Розробка потокового виведення LLM (Streaming Responses) під ключ

Ви запустили чат-бота на LLM, і користувачі скаржаться на довге очікування відповіді. Затримка в 5–10 секунд вбиває конверсію — кожен токен відображається на клієнті практично миттєво, створюючи ефект живого набору тексту. Це критично важливо для чат-ботів, асистентів і будь-якого інтерфейсу, де користувач чекає відповіді. Одного разу ми впроваджували стрімінг для fintech-сервісу з 10 000 одночасних користувачів: після переходу на потоковий вивід latency p99 знизилась з 12 с до 400 мс, а конверсія зросла на 30%. Потоковий вивід прискорює час першої відповіді в 10–20 разів порівняно з пакетною видачею. Рішення — потоковий вивід (streaming responses). Ми впроваджуємо стрімінг відповідей LLM за допомогою Server-Sent Events (SSE) та WebSocket, знижуючи видиму затримку до 200–500 мс. Наш досвід — 50+ інтеграцій LLM для фінтеху, e-commerce та SaaS. Гарантуємо якість: latency p99 < 500 мс.

Згідно з документацією MDN, SSE використовує стандартне HTTP-з'єднання та автоматично перепідключається при обриві. Це робить його оптимальним для більшості сценаріїв чатів.

Як працює потоковий вивід LLM?

Замість того, щоб чекати повну відповідь, сервер відправляє клієнту токени в міру генерації. Використовується протокол SSE (Server-Sent Events) — текстовий потік по HTTP для потокової передачі даних. Клієнт отримує data: чанки з JSON-полем text. Коли модель завершує, відправляється done: true. SSE в 2–3 рази простіший у реалізації, ніж WebSocket, і не вимагає додаткових бібліотек на бекенді. Без стрімінгу користувач чекає 5–10 секунд — за цей час він йде. Зі стрімінгом перша літера з'являється через 200 мс. Таким чином, користувач бачить потоковий вивід відповідей у реальному часі, що забезпечує потокове виведення відповідей без затримок.

Чому SSE, а не WebSocket?

SSE простіший: немає рукостискання, автоматичне перепідключення, працює через HTTP/2. WebSocket дає двонаправленість, але для простого чату надлишковий. Порівняємо:

Для 90% випадків SSE — оптимальний вибір. WebSocket виправданий при двосторонній передачі (наприклад, голосові команди).

Підтримувані моделі

Практично всі сучасні LLM підтримують стрімінг: Claude (Anthropic), GPT-4o (OpenAI), LLaMA 3 (через vLLM), Gemini (Google), Mistral, Qwen. Для кожної моделі потрібно використовувати відповідний SDK з streaming-режимом. Наприклад, AsyncAnthropic і AsyncOpenAI надають асинхронні генератори токенів. Ми обираємо модель під ваш сценарій: для чат-ботів — Claude Sonnet або GPT-4o, для real-time асистентів — LLaMA 3 через vLLM з мінімальною затримкою. Claude Sonnet забезпечує в 2 рази меншу затримку, ніж GPT-4o при аналогічній якості.

Обробка переривань та backpressure

Клієнт може скасувати запит у будь-який момент. Якщо не обробити, модель продовжить генерацію — зайві токени та гроші. Ми реалізуємо cancel_event:

import asyncio

async def stream_with_cancellation(
    messages: list[dict],
    cancel_event: asyncio.Event,
) -> AsyncGenerator[str, None]:
    """Стрімінг з підтримкою скасування"""
    async with anthropic_client.messages.stream(
        model="claude-sonnet-4-5",
        max_tokens=2048,
        messages=messages,
    ) as stream:
        async for text in stream.text_stream:
            if cancel_event.is_set():
                stream.close()
                yield f"data: {json.dumps({'cancelled': True})}\n\n"
                return
            yield f"data: {json.dumps({'text': text})}\n\n"

Додатково використовуємо backpressure: при переповненні буфера клієнта призупиняємо ітерацію генератора. Це запобігає відвалу з'єднання.

Backend: FastAPI + SSE

from fastapi import FastAPI
from fastapi.responses import StreamingResponse
from anthropic import AsyncAnthropic
from openai import AsyncOpenAI
import asyncio
import json

app = FastAPI()
anthropic_client = AsyncAnthropic()
openai_client = AsyncOpenAI()

async def stream_anthropic(messages: list[dict], system: str = "") -> AsyncGenerator[str, None]:
    """Генератор для Claude streaming"""
    async with anthropic_client.messages.stream(
        model="claude-sonnet-4-5",
        max_tokens=2048,
        system=system,
        messages=messages,
    ) as stream:
        async for text in stream.text_stream:
            yield f"data: {json.dumps({'text': text})}\n\n"
        yield f"data: {json.dumps({'done': True})}\n\n"

async def stream_openai(messages: list[dict]) -> AsyncGenerator[str, None]:
    """Генератор для OpenAI streaming"""
    async with await openai_client.chat.completions.create(
        model="gpt-4o",
        messages=messages,
        stream=True,
    ) as stream:
        async for chunk in stream:
            delta = chunk.choices[0].delta
            if delta.content:
                yield f"data: {json.dumps({'text': delta.content})}\n\n"
        yield f"data: {json.dumps({'done': True})}\n\n"

@app.post("/chat/stream")
async def chat_stream(request: dict):
    messages = request.get("messages", [])
    provider = request.get("provider", "anthropic")

    generator = (
        stream_anthropic(messages)
        if provider == "anthropic"
        else stream_openai(messages)
    )

    return StreamingResponse(
        generator,
        media_type="text/event-stream",
        headers={
            "Cache-Control": "no-cache",
            "X-Accel-Buffering": "no",
        }
    )

Ми обираємо AsyncAnthropic та AsyncOpenAI для асинхронного стрімінгу. Важно: виставляємо X-Accel-Buffering: no для nginx — інакше nginx почне буферизувати SSE.

Frontend: React з потоковим читанням

import { useState, useCallback } from 'react';

function useStreamingChat() {
  const [response, setResponse] = useState('');
  const [isStreaming, setIsStreaming] = useState(false);

  const sendMessage = useCallback(async (messages: Message[]) => {
    setIsStreaming(true);
    setResponse('');

    const res = await fetch('/chat/stream', {
      method: 'POST',
      headers: { 'Content-Type': 'application/json' },
      body: JSON.stringify({ messages }),
    });

    const reader = res.body!.getReader();
    const decoder = new TextDecoder();

    while (true) {
      const { done, value } = await reader.read();
      if (done) break;

      const chunk = decoder.decode(value);
      const lines = chunk.split('\n\n');

      for (const line of lines) {
        if (line.startsWith('data: ')) {
          const data = JSON.parse(line.slice(6));
          if (data.done) {
            setIsStreaming(false);
            return;
          }
          setResponse(prev => prev + data.text);
        }
      }
    }
    setIsStreaming(false);
  }, []);

  return { response, isStreaming, sendMessage };
}

Для POST-запитів використовуємо ReadableStream — це гнучкіше, ніж EventSource, і дозволяє відправляти тіло запиту.

Процес роботи

1. Аналітика: розбираємо вашу архітектуру, обираємо модель і протокол (SSE/WebSocket).
2. Проектування: малюємо діаграму потоків, визначаємо точки переривання.
3. Реалізація: пишемо backend endpoint, frontend компонент, обробку помилок.
4. Тестування: навантажувальний тест з імітацією N користувачів, замір p99 latency.
5. Деплой та моніторинг: налаштовуємо nginx, CDN, моніторинг (Grafana + Prometheus) для відстеження стрімінгових з'єднань.

Що входить в роботу

• Backend endpoint з SSE або WebSocket (FastAPI).
• React-компонент (TypeScript) з обробкою переривань, індикатором завантаження, авто-скролом.
• Документація: опис протоколу, конфіги nginx, приклади запитів.
• Підтримка після запуску: 1 місяць інцидент-менеджменту.

Терміни орієнтовно

Вартість впровадження від $2,000 до $5,000 залежно від складності. Зв'яжіться з нами для оцінки вашого проекту. Замовте впровадження потокового виведення для вашого LLM-сервісу — покращте UX та конверсію.

Потоковий вивід — не просто фіча, а вимога сучасного UX для потокових чат-ботів. Ми реалізуємо його під ключ за 5–10 днів. Наш досвід — 50+ проектів з LLM. Отримайте консультацію прямо зараз.

Практичний розбір LLM: fine-tuning, RAG, агенти, деплой

Модель GPT‑4 або Claude 3.5 Sonnet через публічне API — не рішення, а просто інструмент. Коли приходить вимога «зробити як ChatGPT, але на наших даних», за нею стоїть реальна інженерна задача: від налаштування промптів до навчання 70B‑моделі на власній інфраструктурі. LLM розробка під ключ — це складний стек, і ми займаємося цим понад 5 років. За цей час реалізовано понад 20 проєктів у галузі генеративного AI: від RAG‑систем для юридичних департаментів до кастомних агентів для техпідтримки. Де саме знаходиться ваша задача — залежить від даних, latency‑вимог, бюджету та того, наскільки критична конфіденційність.

Типова ситуація: клієнт уже спробував ChatGPT, але результати нестабільні — то відповідає точно, то галюцинує. Або потрібна інтеграція в корпоративний портал з дотриманням політик безпеки. Розберемо кожен шар стеку в деталях — від RAG до production‑деплою.

Чому RAG‑системи ламаються і як це виправити?

RAG (Retrieval‑Augmented Generation) виглядає просто: знайшли релевантні документи, поклали в контекст, модель відповіла. На практиці збоїть у кількох місцях.

Chunking без перекриття. Класична помилка: chunk_size=512, overlap=0. Якщо відповідь лежить на межі двох чанків, retrieval не знайде жодного з достатньою впевненістю. Рішення: overlap 15–25% від chunk_size, а краще sentence‑aware splitting через spaCy або NLTK, а не наївне розбиття за символами.

Поганий embedder. Текст‑embedding‑ada‑002 — хороший для загального випадку, але на юридичних або медичних текстах програє спеціалізованим моделям: E5‑large‑v2, BGE‑M3 або fine‑tuned sentence‑transformers на доменних даних. Різниця в Recall@5 може становити 15–25%.

Відсутність re‑ranking. Векторний пошук оптимізований за швидкістю, не за релевантністю. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) після первинного retrieval піднімає точність топ‑3 при прийнятній затримці (+50–150 ms). Це часто важливіше за покращення embedding‑моделі.

Гібридний пошук. Тільки dense вектори погано працюють на точних запитах: імена, артикули, коди. BM25 (sparse) добре знаходить точні збіги, але не розуміє семантику. Гібрид через RRF (Reciprocal Rank Fusion) — оптимальний компроміс. Qdrant, Weaviate та pgvector 0.7+ підтримують гібридний пошук нативно.

Коли варто fine‑tune, а не промпт‑інжиніринг?

Промпт‑інжиніринг вирішує ~70% завдань адаптації LLM під домен. Решта 30% вимагають донавчання. Три ознаки: модель ігнорує специфічний формат виведення навіть при детальному описі в промпті; задача вимагає глибокого знання спеціалізованої лексики (медицина, право); потрібно значно знизити витрати на токени, замінивши велику модель меншою спеціалізованою.

LoRA та QLoRA — стандарт для SFT. LoRA додає trainable low‑rank матриці до attention‑шарів. Типова конфігурація для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — параметрів, що навчаються, ~0.8%, навчання на одній A100 40GB. QLoRA додає 4‑бітну квантизацію (NF4) і дозволяє fine‑tune 70B модель на двох A100 40GB, хоча швидкість падає вдвічі порівняно з bf16.

DPO замість RLHF. Direct Preference Optimization вимагає лише пари (chosen, rejected), а не скалярні reward‑сигнали. DPOTrainer з бібліотеки trl (Hugging Face) реалізує це кількома десятками рядків.

Типова помилка. Датасет з 500 прикладів, 5 епох, validation loss 0.8 — здається норм. Але на тесті модель деградувала на загальних інструкціях. Причина: catastrophic forgetting. Рішення — додати 10–20% загальних instruction‑following прикладів (Alpaca, FLAN) у навчальну вибірку, щоб не зруйнувати вихідні здібності.

Як обрати базову модель: 8B чи 70B?

Для більшості задач fine‑tuning 8B моделі достатньо. 70B потрібен, коли потрібне глибоке міркування або baseline 8B не досягає потрібної якості навіть після донавчання. Вартість інференсу Llama‑3 8B через vLLM на A100 значно нижча, ніж у GPT‑4, що робить його економічно вигідним.

Що дає PagedAttention в production?

vLLM — перший вибір для serving open‑source моделей. PagedAttention — ключове технічне рішення: KV‑cache керується як virtual memory в ОС, без фрагментації. Це дає throughput у 2–4 рази вище порівняно з наївним HuggingFace Transformers inference. Документація vLLM підтверджує: continuous batching та PagedAttention — стандарт для високонавантажених LLM‑сервісів.

Типові числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двох A100 з tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизація AWQ або GPTQ знижує споживання пам'яті в 2 рази при втраті якості в межах 1–3%.

Мультиагентні системи

Агенти — LLM з доступом до інструментів: пошук, виконання коду, запити до API, робота з БД. Основні патерни:

• ReAct (Reason + Act): модель розмірковує → обирає інструмент → спостерігає результат → знову розмірковує. LangChain та LlamaIndex реалізують з коробки.
• Multi‑agent orchestration: кілька спеціалізованих агентів з координатором зверху. Приклад: coordinator → researcher (пошук + summarization) → coder (генерація та виконання коду) → critic (перевірка). Інструменти: AutoGen (Microsoft), CrewAI, кастомна реалізація на LangGraph.

В продакшені агентні системи недетерміновані. Обов'язкові guardrails, ліміти кроків, логування кожного кроку, human‑in‑the‑loop для критичних дій.

Як ми гарантуємо якість LLM рішення?

Ми використовуємо RAGAS для автоматичної оцінки відповідей: faithfulness, answer relevancy, context precision. Система трекінгу експериментів на базі MLflow фіксує всі метрики, датасети та конфіги. Це дозволяє порівнювати різні гіпотези та доводити покращення з цифрами. Гарантію стабільної роботи забезпечує continuous integration з тестами на специфічних сценаріях (prompt injection, edge‑cases).

Як почати LLM розробку: наступні кроки

Ми передаємо:

• Технічну документацію (model card, конфіги, інструкції з розгортання)
• Доступ до інфраструктури (репозиторій з кодом, навчені ваги)
• 1 місяць підтримки після деплою (консультації, виправлення багів)
• Навчання команди замовника (2–3 заняття з експлуатації системи)

Терміни: базовий RAG‑прототип — 1–2 тижні. Fine‑tuning з даними замовника — 3–6 тижнів (з урахуванням підготовки даних). Production‑система з моніторингом та перенавчанням — 2–4 місяці.

Вартість розраховується індивідуально і залежить від обсягу даних, складності моделі та вимог до інфраструктури. Хочете оцінити свій проєкт? Зв'яжіться з нами — ми підготуємо попереднє резюме за 1–2 робочі дні. Або замовте консультацію фахівця з вибору підходу: RAG, fine‑tuning або гібрид — розповімо, що підійде саме вам.