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。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00