AI对话应用接口开发全解析：同步接口+SSE流式+智能体+前端对接

AI对话应用接口开发

我们平时开发的大多数都是同步接口，也就是扥后端处理完再返回。但是对于AI应用，特别是响应时间较长的应用，可能会让用户失去耐心等待，因此推荐使用SSE技术实现实时流式输出，类似打字机效果，大幅度提升用户体验

开发AI对话同步接口

接下来我们先开发AI同步接口，对比学习。首先我们编写一个与"科泰旅游大师"对话的接口，使用常规同步的方式获得对话结果。

在controller包中新建ChatWithAIController,如下图所示：

编写同步接口：

@RestController
@RequestMapping("/ai")
public class ChatWithAIController {
// 注入TravelApp实例
@Resource
private TravelApp travelApp;

/*
* 前端可以通过此方法获得一个ID
* */
@GetMapping("/chat/new")
public String newChat(){
return UUID.randomUUID().toString();
}

// 与AI聊天（同步）
@GetMapping("/chat/travel/sync")
public String chat(String chatId,String message){
return travelApp.chat(chatId,message);
}

}

通过/chat/new接口，让前端利用UUID生成会话ID，避免A用户能够通过猜测会话ID获取用户B的信息

同步接口代码也非常简单，直接使用注入的TravelApp实例对用户的问题进行回复

测试同步接口

启动springBoot项目，浏览器打开Swagger页面测试

浏览器打开http://localhost:8080/api/doc.html

获取到ChatId后测试/api/ai/chat/travel/sync时会出现很长的时间进度提示

开发AI对话SSE流式接口

Server-Sent Events（SSE，服务器推送事件）

SSE 是 HTML5 定义的基于 HTTP 的单向实时数据推送技术，客户端通过EventSource API 发起长连接，服务器以文本流持续推送事件，适配实时通知、行情更新等场景。

让TravelApp应用支持流式输出

要让接口支持流式输出，首先我们的TravelApp也不能使用同步的call()+chatResponse()方法返回String类型的全部内容

需要使用到Flux响应式对象进行异步操作。在TravelApp类增加一个StreamChat方法，（SpringAI系列的文章都是围绕一个项目写没有的内容在前面几期）

/*
* 与AI大模型流式对话接口
* @param chatId 会话ID
* @param message 用户输入
* @return AI模型返回结果
* */
public Flux<String> streamChat(String chatId, String message){

FunctionCallback[] mcpTools = toolCallbackProvider.getToolCallbacks();

Flux<String> result = chatClient.prompt()
.user(message)
.advisors(spec -> spec
.param(CHAT_MEMORY_CONVERSATION_ID_KEY,chatId)
.param(CHAT_MEMORY_RETRIEVE_SIZE_KEY,10)
)
.tools(aiTools)
.tools(McpToolCallbackProxy.proxyAll(mcpTools))
.toolContext(Map.of("chatId",chatId))
.stream().content();
// log.info("chatResponse: {}",chatResponse);
return result;
}

实现SSE流式接口

实现流式接口一共有三种方式

1.直接返回Flux对象，但是必须添加SSE对应的MediaType

修改ChatWithAIController,增加方法chatWithTravelAppSEE_Flux:

/*
* SSE实现方式一：使用Flux
* 必须设置produces为MediaType.TEXT_EVENT_STREAM_VALUE
* */
@GetMapping(value = "/chat/travel/sse/flux",produces = MediaType.TEXT_EVENT_STREAM_VALUE)
public Flux<String> chatWithTravelAppSEE_Flux(String chatId, String message){
return travelApp.streamChat(chatId,message);
}

2.返回Flux对象，并设置泛型为ServerSentEvent

这种方式可省略MediaType的设置，但是要对String进行转化

/*
* SSE实现方式二：使用ServerSentEvent泛型
* */
@GetMapping("/chat/travel/sse/generic")
public Flux<ServerSentEvent<String>> chatWithTravelAppSEE_Generic(String chatId, String message){
return travelApp.streamChat(chatId,message)
.map(result -> ServerSentEvent.builder(result).build());
}

3.使用SseEmiter类型，通过send方法持续向SseEmiter对象发送消息，这种方式代码会稍微大一些，但是通用性和可控制性更强

// 实现方式三使用SseEmitter
@GetMapping("/chat/travel/sse/emitter")
public SseEmitter chatWithTravelAppSEE_Emitter(String chatId, String message){
// 创建SseEmitter对象,设置超时时间为5分钟
SseEmitter emitter = new SseEmitter(300000L);
// 订阅流
travelApp.streamChat(chatId,message).subscribe(
result -> {
try {
// 发送数据
emitter.send(result);
} catch (Exception e) {
emitter.completeWithError(e);
}
},
// 错误处理
error -> emitter.completeWithError(error),
() -> emitter.complete()
);
return emitter;
}

AI智能体应用接口开发

改造智能体支持流式运行

那么首先类似于TravelApp增加流式对话StreamChat(),我们也需要改造智能体BaseAgent增加支持流式运行的streamRun()方法：

/*
* 增加流式输出的运行方法
* @param userPrompt 用户输入
* @return SseEmitter
* */
public SseEmitter streamRun(String userPrompt){
SseEmitter emitter = new SseEmitter(300000L);
//使用异步线程处理，避免线程阻塞
CompletableFuture.runAsync(() -> {
try{
if (this.state != AgentState.IDLE){
emitter.send("当前Agent正在运行中，请勿重复运行！");
emitter.complete();
return;
}
if (StrUtil.isBlank(userPrompt)){
emitter.send("请输入用户提示词！");
emitter.complete();
return;
}
// 添加用户输入
chatMemory.add(chatId,new UserMessage(userPrompt));
this.state = AgentState.RUNNING;
try{
for (int i = 0; i < maxSteps && state != AgentState.FINISHED; i++) {
currentStep = i + 1;
log.info("开始执行第{}步…",currentStep);
String result = "Step " + currentStep + ": " + step();
emitter.send(result);
}
if(currentStep >= maxSteps){
state = AgentState.FINISHED;
emitter.send("已执行最大步骤数，任务结束！,最大步数为"+maxSteps);
}
// 正常完成
emitter.complete();
} catch (IOException e) {
state = AgentState.ERROR;
try{
emitter.send("执行出错，请检查！");
emitter.complete();
} catch (IOException ex) {
throw new RuntimeException(ex);
}
}finally {
cleanResources();
}
} catch (IOException e) {
emitter.completeWithError(e);
}
});
// 设置超时回调
emitter.onTimeout(() -> {
this.state = AgentState.ERROR;
this.cleanResources();
log.warn("SSE连接超时，会话ID: {}", chatId);
});
// 设置完成回调
emitter.onCompletion(() -> {
if(state == AgentState.RUNNING){
this.state = AgentState.FINISHED;
}
this.cleanResources();
log.debug("SSE连接完成，会话ID: {}", chatId);
});
return emitter;
}

上述代码看上去很复杂，但是大部分都是在原有run方法上改造，将结果信息交给SseEmitter通过send方法推送

添加智能体异步接口

有了异步运行的方法，我们就可以添加智能体接口了，修改ChatWithAIController 式调用 ktTravelManus 智能体的接口，

@Resource
private ToolCallback[] toolCallbacks;

@Resource
private ChatModel dashscopeChatModel;

/*
* 流式调用智能体
* @param message
* @return
* */
@GetMapping("/chat/manus/sse")
public SseEmitter chatWithManus(String message){
TravelManus travelManus = new TravelManus(toolCallbacks,dashscopeChatModel);
travelManus.setMaxSteps(20);
return travelManus.streamRun(message);
}

为了保证每次请求都是一个新的TravelManus实例，我们通过自己new 来创建，那么构造函数必要的工具列表aiTools 和dashscopeChatModel对象就需要注入进来 当然我们也可以直接注入 TravelManus，然后 Controller 添加@Scope 注解值为request，这样每次请求都会创建一个新的控制器，由于KtTravelManus 的@Scope是prototype，也会注入一个新的KtTravelManus 实例。

测试智能体接口

使用ApiPost测试

重启SpringBoott项目在，ApiPost中新增如下接口测试

接口链接：http://localhost:8080/api/ai/chat/manus/sse

参考参数：message=我想在长沙旅游三天预算3000,帮我规划旅程，并安排附近公里的酒店，并生成PDF

前端项目的生成和对接

由于我们这个项目不需要复杂的前端页面，我们可以使用AI编程工具来快速生成前端代码，极大提高开发效率

创建前端项目

(写这个项目需要具备前端的一些基础知识)在vscode打开终端，输入npm create vite@latest使用vite去创建一个最新的vue版本的项目

接着我们编写提示词给AI编程工具

参考提示词

你是一位专业的前端开发，请帮我根据下列信息来生成对应的前端项目代码。#需求 1、提供主页:可以切换不同应用(考虑页面样式美观，操作流畅) 2、页面1:AI旅游大师应用。页面风格为聊天室，仿Deepseek等AI聊天界面,首次运行创建新会话，每次创建新会话调用后端newChat接口获得新的聊天ID，老的会话可以通过列表保留(仅界面支持，后端暂不支持返回会话列表)。聊天室内通过SSE的方式调用chatwithTravelAppsSE Flux接口，实时显示对话内容。 3、页面2:AI旅游智能体应用。页面风格同页面1，但不保留历史会话，调用chathithManus接口，实时显示对话内容，按Step x:的格式分割气泡展示步骤(x为步骤数字值) ###技术选型 1.Vue3+ ElementPlus布局 2.Axios请求库 ## 后端接口信息 接口地址前缀:http://localhost:8080/api # SpringBoot 后端接口代码 与AI聊天的控制器 @RestController @RequestMapping("/ai") public class ChatWithAIController {     // 注入TravelApp实例     @Resource     private TravelApp travelApp;

    @Resource     private ToolCallback[] aiTools;

    @Resource     private ChatModel dashscopeChatModel;

    /*     * 流式调用智能体     * @param message     * @return     * */     @GetMapping("/chat/manus/sse")     public SseEmitter chatWithManus(String message){         TravelManus travelManus = new TravelManus(aiTools,dashscopeChatModel);         travelManus.setMaxSteps(20);         return travelManus.streamRun(message);     }

    /*     * 前端可以通过此方法获得一个ID     * */     @GetMapping("/chat/new")     public String newChat(){         return UUID.randomUUID().toString();     }

    /*      * SSE实现方式一：使用Flux      * 必须设置produces为MediaType.TEXT_EVENT_STREAM_VALUE      * */     @GetMapping(value = "/chat/travel/sse/flux",produces = MediaType.TEXT_EVENT_STREAM_VALUE)     public Flux<String> chatWithTravelAppSEE_Flux(String chatId, String message){         return travelApp.streamChat(chatId,message);     }

然后把提示词发送给AI后他会根据我们提示词生成一个页面

页面如果觉得不好看可以按照想法去修改

但是在我们运行过程中会有一个错误返回，会话创建失败，然后我们端口控制台可以看到是一个跨域错误

使用CorsConfig配置跨域

在我们后端项目的config包中新建CorsConfig

@Configuration
public class CorsConfig implements WebMvcConfigurer {

@Override
public void addCorsMappings(CorsRegistry registry) {
registry.addMapping("/**")

.allowCredentials(true)

.allowedOriginPatterns("*")
.allowedMethods("GET", "POST", "PUT", "DELETE", "OPTIONS")
.allowedHeaders("*")
.allowCredentials(true)
.exposedHeaders("*");
}
}

配置完成后我们再次重启后端项目，测试是否可以正常运行了

如下图所示，会话创建成功，并且给出了正确的回复

优化项目展示最终结果

优化工具提示词

        由于工具的使用由AI决定，如果它胡乱使用就可能会出现一些异常，例如原本有图片搜索工具，它却选择去使用“网页爬取工具”去爬取百度图片搜索结果，导致读取的页面数据得到大量乱码(可能百度做了技术防护)。

        另外还有一个问题，就是我们仅仅告知了最大执行步骤，并未告知大模型目前在第几步，大模型由于上下文限制，可能会忘记自己现在做到第几步了，我们也可以在提示词中再次提示它。         我们修改一下 KtTravelManus 智能体的 NEXT_STEP_PROMPT 提示词，把这两个问题一起解决一些，看下情况是否能够改善。

根据用户需求，主动选择最合适的工具或工具组合。对于复杂的任务，
你可以将问题分解开来，然后分步骤使用不同的工具来解决它。你应该尽量在 %d 个步骤内完成任务，否则任务将可能提前结束，
当前已经是第 %d 步。在使用每种工具之后，要清晰地说明执行结果，并提出下一步的建议。如果您想在任何时刻终止这种交互，
请使用 “终止” 工具 / 函数调用重要的选择工具规则：
搜索和爬取1、图片搜索只能使用 searchImage 工具，不允许通过 searchWeb 和 scrapeWebContent 工具
2、如果需要搜索信息，请使用 searchWeb 工具，不允许使用 scrapeWebContent工具
3、如果需要爬取信息，请使用 scrapeWebContent 工具，不允许使用 searchWeb 工具
4、如果需要地理位置信息，请使用高德地图相关工具
5、如果需要图文并茂的 PDF，先下载图片，并使用 Markdown 格式引用相对路径的图片地址，再传递此Markdown 内容，使用 generatePdf 工具生成
6、如果用户要求提供文件，在最终响应时提供生成文件的下载链接（A 标签）

智能体注册全部工具

        如果想要给智能体用所有工具，那么我们就需要合并本地工具和 MCP工具提供给KtTravelManus 的构造函数。 修改 ChatWithAIController

// 合并工具
private ToolCallback[] mergeAiTools() {
// 注意到进行代理，避免MCP工具出现ToolContext问题
FunctionCallback[] mcpFunctionCallbacks =
McpToolCallbackProxy.proxyAll(toolCallbackProvider.getToolCallbacks());
// 转化为ToolCallBack数组
ToolCallback[] mcpToolCallbacks = Arrays.stream(mcpFunctionCallbacks)
.map(tool -> (ToolCallback)tool).toArray(ToolCallback[]::new);
// 合并本地工具和MCP工具
ToolCallback[] allTools = ArrayUtil.addAll(aiTools,mcpToolCallbacks);
return allTools;
}

让最终结果展示

因为我们只发送了步骤信息，最终结果信息并没有发送，所以我们需要改造BaseAgent，在最终完成状态时，发送最后一次的AI消息。

修改BaseAgent代码

对应代码

// 完成之前获取最后一次有效的AI响应并发送
if(state == AgentState.FINISHED){
String finalAiResponse = getLastValidAiResponse();
// 发送最终响应给前端
if(StrUtil.isNotBlank(finalAiResponse)){
emitter.send("\\n=== 智能体最终响应 ===");
emitter.send(finalAiResponse);
emitter.send("\\n=== 智能体最终响应结束 ===");
}
}
/**
* @return 最后一次 AI 的有效响应文本，如果没有则返回空字符串
*/
protected String getLastValidAiResponse() {
// 获取所有消息
List<Message> messageList = chatMemory.get(this.chatId, Integer.MAX_VALUE);

// 如果消息为空，则最后的响应也为空
if (messageList == null || messageList.isEmpty()) {
return "";
}

// 从后往前遍历消息列表，查找最后一个助手消息
for (int i = messageList.size() – 1; i >= 0; i–) {
Message message = messageList.get(i);
// 获取最后一条助手消息
if (message instanceof AssistantMessage) {
AssistantMessage assistantMessage = (AssistantMessage) message;
String content = assistantMessage.getText();
// 返回非空的助手消息内容
if (StrUtil.isNotBlank(content)) {
log.info("Final response: {}", content);
return content;
}
}
}

return "智能体未返回最终响应";
}

注意后端数据发送逻辑

• 先通过getLastValidAiResponse()方法获取到最后一次的助理消息
• 然后通过emitter.send("\\n=== 智能体最终响应===");发送了响应开始标识，这需要前端代码的支持。
• 然后发送响应内容 emitter.send(finalAiResponse);
• 最后发送结束符号emitter.send("=== 响应结束===");