Vercel AI SDK 实战:如何拦截和修改 Fetch 请求

Vercel AI SDK 实战:如何拦截和修改 Fetch 请求

ai Build AI-powered applications with React, Svelte, Vue, and Solid ai 项目地址: https://gitcode.com/gh_mirrors/ai/ai

在现代前端开发中,与 AI 服务的交互变得越来越普遍。Vercel AI SDK 提供了一种优雅的方式来处理这些交互,特别是通过拦截和修改 fetch 请求这一强大功能。本文将深入探讨这一技术,帮助开发者更好地控制和定制 AI 服务调用。

为什么需要拦截 Fetch 请求?

在 AI 应用开发中,我们经常需要对 API 请求进行额外的处理。以下是几个典型场景:

  1. 调试与日志记录:记录请求和响应数据,便于问题排查
  2. 安全增强:动态添加认证头信息
  3. 数据转换:在发送前修改请求体,或处理响应数据
  4. 性能优化:实现响应缓存机制
  5. 兼容性处理:使用自定义 HTTP 客户端替代原生 fetch

核心实现原理

Vercel AI SDK 的设计允许开发者为各种 AI 服务提供商(如 OpenAI)的工厂函数提供一个自定义的 fetch 实现。这个自定义函数会在 SDK 内部发起实际请求前被调用,给予开发者完全的控制权。

实战示例

让我们通过一个完整的示例来理解如何实现请求拦截:

import { generateText } from 'ai';
import { createOpenAI } from '@ai-sdk/openai';

// 创建自定义 OpenAI 客户端实例
const openai = createOpenAI({
  // 自定义 fetch 实现,添加日志功能
  fetch: async (url, options) => {
    // 记录请求 URL
    console.log('请求 URL:', url);
    
    // 记录请求头(美化输出)
    console.log('请求头:', JSON.stringify(options!.headers, null, 2));
    
    // 记录请求体(解析并美化)
    const requestBody = options!.body ? JSON.parse(options!.body as string) : {};
    console.log('请求体:', JSON.stringify(requestBody, null, 2));
    
    // 执行实际请求
    const response = await fetch(url, options);
    
    // 这里也可以对响应进行处理
    return response;
  },
});

// 使用自定义客户端生成文本
const { text } = await generateText({
  model: openai('gpt-3.5-turbo'),
  prompt: '为什么天空是蓝色的?',
});

高级应用场景

1. 添加认证头

fetch: async (url, options) => {
  // 添加自定义认证头
  const headers = {
    ...options?.headers,
    'X-API-KEY': 'your-secret-key-here',
    'X-Request-ID': generateUniqueId()
  };
  
  return fetch(url, { ...options, headers });
}

2. 实现请求缓存

const responseCache = new Map();

fetch: async (url, options) => {
  const cacheKey = `${url}-${options?.body}`;
  
  // 检查缓存
  if (responseCache.has(cacheKey)) {
    return responseCache.get(cacheKey);
  }
  
  const response = await fetch(url, options);
  
  // 缓存响应(可根据需要设置过期时间)
  responseCache.set(cacheKey, response.clone());
  
  return response;
}

3. 请求重试机制

fetch: async (url, options, retries = 3) => {
  try {
    return await fetch(url, options);
  } catch (error) {
    if (retries > 0) {
      await new Promise(resolve => setTimeout(resolve, 1000));
      return fetch(url, options, retries - 1);
    }
    throw error;
  }
}

最佳实践建议

  1. 错误处理:确保自定义 fetch 实现有完善的错误处理逻辑
  2. 性能考量:避免在拦截器中执行耗时操作,以免影响请求速度
  3. 幂等性:对于修改请求的操作,确保它们是幂等的
  4. 可测试性:将自定义 fetch 逻辑封装为独立函数,便于单元测试
  5. 环境区分:根据开发/生产环境配置不同的拦截行为

总结

通过 Vercel AI SDK 的请求拦截功能,开发者可以灵活地控制和定制 AI 服务的交互过程。无论是为了调试、安全增强还是性能优化,这一功能都提供了强大的扩展能力。掌握这一技术将帮助你构建更健壮、更高效的 AI 应用。

ai Build AI-powered applications with React, Svelte, Vue, and Solid ai 项目地址: https://gitcode.com/gh_mirrors/ai/ai

创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考

内容概要:本文档详细介绍了利用Google Earth Engine (GEE) 平台对指定区域(位于中国广东省某地)进行遥感影像处理的一系列操作。首先,定义了研究区边界,并选取了 Landsat 8 卫星2023年8月至10月期间的数据,通过去云处理、归一化等预处理步骤确保数据质量。接着,基于预处理后的影像计算了地表温度(LST)、归一化植被指数(NDVI)、湿度指数(WET)、建筑指数(NDBSI)四个关键指标,并进行了主成分分析(PCA),提取出最重要的信息成分。为了进一步优化结果,还应用了像素二元模型对主成分分析的第一主成分进行了条件规范化处理,生成了最终的环境状态评估指数(RSEI)。最后,利用JRC全球表面水体数据集对水体区域进行了掩膜处理,保证了非水体区域的有效性。所有处理均在GEE平台上完成,并提供了可视化展示及结果导出功能。 适合人群:具备地理信息系统基础知识,对遥感影像处理有一定了解的研究人员或技术人员。 使用场景及目标:① 对特定区域的生态环境状况进行定量评估;② 为城市规划、环境保护等领域提供科学依据;③ 掌握GEE平台下遥感影像处理流程技术方法。 其他说明:本案例不仅展示了如何使用GEE平台进行遥感影像处理,还涵盖了多种常用遥感指标的计算方法,如LST、NDVI等,对于从事相关领域的科研工作者具有较高的参考价值。此外,文中涉及的代码可以直接在GEE代码编辑器中运行,便于读者实践操作。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

尤嫒冰

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值