-
Notifications
You must be signed in to change notification settings - Fork 0
Expand file tree
/
Copy pathmessage_queue.py
More file actions
66 lines (51 loc) · 2.66 KB
/
Copy pathmessage_queue.py
File metadata and controls
66 lines (51 loc) · 2.66 KB
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
import os
import queue
import random
import threading
import time
from langchain_core.messages import AIMessage, BaseMessage, HumanMessage
from langchain_openai import ChatOpenAI
from prompt_toolkit import PromptSession
from prompt_toolkit.patch_stdout import patch_stdout
from _preload import api_key, base_url
llm = ChatOpenAI(model="gpt-5.2", api_key=api_key, base_url=base_url)
messages: list[BaseMessage] = []
# queue.Queue 是线程安全的,可以在多个线程之间共享数据而不需要额外的锁机制。
input_queue: queue.Queue[str] = queue.Queue()
_EXIT = "/exit"
# PromptSession 替代 input(),配合 patch_stdout 实现:
# 主线程 print 时自动清除输入行 → 打印内容 → 重绘输入行,彻底解决输出乱序问题。
session = PromptSession(">>> ")
def input_reader():
"""独立线程:持续读取用户输入并推入队列,LLM 执行期间输入不会丢失。"""
while True:
user_input = session.prompt()
if user_input == _EXIT:
# 立即终止整个进程,不等待 LLM 执行完毕
os._exit(0)
input_queue.put(user_input)
if input_queue.qsize() > 1:
previews = [str(item)[:10] for item in list(input_queue.queue)[1:]]
print(f"[等待队列 {len(previews)} 条: {' | '.join(previews)}]", flush=True)
# patch_stdout 包裹整个主循环:所有 print 调用都会先清除当前输入行,
# 打印完毕后自动重绘 ">>> " 提示符,无需手动补印。
with patch_stdout():
# 启动输入线程,主线程继续执行 LLM 调用,输入线程持续接收用户输入并推入队列,LLM 执行期间输入不会丢失。
input_thread = threading.Thread(target=input_reader, daemon=True)
input_thread.start()
while True:
# 阻塞等待至少一条输入
user_input = input_queue.get()
messages.append(HumanMessage(content=user_input))
# 再把队列里积压的其余消息一并取出(非阻塞)
#
# empty() 和 get_nowait() 两步之间不是原子操作,理论上存在竞态——另一个线程可能在两步
# 之间把元素取走,导致 get_nowait() 还是抛 Empty。但在这个项目里主线程是唯一的消费者,
# 不存在竞争,所以是安全的。
while not input_queue.empty():
messages.append(HumanMessage(content=input_queue.get_nowait()))
# 所有积压消息合并后,只调用一次 LLM
ai_message: AIMessage = llm.invoke(messages)
time.sleep(random.uniform(0, 5)) # 模拟 LLM 慢速输出
messages.append(ai_message)
print(f"\nAI: \n{ai_message.content}\n")