FastAPI开发AI应用一：实现连续多轮对话

本文将通过一个完整的实战项目，介绍如何使用 FastAPI 框架开发 AI 聊天应用，重点讲解连续多轮对话的实现原理和核心技术。即使你是编程新手，也能跟着本教程一步步构建出功能完整的 AI 聊天应用。本项目已经开源之 Github，项目地址：，你正在和一个聪明的 AI 助手对话，它不仅能回答你的问题，还能记住你们之前聊过的内容。

本文将通过一个完整的实战项目，介绍如何使用 FastAPI 框架开发 AI 聊天应用，重点讲解连续多轮对话的实现原理和核心技术。即使你是编程新手，也能跟着本教程一步步构建出功能完整的 AI 聊天应用。

本项目已经开源之 Github，项目地址：https://github.com/wayn111/fastapi-ai-chat-demo

项目概述

想象一下，你正在和一个聪明的 AI 助手对话，它不仅能回答你的问题，还能记住你们之前聊过的内容。这就是我们要构建的 AI 聊天应用！

核心功能

连续多轮对话：AI 能记住对话历史，就像和真人聊天一样自然
多角色切换：可以选择不同的 AI 角色（智能助手、AI 老师、编程专家）
流式响应：AI 回复时有打字机效果，体验更流畅
会话管理：支持多个对话会话，可以随时切换
Web 界面：简洁美观的聊天界面，操作简单

技术栈

后端框架：FastAPI（Python 的现代 Web 框架）
数据存储：Redis（高性能内存数据库）
AI 模型：支持 OpenAI 接口请求调用
前端：HTML + CSS + JavaScript
服务器：Uvicorn（高性能 ASGI 服务器）

核心架构

应用初始化

应用启动时需要完成几个关键的初始化步骤，就像搭建房子需要先打地基一样：

1. 创建 Web 应用框架

使用 FastAPI 创建应用实例，这是整个系统的核心。FastAPI 会自动生成 API 文档，让开发和调试变得更简单。

2. 连接数据存储

Redis 就像应用的"大脑记忆"，用来存储所有的对话历史。选择 Redis 是因为它速度快、支持数据过期，非常适合聊天应用的场景。

3. 连接 AI 服务

这是连接到 OpenAI 的"桥梁"，让我们能够调用 GPT 模型进行智能对话。通过配置 API 密钥和基础 URL，建立与 AI 服务的通信通道。

4. 配置 AI 角色

通过不同的"人设"提示词，让 AI 扮演不同的角色：

智能助手：友善专业，适合日常问答
AI 老师：耐心教学，善于解释复杂概念
编程专家：技术专业，提供代码建议

每个角色都有独特的回答风格，让用户获得更个性化的体验。

数据模型设计

在聊天应用中，我们需要一个标准的"消息格式"来确保数据的一致性。就像寄信需要标准的信封格式一样：

复制

class ChatMessage(BaseModel):
    role: str        # 谁说的话："user"(用户) 或 "assistant"(AI)
    content: str     # 说了什么：具体的对话内容
    timestamp: float # 什么时候说的：消息时间戳

为什么需要这个格式？

role 字段：帮助 AI 区分哪些是用户的问题，哪些是自己的回答
content 字段：存储实际的对话内容
timestamp 字段：记录时间，方便按时间顺序显示对话

这种标准化的数据格式让我们的应用更加稳定可靠，也方便后续的功能扩展。

多轮对话实现原理

多轮对话的"秘密"在于让 AI 能够"记住"之前聊过的内容。就像人类对话一样，我们需要上下文来理解当前的话题。

工作原理

想象 AI 的"记忆"是这样工作的：

系统角色设定："你是一个友善的 AI 助手"
历史对话：

用户："我叫小明"

AI："你好小明！"

用户："我喜欢编程"

AI："编程很有趣！"

当前问题："你还记得我的名字吗？"

当 AI 收到新问题时，它会看到完整的对话历史，所以能回答："当然记得，你是小明！"

会话管理

会话管理就像给每个用户分配一个"聊天房间"，让 AI 能够记住每个用户的对话历史。

核心功能说明

1. 生成会话 ID

复制

def generate_session_id() -> str:
    return str(uuid.uuid4())

每个用户开始聊天时，系统会生成一个唯一的"房间号"（会话 ID），就像酒店给客人分配房间一样。

2. 保存对话消息

复制

def save_message(user_id: str, session_id: str, message: ChatMessage):
    conversation_key = get_conversation_key(user_id, session_id)
    redis_client.lpush(conversation_key, json.dumps(message_data))
    redis_client.ltrim(conversation_key, 0, 19)  # 只保留最近20条消息

通过 userid + 会话 id 生成 key，将消息保存到 Redis 队列中

3. 获取对话历史

复制

def get_conversation_history(user_id: str, session_id: str):
    conversation_key = get_conversation_key(user_id, session_id)
    messages = redis_client.lrange(conversation_key, 0, -1)
    return [json.loads(msg) for msg in messages]

从 userid + 会话 id 生成 key，从 Redis 中读取用户该会话的历史消息，让 AI 了解之前聊了什么

为什么这样设计？

唯一性：每个会话都有独特的 ID，避免混淆
持久化：消息存储在 Redis 中，重启应用也不会丢失
性能优化：只保留最近的消息，避免内存占用过大
自动清理：每次只保留最近 20 条消息，自动清理旧数据

这种设计让 AI 能够"记住"每个用户的对话历史，实现真正的多轮对话体验。

流式响应核心

流式响应就像 AI 在"实时打字"，让用户看到回复逐字出现，而不是等待很久后一次性显示全部内容。

🔄 工作流程

1. 保存用户消息

复制

user_msg = ChatMessage(role="user", content=user_message)
save_message(session_id, user_msg)

首先将用户的问题保存到"聊天记录本"中。

2. 获取对话历史

复制

history = get_conversation_history(session_id, limit=10)

读取最近 10 条对话记录，让 AI 了解聊天的上下文。

3. 构建完整对话

复制

messages = [
    {"role": "system", "content": AI_ROLES[role]},  # AI角色设定
    *history,  # 历史对话
    {"role": "user", "content": user_message}  # 当前问题
]

将角色设定、历史对话和当前问题组合成完整的对话上下文。

4. 调用 AI 服务

复制

response = client.chat.completions.create(
    model="gpt-4o",
    messages=messages,
    stream=True  # 关键：启用流式响应
)

在 openAi 接口请求格式中，stream=True 表示启用流式响应。

5. 实时返回回复

复制

for chunk in response:
    if chunk.choices[0].delta.content:
        content = chunk.choices[0].delta.content
        yield f"data: {json.dumps({'content': content})}\n\n"

AI 每生成一小段文字，就立即发送给前端显示。

💡 技术亮点

Server-Sent Events (SSE) ：使用 SSE 协议实现服务器向浏览器的实时推送
异步处理：不阻塞其他用户的请求
错误恢复：网络中断时能够优雅处理
上下文保持：每次对话都能"记住"之前聊过的内容

这种设计让聊天体验更加自然流畅，就像和真人对话一样！

核心功能实现

API 接口设计

我们的聊天应用提供了 5 个核心 API 接口，就像一个完整的"聊天服务台"：

🆕 1. 开始新对话

复制

@app.post("/chat/start")
async def start_chat(user_id: str):
    session_id = generate_session_id()
    return {"session_id": session_id, "welcome_message": "你好！我是你的AI助手"}

功能：为每个用户创建一个新的"聊天房间"，返回房间号（会话 ID）。

💬 2. 流式聊天

复制

@app.get("/chat/stream")
async def chat_stream(user_id: str, session_id: str, message: str, role: str = "assistant"):
    return StreamingResponse(generate_streaming_response(user_id, session_id, message, role))

功能：这是核心接口！处理用户消息，调用 AI 生成回复，并实时返回。

3. 获取聊天历史

复制

@app.get("/chat/history")
async def get_chat_history(user_id: str, session_id: str):
    history = await get_conversation_history(user_id, session_id)
    return {"messages": history, "total": len(history)}

功能：查看之前的聊天记录，就像翻看聊天记录本。

4. 清除对话历史

复制

@app.delete("/chat/history/{session_id}")
async def clear_conversation_history(session_id: str, user_id: str):
    redis_client.delete(get_conversation_key(user_id, session_id))
    return {"message": "对话历史已清除"}

功能：清空聊天记录，重新开始对话。

5. 获取 AI 角色列表

复制

@app.get("/roles")
async def get_roles():
    return {"roles": AI_ROLES, "default_role": "assistant"}

功能：获取所有可用的 AI 角色（助手、老师、程序员等）。

安全特性

参数验证：检查输入参数的有效性
错误处理：优雅处理各种异常情况
CORS 支持：允许跨域访问
速率限制：防止恶意请求（可选）

前端实现

前端就是用户看到和操作的界面，我们用 HTML、CSS 和 JavaScript 构建了一个现代化的聊天界面。

界面结构

我们的聊天界面包含几个主要部分：

复制

<div class="chat-container">
    <!-- 1. 头部：显示标题和角色选择 -->
    <div class="chat-header">
        <h1>🤖 AI智能助手</h1>
        <select id="roleSelect">
            <option value="assistant">💬 智能助手</option>
            <option value="teacher">👨🏫 AI老师</option>
            <option value="programmer">👨💻 编程专家</option>
        </select>
    </div>

    <!-- 2. 消息区域：显示对话内容 -->
    <div class="messages-container" id="messagesContainer">
        <!-- 消息会动态添加到这里 -->
    </div>

    <!-- 3. 输入区域：用户输入消息 -->
    <div class="input-container">
        <input type="text" id="messageInput" placeholder="输入你的消息...">
        <button onclick="sendMessage()">📤 发送</button>
    </div>

    <!-- 4. 工具栏：常用功能按钮 -->
    <div class="toolbar">
        <button onclick="clearHistory()">🗑️ 清除历史</button>
        <button onclick="newChat()">🆕 新对话</button>
    </div>
</div>

样式设计特点

现代化外观：使用渐变色和圆角设计
消息气泡：用户消息在右边（蓝色），AI 消息在左边（白色）
响应式布局：在手机和电脑上都能正常显示
动画效果：按钮悬停效果和打字指示器
清晰层次：不同区域有明确的视觉分割

⚙️ JavaScript 核心逻辑

JavaScript 负责处理用户交互和与后端的通信，就像聊天应用的"大脑"。

🔧 核心功能实现

1. 开始新对话

复制

async function startNewChat() {
    // 调用后端API创建新会话
    const response = await fetch('/api/chat/start', { method: 'POST' });
    const data = await response.json();
    currentSessionId = data.session_id;

    // 显示欢迎消息
    addMessage('assistant', '你好！我是你的AI助手，有什么可以帮助你的吗？');
}

2. 发送消息

复制

async function sendMessage() {
    const message = document.getElementById('messageInput').value;

    // 显示用户消息
    addMessage('user', message);

    // 使用EventSource接收流式响应
    const eventSource = new EventSource(`/api/chat/stream?session_id=${currentSessionId}&message=${message}`);

    eventSource.onmessage = function(event) {
        const data = JSON.parse(event.data);
        if (data.content) {
            // 实时显示AI回复
            updateAIMessage(data.content);
        }
    };
}

3. 添加消息到界面

复制

function addMessage(role, content) {
    const messageDiv = document.createElement('div');
    messageDiv.className = `message ${role}`;

    // 用户消息显示在右边，AI消息显示在左边
    const icon = role === 'user' ? '👤' : '🤖';
    messageDiv.innerHTML = `${icon} ${content}`;

    document.getElementById('messagesContainer').appendChild(messageDiv);

    // 自动滚动到最新消息
    messageDiv.scrollIntoView({ behavior: 'smooth' });
}

4. 清除历史记录

复制

async function clearHistory() {
    if (confirm('确定要清除所有对话历史吗？')) {
        await fetch(`/api/chat/history/${currentSessionId}`, { method: 'DELETE' });
        document.getElementById('messagesContainer').innerHTML = '';
        addMessage('system', '对话历史已清除');
    }
}

技术亮点

EventSource：实现服务器推送，让 AI 回复实时显示
DOM 操作：动态添加和更新聊天消息
用户体验：自动滚动、按钮状态管理、错误提示
响应式设计：适配不同设备和屏幕尺寸

这些 JavaScript 代码让聊天界面变得生动有趣，用户可以流畅地与 AI 进行对话！

如何开始项目

环境准备

在开始之前，请确保你的电脑已安装：

Python 3.8+ ：编程语言环境
Redis：数据存储服务
OpenAI API 密钥：用于调用 AI 模型

项目结构

让我们先了解一下项目的文件组织结构：

复制

fastapi-ai-chat-demo/
├── main.py              # 🚀 主应用文件（核心逻辑）
├── config.py            # ⚙️ 配置文件（参数设置）
├── start_server.py      # 🔧 服务器启动脚本
├── requirements.txt     # 📦 依赖包列表
├── .env.example         # 📝 环境变量模板
├── static/
│   └── index.html      # 🌐 前端聊天界面
└── README.md           # 📖 项目说明文档

文件说明：

main.py：包含所有的 API 接口和核心业务逻辑
config.py：存放配置参数，如 Redis 连接信息、OpenAI 设置等
static/index.html：聊天界面的前端代码
requirements.txt：列出了项目需要的所有 Python 包

安装步骤

1. 克隆项目

复制

git clone [email protected]:wayn111/fastapi-ai-chat-demo.git
cd fastapi-ai-chat-demo

2. 安装依赖包

复制

pip install -r requirements.txt

这会安装以下核心包：

fastapi：Web 框架
uvicorn：ASGI 服务器
redis：Redis 客户端
openai：OpenAI API 客户端
pydantic：数据验证库

3. 配置环境变量

复制 .env.example 为 .env 并填入你的配置：

复制

# OpenAI配置
OPENAI_API_KEY=your_openai_api_key_here
OPENAI_BASE_URL=https://api.openai.com/v1

# Redis配置
REDIS_HOST=localhost
REDIS_PORT=6379

4. 启动 Redis 服务

复制

# Windows
redis-server

# Linux/macOS
sudo systemctl start redis

5. 运行应用

复制

python start_server.py

6. 访问应用

打开浏览器访问：http://localhost:8000

图片

恭喜！你的 AI 聊天应用已经运行起来了！🎉

总结

本项目展示了使用 FastAPI 构建 AI 聊天应用的完整流程，核心技术包括：

异步编程：提升并发处理能力
流式响应：改善用户体验
会话管理：实现多轮对话记忆
角色系统：支持多样化 AI 交互

这个架构具有良好的扩展性，可以轻松添加用户认证、多模态交互等高级功能。FastAPI 的高性能和完善的类型系统使其成为构建现代 AI 应用的理想选择。

最后觉得本文写的不错的话，可以关注我，我会继续更新 FastAPI 框架开发 AI 聊天应用代码。