Chandra代码实例：通过curl/API调用Chandra后端服务的Python示例-洪萨配资

Chandra代码实例：通过curl/API调用Chandra后端服务的Python示例

1. 什么是Chandra：一个私有化AI聊天助手

Chandra不是另一个云端API服务，而是一个真正属于你自己的AI聊天助手。它的名字源自梵语中的“月神”，象征着智慧、静谧与内在洞察力——这恰恰契合了它作为本地AI服务的本质：不喧哗、不外泄、不依赖网络，只在你需要时安静而可靠地回应。

当你启动Chandra镜像，它会在容器内自动完成三件关键事：安装Ollama运行时、拉取并加载Google的gemma:2b轻量模型、启动前端Web界面。整个过程无需手动配置，也不需要你打开终端敲命令。它像一台即插即用的智能收音机——通电即响，静音即止。

但Chandra的价值远不止于点开网页聊天。它的后端完全基于标准HTTP API设计，这意味着你可以绕过前端界面，直接用Python脚本、curl命令，甚至自动化工作流与它对话。这种能力，让Chandra从“玩具级聊天框”跃升为可集成、可编排、可嵌入业务流程的私有AI引擎。

如果你正在寻找一种方式，把大模型能力安全地嵌入内部系统——比如客服工单自动摘要、研发文档实时问答、或HR面试问题生成——那么理解如何调用Chandra的API，就是迈出的第一步，也是最关键的一步。

2. Chandra的API结构与通信原理

2.1 后端服务是如何暴露的

Chandra镜像启动后，会同时运行两个核心服务：

Ollama服务：默认监听http://localhost:11434（容器内），提供标准的Ollama REST API（如/api/chat,/api/generate）
Chandra Web服务：作为代理层和前端服务器，监听http://localhost:8080（容器外映射端口），它将用户请求转发给Ollama，并处理会话状态、流式响应封装等逻辑

关键事实：Chandra前端本身并不处理模型推理，它只是一个轻量级网关。所有真正的AI计算都发生在Ollama层。因此，直接调用Ollama API更底层、更灵活；而调用Chandra API则更贴近实际使用体验（如支持多轮上下文、消息历史管理）。

本教程聚焦于Chandra提供的标准聊天API，因为它完整复现了你在网页界面上的操作逻辑：发送消息 → 接收流式回复 → 保持会话连贯性。

2.2 核心API端点与请求格式

Chandra对外暴露的聊天接口是：

POST http://<your-server-ip>:8080/api/chat

它接受一个标准JSON payload，结构如下：

{ "model": "gemma:2b", "messages": [ { "role": "user", "content": "你好，介绍一下你自己。" } ], "stream": true }

model：指定使用的模型名称（必须与Ollama中已加载的模型名一致）
messages：消息数组，每条包含role（user或assistant）和content（文本内容）
stream：设为true可获得逐字流式响应（与网页“打字机效果”一致）；设为false则等待完整回复后一次性返回

响应体是Server-Sent Events（SSE）格式，每行以data:开头，内容为JSON字符串。这是实现流畅对话体验的关键机制。

2.3 为什么不用直接调Ollama？——Chandra API的独特价值

你当然可以直接向http://localhost:11434/api/chat发送请求。但Chandra API做了几项重要增强：

自动会话管理：无需手动拼接历史消息，Chandra内部维护上下文窗口
统一错误处理：模型未加载、服务不可用等异常被标准化为HTTP状态码+清晰提示
跨域就绪：已预配置CORS，方便前端JS直连（对Python调用无影响，但体现设计完整性）
轻量认证预留：路径设计支持未来扩展Bearer Token验证（当前未启用，但结构已就位）

换句话说：Ollama是引擎，Chandra是方向盘+仪表盘+安全气囊——它让你开得更稳、更省心。

3. Python调用实战：从零开始构建一个命令行聊天器

3.1 环境准备与依赖安装

我们不需要复杂框架。仅需Python 3.8+ 和两个轻量库：

pip install requests sseclient-py

requests：发起HTTP请求
sseclient-py：优雅解析Server-Sent Events流（比手动按行解析更健壮）

注意：不要使用sseclient（旧版，不维护），务必安装sseclient-py（活跃维护，兼容Python 3.9+）

3.2 完整可运行代码：支持多轮对话的CLI聊天器

以下代码实现了与Chandra Web UI完全一致的交互体验：输入问题 → 实时显示AI逐字回复 → 自动将本次对话加入历史 → 支持连续提问。

# chandra_cli.py import requests from sseclient import SSEClient import sys # 配置：请根据你的部署情况修改 CHANDRA_URL = "http://localhost:8080" # 若部署在远程服务器，请替换为公网IP或域名 MODEL_NAME = "gemma:2b" def chat_with_chandra(): print(" Chandra CLI 聊天器已启动（输入 'quit' 或 'exit' 退出）") print(" 提示：支持中文，可随时追问上一个问题\n") # 维护会话历史（模拟Web UI的上下文记忆） messages = [] while True: try: # 1. 获取用户输入 user_input = input("🧑‍ 你: ").strip() if user_input.lower() in ["quit", "exit", "q"]: print("👋 再见！Chandra随时待命。") break if not user_input: continue # 2. 构建请求数据 payload = { "model": MODEL_NAME, "messages": [{"role": "user", "content": user_input}], "stream": True } # 3. 发送POST请求，启用流式响应 response = requests.post( f"{CHANDRA_URL}/api/chat", json=payload, stream=True, timeout=120 # 防止长思考卡死 ) # 4. 检查HTTP状态 if response.status_code != 200: print(f"❌ 请求失败: {response.status_code} - {response.text[:100]}") continue # 5. 解析SSE流，逐块打印AI回复 print("🌙 Chandra: ", end="", flush=True) client = SSEClient(response) assistant_reply = "" for event in client.events(): if event.data == "[DONE]": break try: data = event.data.strip() if not data: continue chunk = eval(data) # 简单解析JSON字符串（生产环境建议用json.loads） if "message" in chunk and "content" in chunk["message"]: content = chunk["message"]["content"] if content: print(content, end="", flush=True) assistant_reply += content except Exception as e: print(f"\n 解析响应时出错: {e}") break print() # 换行 # 6. 将本轮对话加入历史（为下一轮提问提供上下文） messages.append({"role": "user", "content": user_input}) messages.append({"role": "assistant", "content": assistant_reply}) except KeyboardInterrupt: print("\n\n👋 手动中断，再见！") break except requests.exceptions.RequestException as e: print(f"\n❌ 网络错误: {e}") print(" 请确认Chandra服务正在运行，且地址正确。") except Exception as e: print(f"\n❌ 未知错误: {e}") if __name__ == "__main__": chat_with_chandra()

3.3 代码关键点详解

stream=True+SSEClient：这是实现“打字机效果”的核心。requests的stream=True开启流式读取，SSEClient负责按data:分隔符解析事件流，避免手动处理换行和边界。
eval(data)的说明：此处为简化演示（gemma:2b返回的content不含恶意代码）。生产环境应严格使用json.loads(data)并捕获JSONDecodeError。
timeout=120：gemma:2b通常在1–3秒内响应，但复杂问题可能稍长。设超时防止程序假死。
messages历史管理：虽然Chandra API当前版本不强制要求传入历史消息（它内部会缓存），但显式维护messages数组是良好实践，确保逻辑清晰、便于未来迁移到需要显式上下文的模型（如llama3）。

3.4 运行效果实录

启动脚本后，你会看到类似这样的交互：

Chandra CLI 聊天器已启动（输入 'quit' 或 'exit' 退出） 提示：支持中文，可随时追问上一个问题 🧑‍ 你: 你好，介绍一下你自己。 🌙 Chandra: 你好！我是Chandra，一个由本地Ollama驱动的AI聊天助手。我基于Google的gemma:2b模型，所有计算都在你的设备上完成，不上传任何数据，保障你的隐私安全。我可以帮你解答问题、创作文字、编写代码，或者只是陪你聊聊天。有什么我可以帮你的吗？ 🧑‍ 你: 你能写一首关于月亮的五言绝句吗？ 🌙 Chandra: 当然可以： 银汉无声转玉盘， 清辉漫洒夜阑干。 桂影婆娑风自远， 冰轮皎洁照人寒。 ——希望你喜欢这首小诗！ 🧑‍ 你: quit 👋 再见！Chandra随时待命。

每一行AI回复都是实时逐字打印，毫无延迟感——这正是流式API的价值所在。

4. curl命令速查：快速验证与调试

当Python环境不可用，或你需要快速测试API连通性时，curl是最直接的工具。

4.1 最简curl调用（非流式，适合调试）

curl -X POST http://localhost:8080/api/chat \ -H "Content-Type: application/json" \ -d '{ "model": "gemma:2b", "messages": [{"role": "user", "content": "你好"}], "stream": false }'

此命令将返回完整JSON响应，包含message.content字段。适用于检查服务是否存活、模型是否加载成功。

4.2 流式curl调用（模拟真实体验）

curl -X POST http://localhost:8080/api/chat \ -H "Content-Type: application/json" \ -d '{ "model": "gemma:2b", "messages": [{"role": "user", "content": "讲个冷笑话"}], "stream": true }' \ | grep "content" | sed 's/.*"content":"\([^"]*\)".*/\1/' | tr -d '\n'

grep "content"：过滤出含content的data行
sed：提取双引号内的文本
tr -d '\n'：删除换行，实现“打字”效果

注意：此命令在macOS上需安装GNU sed（brew install gnu-sed），并改用gsed。Linux用户可直接使用。

4.3 常见HTTP错误码速查表

状态码	含义	典型原因	解决方案
`404 Not Found`	`/api/chat`路径不存在	Chandra服务未启动，或端口映射错误	检查容器日志，确认`8080`端口已正确暴露
`503 Service Unavailable`	Ollama服务未就绪	镜像刚启动，Ollama仍在加载模型（约需60–90秒）	等待1–2分钟后再试，或查看容器日志中`Ollama is ready`提示
`400 Bad Request`	JSON格式错误或model名不存在	`model`字段拼写错误（如写成`gemma2b`）	使用`curl http://localhost:11434/api/tags`查看已加载模型列表
`408 Request Timeout`	请求超时	网络延迟高，或模型响应慢（罕见于gemma:2b）	增加curl的`--max-time 120`参数，或检查服务器资源

5. 进阶应用：将Chandra集成到你的工作流中

5.1 场景一：自动化文档问答机器人

假设你有一份PDF技术手册，想让它“活”起来：

用pymupdf提取PDF文本
用sentence-transformers做向量切分
将每个段落作为独立user消息，批量调用Chandra API
返回结果按相关性排序，生成精准答案

# 伪代码示意 for chunk in document_chunks[:5]: # 取前5个最相关的段落 response = requests.post( f"{CHANDRA_URL}/api/chat", json={ "model": "gemma:2b", "messages": [ {"role": "user", "content": f"根据以下文档片段回答问题：{chunk}"}, {"role": "user", "content": "Chandra，Kubernetes中Service的ClusterIP类型作用是什么？"} ] } ) # 解析response.json()["message"]["content"]

5.2 场景二：邮件智能摘要服务

每天收上百封邮件？用Chandra自动生成摘要：

# 从邮箱API拉取最新5封未读邮件 emails = get_unread_emails(limit=5) for email in emails: summary = requests.post( f"{CHANDRA_URL}/api/chat", json={ "model": "gemma:2b", "messages": [{ "role": "user", "content": f"请用不超过50字，概括以下邮件的核心内容和行动项：\n{email.body}" }] } ).json()["message"]["content"] print(f"📧 {email.subject} → {summary}")

5.3 场景三：代码审查辅助（需微调提示词）

虽然gemma:2b不是专为代码设计，但通过强提示词可胜任基础任务：

prompt = """你是一名资深Python工程师。请严格按以下步骤审查代码： 1. 指出所有潜在的空指针风险（None检查缺失） 2. 标注任何违反PEP8的命名规范 3. 用中文给出1条最关键的改进建议 代码如下： ```python def process_data(items): result = [] for item in items: result.append(item.upper()) return result ```""" response = requests.post( f"{CHANDRA_URL}/api/chat", json={"model": "gemma:2b", "messages": [{"role": "user", "content": prompt}]} ).json()["message"]["content"]

提示：将上述场景中的requests.post替换为你在3.2节写的流式函数，即可获得实时审查反馈。

6. 总结：掌握API，就是掌握Chandra的全部潜力

Chandra的价值，从来不在那个简洁的网页界面上。它真正的力量，藏在/api/chat这个短短的路径之后——那里是一扇门，通往一个完全可控、绝对私有、随时待命的AI大脑。

通过本文的Python示例，你已经掌握了：

如何用标准HTTP协议与Chandra通信
如何解析流式响应，实现“所问即所得”的实时体验
如何维护对话历史，让AI记住上下文
如何用curl快速诊断服务状态
如何将Chandra无缝嵌入文档处理、邮件管理、代码审查等真实工作流

你不再是一个被动的聊天用户，而是一个能调度AI能力的架构师。下一步，你可以：

把CLI脚本打包成桌面App（用pyinstaller）
将API接入企业微信/钉钉机器人
用FastAPI封装一层业务逻辑，提供/summarize、/translate等语义化接口
甚至为不同部门部署多个Chandra实例，各自加载专属模型（如phi3:3.8b用于代码，tinyllama用于会议纪要）

技术的终极自由，是选择权。而Chandra，正把这份自由，交还到你手中。

获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。

Chandra代码实例：通过curl/API调用Chandra后端服务的Python示例