# Streaming Support in APIM for AI Responses
**Last updated:** 2026-06-24
**Status:** GA
**Category:** API Management & AI Gateway
**Type:** reference
**Source:** https://learn.microsoft.com/azure/api-management/genai-gateway-capabilities
---
## Innhold
- [Introduksjon](#introduksjon)
- [SSE Forwarding](#sse-forwarding)
- [Buffering Policies](#buffering-policies)
- [Chunked Responses](#chunked-responses)
- [Timeout Management for Streams](#timeout-management-for-streams)
- [Client Compatibility](#client-compatibility)
- [Logging av Streaming-requests](#logging-av-streaming-requests)
- [Token-telling for Streaming](#token-telling-for-streaming)
- [Komplett Streaming-policy](#komplett-streaming-policy)
- [Referanser](#referanser)
- [For Cosmo](#for-cosmo)
## Introduksjon
Streaming av AI-responser er en nøkkelfunksjon for å levere god brukeropplevelse i chat-applikasjoner. Azure OpenAI støtter Server-Sent Events (SSE) for å streame chat completions token-for-token til klienten, noe som gir umiddelbar feedback i stedet for å vente på en komplett respons. Når Azure API Management (APIM) sitter mellom klient og Azure OpenAI, krever denne streaming-arkitekturen spesifikk konfigurasjon for å fungere korrekt.
For norsk offentlig sektor som bygger AI-chatboter og assistenter er streaming kritisk for brukeropplevelsen. Uten streaming kan brukere vente 10-30 sekunder på svar fra store modeller som GPT-4o — med streaming begynner svar å vises innen 1-2 sekunder. Denne referansen dekker alle aspekter ved konfigurering av APIM for streaming av AI-responser, inkludert SSE forwarding, buffering-policyer, timeout-håndtering og klientkompatibilitet.
APIM støtter SSE gjennom klassiske og v2-tiers (ikke Consumption-tier). Korrekt konfigurasjon krever at flere aspekter justeres: response buffering må deaktiveres, timeouts må økes, og logging-konfigurasjonen må tilpasses for å unngå at streaming-responser bufres opp.
---
## SSE Forwarding
### Slik Fungerer SSE med Azure OpenAI
Når `"stream": true` settes i chat completion-forespørselen, returnerer Azure OpenAI en strøm av Server-Sent Events:
```
HTTP/1.1 200 OK
Content-Type: text/event-stream
Transfer-Encoding: chunked
Connection: keep-alive
data: {"id":"chatcmpl-abc","object":"chat.completion.chunk","choices":[{"delta":{"role":"assistant"},"index":0}]}
data: {"id":"chatcmpl-abc","object":"chat.completion.chunk","choices":[{"delta":{"content":"Hei"},"index":0}]}
data: {"id":"chatcmpl-abc","object":"chat.completion.chunk","choices":[{"delta":{"content":" på"},"index":0}]}
data: {"id":"chatcmpl-abc","object":"chat.completion.chunk","choices":[{"delta":{"content":" deg"},"index":0}]}
data: [DONE]
```
### APIM som SSE Proxy
APIM fungerer som en transparent proxy for SSE-trafikk mellom klient og Azure OpenAI:
```
Klient → APIM Gateway → Azure OpenAI
(SSE proxy) (SSE source)
1. Klient sender POST med "stream": true
2. APIM forwarder til Azure OpenAI
3. Azure OpenAI begynner å streame SSE-data
4. APIM relayer hvert SSE-event umiddelbart til klient
5. Azure OpenAI sender "data: [DONE]"
6. Forbindelsen lukkes
```
### Krav for SSE Forwarding
| Krav | Innstilling | Merknader |
|------|------------|-----------|
| APIM Tier | Classic eller v2 | Consumption-tier støttes IKKE |
| Response buffering | Deaktivert | `buffer-response="false"` |
| Keepalive | Aktivert | Unngå 4 min idle timeout |
| Response body logging | Deaktivert | Unngår buffering |
| Caching | Deaktivert | For SSE-endepunkter |
---
## Buffering Policies
### Deaktivere Response Buffering
Den viktigste konfigurasjonen for streaming er å deaktivere response buffering i `forward-request`:
```xml
```
### Policyer som MÅ Unngås med Streaming
Følgende policyer buffrer responsen og er IKKE kompatible med SSE:
| Policy | Problem | Alternativ |
|--------|---------|-----------|
| `validate-content` | Buffrer full respons for validering | Valider kun inbound request |
| `xml-to-json` / `json-to-xml` | Trenger full respons for konvertering | Ikke aktuelt for SSE |
| `xslt-transform` | Buffrer for transformasjon | Ikke aktuelt for SSE |
| `cache-store` | Lagrer full respons | Bruk `llm-semantic-cache-store` |
| `log-to-eventhub` (med body) | Buffrer respons for logging | Logg kun headers |
### Betinget Buffering
Aktiver buffering kun for ikke-streaming requests:
```xml
() == true;
}">
```
---
## Chunked Responses
### Transfer-Encoding: chunked
SSE-responses fra Azure OpenAI bruker chunked transfer encoding. APIM håndterer dette automatisk når `buffer-response="false"`:
```
HTTP/1.1 200 OK
Content-Type: text/event-stream
Transfer-Encoding: chunked
Cache-Control: no-cache
Connection: keep-alive
```
### Response Headers for Korrekt Streaming
Backend-tjenesten (Azure OpenAI) sender disse headerne:
| Header | Verdi | Formål |
|--------|-------|--------|
| `Content-Type` | `text/event-stream` | Signaliserer SSE til klient |
| `Transfer-Encoding` | `chunked` | Tillater streaming uten Content-Length |
| `Connection` | `keep-alive` | Holder TCP-forbindelsen åpen |
| `Cache-Control` | `no-cache` | Forhindrer mellomlagring |
### APIM Policy for Response Headers
Sørg for at APIM ikke overstyrer kritiske streaming-headers:
```xml
true
```
---
## Timeout Management for Streams
### Idle Connection Timeout
Azure Load Balancer (som brukes i APIM-infrastrukturen) har en standard idle timeout på 4 minutter. For streaming-scenarier der det kan gå tid mellom tokens:
```
Strategi 1: Backend keepalive
→ Azure OpenAI sender SSE-events fortløpende
→ Normalt ikke et problem med aktiv streaming
Strategi 2: Klient keepalive
→ Klient sender "ping" minst hvert 4. minutt
→ Aktuelt for langvarige idle-forbindelser
Strategi 3: Økt timeout via policy
→ forward-request timeout="240"
→ Dekker de fleste scenarier
```
### Timeout-verdier for Streaming
| Parameter | Standard | Anbefalt for streaming | Merknader |
|-----------|---------|----------------------|-----------|
| `forward-request timeout` | 300 sek | 120-240 sek | Avhenger av maks respons-lengde |
| Azure LB idle timeout | 240 sek | Ikke konfigurerbar i APIM | Bruk keepalive |
| DNS TTL | Varierer | N/A | Påvirker failover |
### Timeout Policy for Streaming Endpoints
```xml
{
"error": {
"code": "StreamingTimeout",
"message": "The AI model did not complete its response within the timeout period."
}
}
```
---
## Client Compatibility
### JavaScript/TypeScript EventSource
```typescript
// Standard EventSource for SSE
const response = await fetch('/api/chat/completions', {
method: 'POST',
headers: {
'Content-Type': 'application/json',
'Authorization': `Bearer ${token}`,
'Ocp-Apim-Subscription-Key': subscriptionKey
},
body: JSON.stringify({
model: 'gpt-4o',
messages: [{ role: 'user', content: 'Hei, Cosmo!' }],
stream: true
})
});
const reader = response.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').filter(line => line.startsWith('data: '));
for (const line of lines) {
const data = line.slice(6); // Fjern "data: " prefiks
if (data === '[DONE]') break;
const parsed = JSON.parse(data);
const content = parsed.choices[0]?.delta?.content;
if (content) {
process.stdout.write(content);
}
}
}
```
### Python med httpx
```python
import httpx
import json
async def stream_completion(prompt: str):
async with httpx.AsyncClient() as client:
async with client.stream(
"POST",
f"{APIM_ENDPOINT}/openai/deployments/gpt-4o/chat/completions",
params={"api-version": "2024-10-21"},
headers={
"Content-Type": "application/json",
"Ocp-Apim-Subscription-Key": SUBSCRIPTION_KEY,
},
json={
"messages": [{"role": "user", "content": prompt}],
"stream": True
},
timeout=120.0
) as response:
async for line in response.aiter_lines():
if line.startswith("data: "):
data = line[6:]
if data == "[DONE]":
break
chunk = json.loads(data)
content = chunk["choices"][0]["delta"].get("content", "")
print(content, end="", flush=True)
```
### C# med Azure.AI.OpenAI
```csharp
var client = new AzureOpenAIClient(
new Uri(apimEndpoint),
new AzureKeyCredential(subscriptionKey));
var chatClient = client.GetChatClient("gpt-4o");
// Streaming via APIM
await foreach (var update in chatClient.CompleteChatStreamingAsync(
new ChatMessage[] { new UserChatMessage("Hei, Cosmo!") }))
{
foreach (var part in update.ContentUpdate)
{
Console.Write(part.Text);
}
}
```
### Klientkrav for APIM-proxy
| Krav | Beskrivelse |
|------|-------------|
| Subscription key | `Ocp-Apim-Subscription-Key` header eller query parameter |
| Timeout | Minst 120 sekunder for streaming |
| Chunked decoding | Håndtere `Transfer-Encoding: chunked` |
| SSE parsing | Parse `data: ` prefiks og `[DONE]` sentinel |
| Connection handling | Håndtere mid-stream connection drops gracefully |
---
## Logging av Streaming-requests
### Utfordringer med Streaming-logging
Når response body logges, bufres hele responsen — noe som bryter streaming. Korrekt logging for SSE-endepunkter:
```xml
@{
var body = context.Request.Body.As(preserveContent: true);
return new JObject(
new JProperty("timestamp", DateTime.UtcNow),
new JProperty("method", context.Request.Method),
new JProperty("url", context.Request.Url.ToString()),
new JProperty("prompt", body)
).ToString();
}
@{
return new JObject(
new JProperty("statusCode", context.Response.StatusCode),
new JProperty("responseBody", context.Response.Body.As(preserveContent: true))
).ToString();
}
```
### APIM Diagnostic Settings for Streaming
Deaktiver response body logging for APIs som bruker streaming:
```
1. Naviger til API → Settings → Diagnostic Logs
2. Azure Monitor-fanen:
- Frontend Response: Body bytes = 0
- Backend Response: Body bytes = 0
3. Application Insights-fanen:
- Body bytes to log: 0 (for streaming APIs)
```
### LLM API Logging (Azure Monitor)
For APIM sin innebygde LLM-logging:
```
1. APIM → Monitoring → Diagnostic settings
2. Velg "Logs related to generative AI gateway"
3. Send to Log Analytics workspace
4. NB: Log LLM messages fungerer kun for IKKE-streaming requests
```
---
## Token-telling for Streaming
### Utfordring
Ved streaming returnerer Azure OpenAI token-bruk i siste chunk (`usage` feltet). APIM sin `llm-emit-token-metric` policy krever tilgang til dette:
```json
// Siste chunk i streaming-respons
data: {"id":"chatcmpl-abc","object":"chat.completion.chunk",
"choices":[{"delta":{},"index":0,"finish_reason":"stop"}],
"usage":{"prompt_tokens":15,"completion_tokens":42,"total_tokens":57}}
```
### Policy for Token-metriker (Ikke-streaming)
For ikke-streaming requests, bruk standard `llm-emit-token-metric` i outbound:
```xml
```
**Merk:** `llm-emit-token-metric` fungerer for både streaming og ikke-streaming requests. APIM håndterer parsing av streaming-chunks for å ekstrahere token-bruk automatisk.
---
## Komplett Streaming-policy
### Full Policy for Streaming AI Gateway
```xml
@("Bearer " + (string)context.Variables["mi-token"])
```
---
## Referanser
- [Configure API for server-sent events](https://learn.microsoft.com/en-us/azure/api-management/how-to-server-sent-events) — Offisiell SSE-guide for APIM
- [AI gateway in Azure API Management](https://learn.microsoft.com/en-us/azure/api-management/genai-gateway-capabilities) — AI gateway oversikt
- [Azure OpenAI REST API reference - Chat Completions](https://learn.microsoft.com/en-us/azure/foundry/openai/reference#chat-completions) — Stream-parameter dokumentasjon
- [forward-request policy](https://learn.microsoft.com/en-us/azure/api-management/forward-request-policy) — Policy-referanse for forwarding
- [Log token usage, prompts, and completions](https://learn.microsoft.com/en-us/azure/api-management/api-management-howto-llm-logs) — LLM-logging i APIM
---
## For Cosmo
- **Bruk denne referansen** når kunder implementerer chat-applikasjoner eller AI-assistenter gjennom APIM og trenger streaming-støtte.
- Den absolutt viktigste innstillingen er `buffer-response="false"` i `forward-request`. Uten dette bufres hele SSE-responsen og leveres som én stor blob — som dreper brukeropplevelsen.
- Advar om at Consumption-tier IKKE støtter langvarige HTTP-forbindelser som SSE krever. Anbefal v2 eller Premium tier for streaming-scenarier.
- For logging av streaming-requests: Bruk `llm-emit-token-metric` for token-metriker (fungerer med streaming). Unngå response body logging som bryter streaming.
- Kombiner streaming med retry-policy forsiktig — retry fungerer kun for initial connection failure, ikke for mid-stream feil.