Higress项目中ai-transformer插件的编译与使用指南
背景介绍
Higress是阿里巴巴开源的一款高性能云原生网关,其ai-transformer插件是一个基于WASM(WebAssembly)技术实现的AI请求转换器。该插件能够对HTTP请求进行智能转换处理,通过与AI服务交互实现请求内容的自动转换功能。
核心功能解析
ai-transformer插件的主要功能是在HTTP请求处理过程中,将原始请求内容通过AI服务进行转换处理。其核心处理逻辑位于OnHttpRequestBody方法中,该方法是WASM插件处理HTTP请求体的关键入口。
关键技术点
-
请求头获取的特殊处理:在标准proxy-wasm规范中,GetHttpRequestHeaders方法只能在OnHttpRequestHeaders和OnHttpStreamDone阶段调用。但Higress通过扩展proxy-wasm ABI,允许在请求体处理阶段也能获取请求头信息。
-
AI服务集成:插件通过配置的API Key与AI服务进行交互,将原始请求内容和请求头信息组合后发送给AI服务,获取转换后的结果。
-
请求内容替换:插件能够将AI服务返回的转换结果替换原始请求内容和头信息,实现请求的智能转换。
编译注意事项
编译ai-transformer插件时需要特别注意以下几点:
-
特殊编译标签:必须使用
proxy_wasm_version_0_2_100标签进行编译,这是Higress扩展proxy-wasm ABI的关键标识。 -
推荐编译方式:
- 使用项目提供的Makefile进行编译:
PLUGIN_NAME=ai-transformer EXTRA_TAGS=proxy_wasm_version_0_2_100 make build - 或者直接使用TinyGo编译器:
tinygo build -o main.wasm -scheduler=none -target=wasi -gc=custom -tags='custommalloc nottinygc_finalizer proxy_wasm_version_0_2_100' ./extensions/ai-transformer/main.go
- 使用项目提供的Makefile进行编译:
-
内存管理配置:编译时需要指定自定义的内存分配器(-gc=custom)并禁用TinyGo的终结器(nottinygc_finalizer),这是WASM环境下的特殊要求。
常见问题解决方案
如果在使用过程中遇到"Failed to get http response headers"错误,通常是由于以下原因:
-
未使用正确的编译标签进行编译,导致无法使用Higress扩展的proxy-wasm ABI功能。
-
尝试在标准proxy-wasm环境下运行插件,而该环境不支持在请求体处理阶段获取请求头。
解决方案是确保使用上述提到的特殊编译标签重新编译插件,并在Higress环境中运行。
最佳实践建议
-
性能考虑:AI转换操作可能会引入额外延迟,建议合理设置超时时间(如示例中的50000毫秒)。
-
错误处理:在生产环境中,应增强错误处理逻辑,包括重试机制和降级策略。
-
安全考虑:确保API Key的安全存储和传输,避免敏感信息泄露。
通过正确编译和配置ai-transformer插件,开发者可以在Higress网关上实现强大的AI驱动请求转换功能,为现代应用架构提供更智能的流量处理能力。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0202
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0130
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python08
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07