tree/main/nodejs/demo/order-fly-tick.ts) - [提示词配置](https://github.com/NNNNzs/ai-learn/tree/main/nodejs/prompt/order_fly_tick_prompt.ts)

标签: OpenAI

大模型学习笔记：基于OpenAI API的机票预订对话系统实现