Steg 9 (R4): unified migrate-corpus.mjs --write over engineering/governance/ infrastructure/security. 327 filer mutert, verified=null, prosa byte-identisk (fra første ## seksjon), advisor urørt (0 endringer). To applier-fixes oppdaget under kjøring (TDD, RED→GREEN): - insertHeaderFields: anker faller nå tilbake når en meta-linje selv passerer 500B (2 filer pakket et avsnitt i **Status:** → Type/Source landet utenfor scan-vinduet, applierens post-write-assertion fanget + restaurerte). - normalizeStaleVerified: fjerner nå ALLE stale non-date **Verified:** i 500B-vinduet, inkl. stray body-dup rett under --- (9 mlops-genaiops-filer var ellers falskt "verified"/fresh, droppet fra worklist). Operatør-godkjent utvidelse av carve-out; kun stray metadata-linjer, aldri prosa. test-transform-criterion: precondition oppdatert til post-migrasjons-sannhet (fila bærer nå Source). Suite 728/728 grønn.
18 KiB
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
- SSE Forwarding
- Buffering Policies
- Chunked Responses
- Timeout Management for Streams
- Client Compatibility
- Logging av Streaming-requests
- Token-telling for Streaming
- Komplett Streaming-policy
- Referanser
- 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:
<policies>
<inbound>
<base />
<!-- Standard APIM inbound-policyer (autentisering, rate limiting, etc.) -->
<set-backend-service backend-id="aoai-backend" />
</inbound>
<backend>
<!-- KRITISK: buffer-response="false" for streaming -->
<forward-request timeout="120"
fail-on-error-status-code="true"
buffer-response="false" />
</backend>
<outbound>
<base />
</outbound>
<on-error>
<base />
</on-error>
</policies>
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:
<backend>
<choose>
<!-- Sjekk om request er streaming -->
<when condition="@{
var body = context.Request.Body.As<JObject>(preserveContent: true);
return body != null && body["stream"]?.Value<bool>() == true;
}">
<!-- Streaming: IKKE buffer -->
<forward-request timeout="240"
fail-on-error-status-code="true"
buffer-response="false" />
</when>
<otherwise>
<!-- Ikke-streaming: buffer er OK -->
<forward-request timeout="120"
fail-on-error-status-code="true"
buffer-response="true" />
</otherwise>
</choose>
</backend>
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:
<outbound>
<base />
<!-- Sørg for at streaming-headers videresendes korrekt -->
<choose>
<when condition="@(context.Response.Headers.GetValueOrDefault("Content-Type","").Contains("text/event-stream"))">
<!-- Ikke legg til Cache-Control som kan interferere -->
<set-header name="X-Stream-Response" exists-action="override">
<value>true</value>
</set-header>
</when>
</choose>
</outbound>
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
<backend>
<forward-request timeout="240"
fail-on-error-status-code="true"
buffer-response="false" />
</backend>
<on-error>
<base />
<choose>
<when condition="@(context.LastError.Source == "forward-request" &&
context.LastError.Reason == "Timeout")">
<return-response>
<set-status code="504" reason="Gateway Timeout" />
<set-body>{
"error": {
"code": "StreamingTimeout",
"message": "The AI model did not complete its response within the timeout period."
}
}</set-body>
</return-response>
</when>
</choose>
</on-error>
Client Compatibility
JavaScript/TypeScript EventSource
// 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
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
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:
<inbound>
<base />
<!-- Logg inbound request (prompt) — dette er OK -->
<log-to-eventhub logger-id="ai-eventhub-logger">
@{
var body = context.Request.Body.As<string>(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();
}
</log-to-eventhub>
</inbound>
<outbound>
<base />
<!-- IKKE logg response body for streaming — det bufrer responsen -->
<!-- Logg kun metadata -->
<choose>
<when condition="@(!context.Response.Headers.GetValueOrDefault("Content-Type","").Contains("text/event-stream"))">
<!-- Kun for ikke-streaming responses -->
<log-to-eventhub logger-id="ai-eventhub-logger">
@{
return new JObject(
new JProperty("statusCode", context.Response.StatusCode),
new JProperty("responseBody", context.Response.Body.As<string>(preserveContent: true))
).ToString();
}
</log-to-eventhub>
</when>
</choose>
</outbound>
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:
// 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:
<outbound>
<base />
<llm-emit-token-metric namespace="ai-metrics">
<dimension name="API" value="@(context.Api.Name)" />
<dimension name="User" value="@(context.Subscription.Name)" />
</llm-emit-token-metric>
</outbound>
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
<policies>
<inbound>
<base />
<!-- Autentisering -->
<validate-azure-ad-token tenant-id="{{TENANT_ID}}"
header-name="Authorization" />
<!-- Token rate limiting -->
<llm-token-limit counter-key="@(context.Subscription.Id)"
tokens-per-minute="10000"
estimate-prompt-tokens="true" />
<!-- Backend med managed identity -->
<set-backend-service backend-id="aoai-pool" />
<authentication-managed-identity
resource="https://cognitiveservices.azure.com"
output-token-variable-name="mi-token" />
<set-header name="Authorization" exists-action="override">
<value>@("Bearer " + (string)context.Variables["mi-token"])</value>
</set-header>
</inbound>
<backend>
<!-- Streaming-kompatibel forwarding -->
<forward-request timeout="240"
fail-on-error-status-code="true"
buffer-response="false" />
</backend>
<outbound>
<base />
<!-- Token-metriker (fungerer for streaming og ikke-streaming) -->
<llm-emit-token-metric namespace="ai-metrics">
<dimension name="Subscription" value="@(context.Subscription.Name)" />
<dimension name="API" value="@(context.Api.Name)" />
<dimension name="Region" value="@(context.Deployment.Region)" />
</llm-emit-token-metric>
</outbound>
<on-error>
<base />
</on-error>
</policies>
Referanser
- Configure API for server-sent events — Offisiell SSE-guide for APIM
- AI gateway in Azure API Management — AI gateway oversikt
- Azure OpenAI REST API reference - Chat Completions — Stream-parameter dokumentasjon
- forward-request policy — Policy-referanse for forwarding
- Log token usage, prompts, and completions — 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"iforward-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-metricfor 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.