Εισαγωγή

ΣΗΜΕΙΩΣΗ: Το άρθρο του είναι κατά κύριο λόγο AI που παράγεται ως μέρος του πακέτου nuget μου ως έγγραφα κυκλοφορίας. Είναι αρκετά ενδιαφέρον γι 'αυτό το βάζω εδώ, αλλά αν αυτό είναι ένα πρόβλημα για σας παρακαλώ αγνοήστε το.

Ως μέρος της δικής μου Nuget πακέτο LLMApi / ως επί το πλείστον διαυγή.mockllmapi Έπρεπε να έχω μια σελίδα για να ενεργοποιήσω τη χρήση των χαρακτηριστικών SignalR που έχει (μπορεί να προσομοιώσει τις feeds SignalR χρησιμοποιώντας LLMs για την παροχή δεδομένων).

Μπορείτε να βρείτε το GitHub εδώ για το έργο, όλος ο δημόσιος τομέας κ.λπ...

Έγινε ένα αρκετά ωραίο εργαλείο!

Προσομοιωτής SignerName

Αν έχετε ποτέ χρειαστεί να χτίσει ένα ταμπλό ή σε πραγματικό χρόνο UI πριν από την πραγματική πηγή δεδομένων υπάρχει, ξέρετε την πρόκληση. setInterval() βρόχοι που περιστρέφονται μέσα από την ίδια χούφτα των αντικειμένων.

Περιγράφετε τι δεδομένα χρειάζεστε σε απλά αγγλικά, και ένα τοπικό LLM παράγει ρεαλιστικό, ποικίλο JSON που ρέει στο πρόγραμμα περιήγησης σας σε πραγματικό χρόνο. Δεν εξαρτήματα για τη διατήρηση, δεν αρχεία σπόρων για την ενημέρωση, απλά περιγράψτε τι θέλετε και παρακολουθήστε τη ροή.

Επιτρέψτε μου να σας δείξω πώς λειτουργεί και πώς να πάρει το μεγαλύτερο μέρος από αυτό.

Τι κάνει αυτό το εργαλείο

Η σελίδα επίδειξης Signer (Index.cshtml) είναι ένας πίνακας ελέγχου για τη διαχείριση των ροών δεδομένων σε πραγματικό χρόνο. Εδώ είναι η βασική ροή:

Δημιουργείτε ένα "σύνθημα" (ένα ονομασμένο ρεύμα δεδομένων)
Περιγράφετε τι είδους δεδομένα θέλετε στα απλά αγγλικά
Μια LLM παράγει την κατάλληλη JSON με βάση την περιγραφή σας
Signer σπρώχνει φρέσκα δεδομένα στο πρόγραμμα περιήγησής σας κάθε 5 δευτερόλεπτα
Βλέπετε τα αποτελέσματα με τη σύνταξη τονίζοντας σε πραγματικό χρόνο

Είναι ιδιαίτερα χρήσιμο όταν πρωτοτυπείτε, χτίζετε demo, ή εργάζεστε σε frontend χαρακτηριστικά, ενώ περιμένετε το backend APIs να είναι έτοιμο. Τα δεδομένα φαίνονται ρεαλιστικά επειδή το LLM κατανοεί το πλαίσιο και δημιουργεί τις κατάλληλες τιμές.

Η Μεγάλη Εικόνα

graph TB
    Browser[Your Browser]
    UI[Demo UI]
    API[Management API]
    Hub[SignalR Hub]
    Manager[Context Manager]
    BG[Background Service]
    LLM[LLM Ollama/OpenAI]
    Cache[Response Cache]

    Browser -->|Create Context| API
    API -->|Store Config| Manager
    Browser -->|Connect Subscribe| Hub
    Hub -->|Register Client| Manager
    BG -->|Generate Data| LLM
    LLM -->|Return JSON| BG
    BG -->|Cache Responses| Cache
    BG -->|Push to Clients| Hub
    Hub -->|Real-time Updates| Browser

Γιατί Signer για ενημερώσεις πραγματικού χρόνου;

SignalR διατηρεί μια επίμονη σύνδεση WebSocket μεταξύ του προγράμματος περιήγησής σας και του διακομιστή. Αντί να δημοσκοπήσετε ένα τελικό σημείο κάθε λίγα δευτερόλεπτα με τα αιτήματα HTTP, ο διακομιστής πιέζει τα δεδομένα όταν είναι έτοιμα.

Είναι η ίδια τεχνολογία που χρησιμοποιείται σε εφαρμογές συνομιλίας, live ταμπλό, και συνεργατικά εργαλεία όπου η άμεση ενημέρωση έχει σημασία.

Γρήγορη Έναρξη: Τρέξε σε 5 λεπτά

Ας ξεκινήσουμε με το γρηγορότερο μονοπάτι για να το δούμε να δουλεύει.

Βήμα 1: Ξεκινήστε την εφαρμογή

dotnet run --project LLMApi/LLMApi.csproj

Πλοηγηθείτε στο http://localhost:5116 (ελέγξτε την έξοδο της κονσόλας για την πραγματική θύρα).

Βήμα 2: Χρησιμοποιήστε ένα παράδειγμα γρήγορης εκκίνησης

Θα δείτε πέντε προ-ρυθμισμένα παραδείγματα με πράσινα πλήκτρα "Launch." Κάντε κλικ στο "Stock Market" και τελειώσατε. Η σελίδα αυτόματα:

Δημιουργεί ένα πλαίσιο δεδομένων της χρηματιστηριακής αγοράς
Εγγραφείτε το πρόγραμμα περιήγησής σας για να λαμβάνετε ενημερώσεις
Ξεκινά την εμφάνιση δεδομένων ζωντανών αποθεμάτων με τις τιμές, τους όγκους, και τις αλλαγές

Βήμα 3: Παρακολουθήστε το ρεύμα δεδομένων

Κάθε 5 δευτερόλεπτα, νέα δεδομένα εμφανίζονται με έμφαση στη σύνταξη. Κάθε ενημέρωση δείχνει διάφορα αποθέματα με ρεαλιστικές τιμές και όγκο συναλλαγών. Η LLM παράγει φρέσκα δεδομένα κάθε φορά, έτσι ώστε να βλέπετε την ποικιλία διατηρώντας ταυτόχρονα τη δομή.

Αυτό είναι! Τώρα διαδίδετε ψεύτικα δεδομένα του χρηματιστηρίου. Μη διστάσετε να εξερευνήσετε τα άλλα παραδείγματα γρήγορης εκκίνησης για να δείτε διαφορετικά μοτίβα δεδομένων.

Δημιουργία των δικών σας συνηθισμένων ροών δεδομένων

Τα κουμπιά γρήγορης εκκίνησης είναι εύχρηστα, αλλά η πραγματική δύναμη προέρχεται από την περιγραφή ακριβώς τι χρειάζεστε. Ας δημιουργήσουμε ένα προσαρμοσμένο παράδειγμα.

Παράδειγμα: Τηλεμετρία καφετιέρας

Πες ότι φτιάχνεις ένα ταμπλό IoT και χρειάζεσαι προσομοιωμένα δεδομένα καφετιέρας.

Context Name: coffee-machines
Description: Coffee machine telemetry with machine ID, beans remaining percentage,
             water temperature in Celsius, cups brewed today, and last maintenance timestamp

Κάντε κλικ στο "Δημιουργία & Εγγραφή" και είστε μακριά.

Τι Συμβαίνει Πίσω από τις Σκηνές

sequenceDiagram
    participant Browser
    participant API
    participant Manager
    participant BG as Background Service
    participant LLM
    participant Hub

    Browser->>API: POST /api/mock/contexts<br/>{name, description}
    API->>Manager: Store context config
    Manager-->>API: Context created ✓
    API-->>Browser: 200 OK

    Browser->>Hub: invoke('SubscribeToContext', 'coffee-machines')
    Hub->>Manager: Register subscription
    Manager-->>Hub: Subscription confirmed
    Hub-->>Browser: on('Subscribed')

    Note over BG,LLM: Every 5 seconds...
    BG->>LLM: Generate data for 'coffee-machines'<br/>Prompt includes description
    LLM-->>BG: JSON response
    BG->>Hub: Broadcast to 'coffee-machines' group
    Hub-->>Browser: on('DataUpdate', {data})
    Browser->>Browser: Display with syntax highlighting

Το σύστημα:

Δημιουργεί τα συμφραζόμενα στο backend
Εγγραφείτε το πρόγραμμα περιήγησής σας για να λαμβάνετε ενημερώσεις μέσω του SignalR
Αρχίζει να παράγει δεδομένα με βάση την περιγραφή σας
Πιέζει ενημερώσεις κάθε 5 δευτερόλεπτα

Θα δείτε την έξοδο έτσι:

{
  "machineId": "CM-2847",
  "beansRemaining": 67,
  "waterTemp": 94.5,
  "cupsBrewed": 142,
  "lastMaintenance": "2025-01-03T08:23:00Z"
}

Κάθε ενημέρωση έχει διαφορετικές τιμές αλλά διατηρεί τη δομή. Η LLM κατανοεί την "τηλεμετρία μηχανών καφέ" και παράγει αριθμούς που έχουν νόημα σε αυτό το πλαίσιο.

Κατανόηση των πλαισίων

Α πλαίσιο είναι μια ρύθμιση που ονομάζεται ροή δεδομένων. Σκεφτείτε το ως κανάλι ή θέμα.

Όταν δημιουργείς ένα, προσδιορίζεις:

Όνομα: Μοναδικός αναγνωριστικός κωδικός (π.χ. weather, stock-market, sensors)
Περιγραφή εμπορευμάτων: Η δομή δεδομένων που θέλετε, σε απλά αγγλικά

Το backend στη συνέχεια:

Δημιουργεί μια ομάδα Signer με αυτό το όνομα
Φτιάχνει μια προτροπή για το LLM με βάση την περιγραφή σας
Δημιουργεί φρέσκα δεδομένα περιοδικά (κάθε 5 δευτερόλεπτα από προεπιλογή)
Μεταδίδει σε όλους τους εγγεγραμμένους πελάτες

Πολλαπλά προγράμματα περιήγησης μπορούν να εγγραφούν στο ίδιο πλαίσιο και όλοι λαμβάνουν τα ίδια δεδομένα ταυτόχρονα. Αυτό είναι μεγάλο για τη δοκιμή ταμπλό που πρέπει να δείξει συγχρονισμένες ενημερώσεις σε διαφορετικές οθόνες ή εξαρτήματα.

Πλαίσιο Lifecycle State Machine

stateDiagram-v2
    [*] --> Created: Create Context<br/>(POST /contexts)

    Created --> Active: Start<br/>(auto or manual)
    Active --> Stopped: Stop<br/>(POST /stop)
    Stopped --> Active: Start<br/>(POST /start)

    Created --> Subscribed: Client Subscribes
    Active --> Subscribed: Client Subscribes
    Stopped --> Subscribed: Client Subscribes<br/>(no data sent)

    Subscribed --> Receiving: Data Push<br/>(if Active)
    Receiving --> Subscribed: Client Connected

    Subscribed --> Created: Unsubscribe
    Subscribed --> Active: Unsubscribe
    Subscribed --> Stopped: Unsubscribe

    Created --> [*]: Delete
    Active --> [*]: Delete
    Stopped --> [*]: Delete
    Subscribed --> [*]: Delete

    note right of Active
        Generates data
        Pushes to clients
        Shows "Active" badge
    end note

    note right of Stopped
        No data generation
        Clients stay connected
        Shows "Stopped" badge
    end note

Κατανόηση της διάταξης UI

Η διεπαφή έχει τρία πάνελ για να κρατήσει τα πράγματα οργανωμένα:

Αριστερά: Δημιουργία πλαισίου

Εδώ είναι που ορίζεις νέες ροές δεδομένων.

Όνομα πλαισίου: Κάντε το μοναδικό και περιγραφικό.
Περιγραφή εμπορευμάτων: Να είστε συγκεκριμένοι σχετικά με το τι θέλετε. Η LLM λειτουργεί καλύτερα με σαφείς περιγραφές όπως "προφίλ χρήστη με όνομα, email, ηλικία και premium κατάσταση boolean."

Δεν χρειάζεται να γράψετε JSON schemas ή να εξηγήσετε τύπους δεδομένων. Η LLM infers δομή από φυσικές γλωσσικές περιγραφές εκπληκτικά καλά.

Middle: Ενεργά Πλαίσια

Εμφανίζει όλα τα τρέχοντα συμφραζόμενα σας με:

Όνομα και σήμα κατάστασης (ενεργός/κατασκευασμένος)
Μετρητής σύνδεσης (πόσοι πελάτες έχουν εγγραφεί επί του παρόντος)
κουμπιά ελέγχου: Συνδέστε, Αποσυνδέστε, Ξεκινήστε, Σταματήστε, Διαγράψτε

Σύνδεση/αποσύνδεση Ελέγχει τη συνδρομή του προγράμματος περιήγησης σας. Κάντε κλικ στο Connect για να αρχίσετε να λαμβάνετε δεδομένα, Αποσυνδέστε για να σταματήσετε χωρίς να διαγράψετε το πλαίσιο.

Έναρξη/Σταμάτημα ελέγχει τη δημιουργία δεδομένων backend. Αυτό είναι χρήσιμο όταν θέλετε να διακόψετε ένα ρεύμα χωρίς να καταστρέψετε τη διαμόρφωση του πλαισίου.

Διαγραφή Απομακρύνει εντελώς το πλαίσιο. Χρησιμοποιήστε αυτό για να καθαρίσετε όταν τελειώσετε με ένα συγκεκριμένο ρεύμα δεδομένων.

Δεξιά: Ζωντανά δεδομένα

Εδώ βλέπετε ενημερώσεις σε πραγματικό χρόνο:

Δείκτης κατάστασης σύνδεσης (Connected/Disconnected)
Επί του παρόντος εγγεγραμμένο όνομα πλαισίου
Τελευταία 10 μηνύματα με χρονοσφραγίσεις και προβολή σύνταξης

Τα δεδομένα εμφανίζονται νεότερα-πρώτα στην κορυφή, έτσι ώστε να βλέπετε πάντα τις τελευταίες ενημερώσεις χωρίς κύλιση.

Το πρότυπο σύνδεσης JavaScript

Η σελίδα χρησιμοποιεί HTMX για υποβολή εντύπων και SignalR για σύνδεση σε πραγματικό χρόνο. Αν χτίζετε το δικό σας πελάτη, εδώ είναι το μοτίβο SignalR που θα χρειαστείτε:

Ροή σύνδεσης πελάτη

sequenceDiagram
    participant Page as Your Page
    participant SR as SignalR Client
    participant Hub as /hub/mock
    participant BG as Background Service

    Page->>SR: new HubConnectionBuilder()<br/>.withUrl('/hub/mock')
    Page->>SR: connection.start()
    SR->>Hub: WebSocket connection
    Hub-->>SR: Connected ✓
    SR-->>Page: Trigger 'connected' event

    Page->>SR: invoke('SubscribeToContext', 'weather')
    SR->>Hub: SubscribeToContext('weather')
    Hub->>Hub: Add to 'weather' group
    Hub-->>SR: on('Subscribed', {context: 'weather'})
    SR-->>Page: Display "Subscribed"

    loop Every 5 seconds
        BG->>Hub: Broadcast to 'weather' group
        Hub->>SR: on('DataUpdate', {data, timestamp})
        SR->>Page: Update UI with new data
    end

    Page->>SR: invoke('UnsubscribeFromContext', 'weather')
    SR->>Hub: UnsubscribeFromContext('weather')
    Hub->>Hub: Remove from 'weather' group

Ρύθμιση της σύνδεσης:

const connection = new signalR.HubConnectionBuilder()
    .withUrl('/hub/mock')
    .withAutomaticReconnect()
    .build();

connection.on('DataUpdate', (message) => {
    // message.context: which context sent this
    // message.data: the actual JSON payload
    // message.timestamp: Unix timestamp in milliseconds
});

await connection.start();

Υπογραφή για τη λήψη δεδομένων:

await connection.invoke('SubscribeToContext', 'my-context-name');

Μη εγγραφή κατά την ολοκλήρωση:

await connection.invoke('UnsubscribeFromContext', 'my-context-name');

Η σελίδα demo χειρίζεται όλα αυτά αυτόματα, αλλά αυτά τα τρία πρότυπα είναι όλα όσα χρειάζεστε για μια προσαρμοσμένη εφαρμογή.

Περιπτώσεις Πρακτικής Χρήσης

Εδώ είναι μερικά σενάρια όπου αυτό το εργαλείο πραγματικά λάμπει:

1. Κτίριο UIs πριν APIs Exist

Είστε εργάζονται σε ένα ταμπλό και η ομάδα backend εξακολουθεί να σχεδιάζει το σχήμα API. Αντί να μπλοκάρει την εργασία τους, περιγράψτε τη δομή δεδομένων που περιμένετε και να χτίσει UI σας ενάντια στο ρεύμα mock. Όταν το πραγματικό API είναι έτοιμο, απλά θα ανταλλάξετε το τελικό σημείο.

2. Διαδηλώσεις πελατών

Υποβιβάζετε ένα ζωντανό ταμπλό παρακολούθησης σε έναν πελάτη, αλλά ο πραγματικός αγωγός δεδομένων δεν είναι έτοιμος ακόμα. Δημιουργήστε πλαίσια που ταιριάζουν με την προγραμματισμένη δομή δεδομένων σας και εμφανίστε ρεαλιστικά, αλλάζοντας δεδομένα κατά τη διάρκεια της παρουσίασης.

3. Ανάπτυξη και δοκιμή του Frontend

Χρειάζεστε ρεαλιστικά, ποικίλα δεδομένα για να ελέγξετε πώς τα διαγράμματα, πίνακες, και τα συστατικά σας χειρίζονται ενημερώσεις. Δημιουργήστε τα συμφραζόμενα με τις δομές που χρειάζεστε και αναπτύξτε UI σας με εμπιστοσύνη ότι χειρίζεται τα πρότυπα δεδομένων του πραγματικού κόσμου.

4. Δοκιμασία φορτίου γνωρίσματα πραγματικού χρόνου

Θέλετε να δείτε πώς λειτουργεί το UI σας κάτω από γρήγορες ενημερώσεις. Δημιουργήστε ένα πλαίσιο υψηλής συχνότητας και παρακολουθήστε πώς τα στοιχεία σας χειρίζονται τη ροή των δεδομένων.

5. Διδάσκοντας WebSockets και Real-Time Concepts

Διδάσκετε έννοιες SignalR ή WebSocket και θέλετε οι μαθητές να δουν ενημερώσεις σε πραγματικό χρόνο χωρίς να χτίσουν ένα πλήρες backend. Το demo παρέχει ένα παράδειγμα εργασίας με το οποίο μπορούν να πειραματιστούν και να μάθουν.

Παραδείγματα Γρήγορης Έναρξης Εξηγήθηκαν

Τα πέντε προ-ρυθμισμένα παραδείγματα δείχνουν διαφορετικά κοινά πρότυπα δεδομένων:

Αισθητήρες IoTName: Αριθμητικές ενδείξεις αισθητήρων με μεταδεδομένα συσκευής Χρηματιστηριακή αγορά: Οικονομικά στοιχεία με τιμές, όγκους και εκατοστιαίες μεταβολές Διαταγές ηλεκτρονικού εμπορίου: Προτεινόμενα αντικείμενα με συστοιχίες στοιχείων παραγγελίας Μετρικός εξυπηρετητήςName: Παρακολούθηση συστήματος με πολλαπλές μετρήσεις απόδοσης Παιχνίδια Leaderboard: Κατατάξεις παίκτη με στατιστικά και καταστάσεις

Κάντε κλικ στην έναρξη, παρακολουθήστε τα δεδομένα, και να τα χρησιμοποιήσετε ως πρότυπα για τα δικά σας συμφραζόμενα.

API Endpoints for Integration

Εάν φτιάχνετε ένα προσαρμοσμένο πελάτη ή το ενσωματώνετε σε άλλη εφαρμογή, ορίστε τα τελικά σημεία HTTP:

Δημιουργία ενός πλαισίου:

curl -X POST http://localhost:5116/api/mock/contexts \
  -H "Content-Type: application/json" \
  -d '{"name": "sensors", "description": "Temperature sensors with device ID and readings"}'

Κατάλογος όλων των συμφρασμάτων:

curl http://localhost:5116/api/mock/contexts

Πάρτε ένα συγκεκριμένο πλαίσιο:

curl http://localhost:5116/api/mock/contexts/sensors

Εκκίνηση ή διακοπή της παραγωγής δεδομένων:

curl -X POST http://localhost:5116/api/mock/contexts/sensors/start
curl -X POST http://localhost:5116/api/mock/contexts/sensors/stop

Διαγραφή πλαισίου:

curl -X DELETE http://localhost:5116/api/mock/contexts/sensors

Μετά τη δημιουργία ενός πλαισίου, συνδεθείτε με τον κόμβο SignalR στο /hub/mock και να εγγραφείτε για να αρχίσετε να λαμβάνετε ενημερώσεις.

Πώς λειτουργεί η γενιά LLM

Όταν δημιουργείτε ένα πλαίσιο, το σύστημα:

Παίρνει την περιγραφή σου.
Κατασκευάζει μια ειδοποίηση που περιλαμβάνει τυχαία (σπόροι GUID + χρονοσφραγίδα για ποικιλία)
Ζητά από το LLM να δημιουργήσει την κατάλληλη JSON που ταιριάζει με την περιγραφή σας
Επικυρώνει την απάντηση είναι πραγματικό JSON (διαδρομές σήμανσης αν χρειαστεί)
Συγκρατεί πολλαπλές απαντήσεις για γρήγορη παράδοση
Δημιουργεί περισσότερα στο παρασκήνιο για να κρατήσει την κρύπτη γεμάτη

Η θερμοκρασία ορίζεται σε 1.2 (σχετικά υψηλή) για να εξασφαλιστεί η ποικιλία. Όταν ζητάτε "στοιχεία χρήστη," παίρνετε διαφορετικά ονόματα και τιμές κάθε φορά, όχι τα ίδια λίγα ανακυκλωμένα ατελείωτα.

Απόδοση και Smart Caching

Η παραγωγή δεδομένων συμβαίνει στο παρασκήνιο, όχι κατά παραγγελία ανά ώθηση. Αυτό κρατά τις ενημερώσεις συνεπείς και μειώνει το φορτίο LLM.

Ακούστε πώς λειτουργεί:

Κατά την εκκίνηση, το σύστημα προ-γεμίζει μια κρύπτη με απαντήσεις για κάθε ενεργό πλαίσιο
Μετρά το πόσο διαρκεί η γενιά (πες, 500ms ανά αίτηση)
Υπολογίζει το βέλτιστο μέγεθος παρτίδας: χρονικό διάστημα παραγωγής ÷ (5000ms ÷ 500ms = 10 στοιχεία)
Δημιουργεί παρτίδες στο παρασκήνιο για να κρατήσει την κρύπτη ψηλά
Όταν είναι ώρα να σπρώξεις, τραβάει αμέσως από την κρύπτη.

Αποτέλεσμα: Το πρώτο σας μήνυμα φτάνει αμέσως, τα επόμενα μηνύματα έρχονται σταθερά κάθε 5 δευτερόλεπτα, και η LLM δεν σφυροκοπήται συνεχώς.

Η Έξυπνη Ροή Φύλαξης

graph LR
    subgraph Startup
        A[App Starts] --> B[Pre-fill Cache]
        B --> C[Measure Gen Time<br/>500ms]
        C --> D[Calculate Batch<br/>5000ms / 500ms = 10]
    end

    subgraph Runtime Loop
        E[Timer Tick<br/>Every 5s] --> F{Cache > 50%?}
        F -->|Yes| G[Pop from Cache]
        F -->|No| H[Generate Batch<br/>in Background]
        G --> I[Push to Clients]
        H --> J[Refill Cache]
        J --> G
        I --> E
    end

    D --> E

    style B stroke:#10b981,stroke-width:3px
    style G stroke:#0ea5e9,stroke-width:3px
    style H stroke:#ef4444,stroke-width:3px
    style I stroke:#f59e0b,stroke-width:3px

Αντιμετώπιση των κοινών ζητημάτων

Η σύνδεση δείχνει "αποσύνδεση" και δεν επανασυνδέεται

Ελέγξτε ότι η υπηρεσία σας LLM (Ollama/OpenAI) εκτελείται
Προκαθορισμένη διαμόρφωση αναμένει Ollama σε http://localhost:11434
Τρέξε. ollama list για να επαληθεύσετε ότι έχετε εγκατεστημένα μοντέλα
Ελέγξτε την κονσόλα προγράμματος περιήγησης για τα σφάλματα σύνδεσης SignalR

Πλαίσιο που δημιουργήθηκε αλλά δεν εμφανίζονται δεδομένα

Κοιτάξτε τον πίνακα Active Context είναι το πλαίσιο που δείχνει το "Active";
Κάντε κλικ στο κουμπί Σύνδεση αν δεν έχετε εγγραφεί ακόμα
Επιβεβαίωση της κατάστασης σύνδεσης δείχνει πράσινο (συνδεδεμένο) στον πίνακα Ζωντανών Δεδομένων
Ελέγξτε τα αρχεία καταγραφής διακομιστή για να δείτε αν η γενιά LLM λειτουργεί

Η δομή των δεδομένων δεν ταιριάζει με αυτό που περιμένατε.

Κάντε την περιγραφή σας πιο συγκεκριμένη και σκυρόδεμα
Παράδειγμα: "θερμοκρασία ως αριθμός μεταξύ 0 και 100" λειτουργεί καλύτερα από ό, τι ακριβώς "θερμοκρασία"
Δοκίμασε να επαναδιατυπώσεις την περιγραφή σου αυτό είναι άμεση μηχανική στο χώρο εργασίας
Έλεγχος των παραγόμενων δεδομένων και βελτίωση της περιγραφής σας με βάση αυτό που βλέπετε

Η κονσόλα προγράμματος περιήγησης δείχνει απόπειρες επανασύνδεσης Signer

Το σύστημα υποστήριξης μπορεί να μην τρέχει. Έλεγξε το τερματικό σου.
Μπορεί να αλλάξατε το URL του κόμβου Signer, αν χρειαστεί.
Ελέγξτε για θέματα τείχους προστασίας ή δικτύου (ιδιαίτερα σε περιβάλλοντα Docker/WSL)

Επιλογές ρύθμισης

Μπορείτε να προσαρμόσετε τη συμπεριφορά σε appsettings.json:

{
  "MockLlmApi": {
    "SignalRPushIntervalMs": 5000,  // How often to push data (milliseconds)
    "ModelName": "llama3",           // Which LLM model to use
    "Temperature": 1.2,              // Creativity level (0.0-2.0, higher = more varied)
    "BaseUrl": "http://localhost:11434",  // LLM service URL
    "HubContexts": [                 // Optional: pre-configured contexts
      {
        "Name": "weather",
        "Description": "Weather data with temperature, humidity, wind speed",
        "IsActive": true
      }
    ]
  }
}

SignalRPushIntervalMs: Ρυθμίστε χαμηλότερα για γρηγορότερες ενημερώσεις, υψηλότερη για τη μείωση του φορτίου LLM Θερμοκρασία: Υψηλότερες τιμές δίνουν πιο δημιουργικά/τυχαία δεδομένα, χαμηλότερη δίνει πιο συνεπή αποτελέσματα HubContexts: Καθορίστε τα συμφραζόμενα που ξεκινούν αυτόματα όταν η εφαρμογή ξεκινήσει

Ενσωμάτωση με την εφαρμογή σας

Αν φτιάχνετε ένα πραγματικό ταμπλό και θέλετε να το χρησιμοποιήσετε κατά τη διάρκεια της ανάπτυξης, ορίστε ένα παράδειγμα αντίδρασης:

import * as signalR from '@microsoft/signalr';

const connection = new signalR.HubConnectionBuilder()
  .withUrl('http://localhost:5116/hub/mock')
  .withAutomaticReconnect()
  .build();

connection.on('DataUpdate', (message) => {
  if (message.context === 'stock-market') {
    updateStockChart(message.data);
  }
});

await connection.start();
await connection.invoke('SubscribeToContext', 'stock-market');

Όταν είστε έτοιμοι να μεταβείτε στην παραγωγή, απλά αλλάξτε το URL κόμβου. Η διεπαφή Signer (on() και invoke()) λειτουργεί με τον ίδιο τρόπο με την πραγματική backends.

Γιατί το Κατασκευάζετε αυτό;

Υπάρχουν καλές ψεύτικες βιβλιοθήκες δεδομένων εκεί έξω. Faker.js είναι εξαιρετική. Mockaroo κάνει μεγάλη δουλειά.

Το εργαλείο αυτό λύνει συγκεκριμένες προκλήσεις:

Ρεύμα σε πραγματικό χρόνο: Τα περισσότερα εργαλεία σας δίνουν στατικά σύνολα δεδομένων ή REST τελικά σημεία, όχι ζωντανές ροές WebSocket
Διασύνδεση φυσικής γλώσσας: Περιγράψτε τι θέλετε αντί να γράψετε schemas JSON
Περιστασιακά κατάλληλα δεδομένα: LLMs δημιουργούν ρεαλιστικές τιμές που βγάζουν νόημα μαζί, όχι μόνο τυχαίες συμβολοσειρές που τυχαίνει να ταιριάζουν σε έναν τύπο
Αυτόματη τεκμηρίωση: Η περιγραφή είναι η τεκμηρίωση για τη δομή των δεδομένων σας
Ευέλικτη δομή: Αλλάξτε το μοντέλο δεδομένων σας μέσα-ανάπτυξη χωρίς την ενημέρωση των εξαρτημάτων

Είναι σχεδιασμένο για μια συγκεκριμένη ροή εργασίας: οικοδόμηση σε πραγματικό χρόνο UIs όταν χρειάζεστε ποικίλα, ρεαλιστικά δεδομένα χωρίς διαμόρφωση από πάνω.

Ξεκίνησις

Ο καλύτερος τρόπος για να καταλάβετε αυτό το εργαλείο είναι να το χρησιμοποιήσετε:

Έναρξη της εφαρμογής: dotnet run --project LLMApi
Ανοίξτε το πρόγραμμα περιήγησής σας στο http://localhost:5116
Κάντε κλικ σε ένα από τα πράσινα κουμπιά "Launch"
Παρακολουθήστε το ρεύμα δεδομένων

Από εκεί, προσπαθήστε να δημιουργήσετε το δικό σας πλαίσιο με μια περιγραφή που ταιριάζει στις ανάγκες του έργου σας.

Το έφτιαξα αυτό επειδή συνέχιζα να τρέχω στο ίδιο πρόβλημα: χρειάζομαι ρεαλιστικά, αλλάζοντας δεδομένα για ντέμο και ανάπτυξη. Αν αντιμετωπίσετε αυτή την πρόκληση επίσης, ελπίζω αυτό το εργαλείο να βοηθήσει τη ροή της εργασίας σας.

Γρήγορη αναφορά

Ξεκινώντας:

dotnet run --project LLMApi

Προκαθορισμένο URL: http://localhost:5116

Signer Hub: /hub/mock

Βασικές μέθοδοι:

SubscribeToContext(name) - Άρχισε να λαμβάνεις δεδομένα
UnsubscribeFromContext(name) - Σταματήστε να λαμβάνετε δεδομένα

Γεγονότα-κλειδιά:

DataUpdate - Έφτασαν νέα δεδομένα.
Subscribed - Επιβεβαιώθηκε η συνδρομή
Unsubscribed - Επιβεβαιώθηκε η ανυπόγραφη περιγραφή.

Τα υπόλοιπα είναι απλά να εξερευνήσεις τι μπορείς να φτιάξεις μ' αυτό.

LLMApi: Δεδομένα πραγματικού χρόνου Mock με LLMs και SignalR: Πρακτικός οδηγός