一、目录结构

仓库 notebook 的 c6 文件夹下：

fastapi_chat_app/│├── app.py├── websocket_handler.py├── static/│ └── index.html└── requirements.txt登录后复制

• app.py?FastAPI 应用程序的主要设置和路由。
• websocket_handler.py?处理 WebSocket 连接和消息流。
• static/index.html?HTML页面。
• requirements.txt?所需依赖，通过 pip install -r requirements.txt 安装。

?

二、克隆本仓库

git clone https://github.com/AXYZdong/handy-ollama登录后复制

?

三、安装依赖

pip install -r requirements.txt登录后复制

?

四、核心代码

app.py?文件中的核心代码如下：

import ollamafrom fastapi import WebSocketasync def websocket_endpoint(websocket: WebSocket):await websocket.accept() # 接受WebSocket连接user_input = await websocket.receive_text() # 接收用户输入的文本消息stream = ollama.chat( # 使用ollama库与指定模型进行对话model='llama3.1', # 指定使用的模型为llama3.1messages=[{'role': 'user', 'content': user_input}], # 传入用户的输入消息stream=True # 启用流式传输)try:for chunk in stream: # 遍历流式传输的结果model_output = chunk['message']['content'] # 获取模型输出的内容await websocket.send_text(model_output) # 通过WebSocket发送模型输出的内容except Exception as e: # 捕获异常await websocket.send_text(f”Error: {e}“) # 通过WebSocket发送错误信息finally:await websocket.close() # 关闭WebSocket连接登录后复制

接受 WebSocket 连接：

• await websocket.accept()：首先，函数接受来自客户端的 WebSocket 连接请求，建立与客户端的通信通道。

接收用户输入：

• user_input = await websocket.receive_text()：通过 WebSocket 从客户端接收一条文本消息，获取用户输入的内容。

初始化对话流：

• stream = ollama.chat(...)：调用 ollama 库中的 chat 方法，指定使用的模型为 llama3.1。将用户的输入作为消息传递给模型，并启用流式传输（stream=True），以便逐步获取模型生成的回复。

处理模型输出：

• for chunk in stream：遍历从模型中流式传输过来的数据块。
• model_output = chunk['message']['content']：从每个数据块中提取出模型生成的文本内容。
• await websocket.send_text(model_output)：通过 WebSocket 将提取出的模型回复发送回客户端，实现实时对话。

异常处理：

• except Exception as e：如果在处理过程中出现任何异常（例如，网络问题、模型错误等），捕获异常并通过 WebSocket 发送一条错误信息，告知客户端发生了错误。

关闭 WebSocket 连接：

• finally：无论是否发生异常，最终都确保关闭 WebSocket 连接，以释放资源并结束会话。

?

五、运行app

1. 在目录下 (fastapi_chat_app/)；
2. 运行 app.py 文件。

uvicorn app:app --reload登录后复制

打开页面。

后台显示的正常输出。

《夸克》非常好用的免费AI浏览器

下载APP查看