影墨·今颜模型.NET后端集成开发实战最近在做一个企业级内容管理平台产品经理提了个需求希望能在后台自动为上传的商品图片生成风格统一的营销文案和卖点描述。手动写效率太低。找第三方服务成本和安全都是问题。团队讨论后决定把开源的“影墨·今颜”这类AI模型集成到我们自己的.NET后端里。这听起来是个好主意但真做起来发现网上关于在.NET企业级应用里集成这类AI模型的实战分享并不多。大部分教程要么是Python的要么就是简单的单次调用离“稳定、高性能、可维护”的生产级集成还有段距离。所以我把自己从零开始把影墨·今颜模型集成到.NET 6 Web API项目里的整个过程梳理了出来。这篇文章不会只讲怎么发一个HTTP请求而是会聚焦在工程化落地上怎么设计服务层、怎么优雅地处理异步长任务、怎么管理会话和队列最终封装成一个团队里任何同事都能简单调用的AI功能模块。如果你也在用.NET技术栈并且想给自家产品加上靠谱的AI能力那这篇实战记录应该能给你一些参考。1. 项目起点明确集成目标与架构设计在动手写代码之前我们先得想清楚要把AI能力做成什么样。我们的后台系统是一个典型的分布式微服务架构新的AI功能模块不能成为性能瓶颈也不能因为一个图片生成任务卡住整个请求线程。我设定的核心目标有几个非侵入式集成现有的业务代码改动要尽可能小通过服务调用的方式接入。异步与解耦图片生成、文案创作这类AI任务耗时较长必须做成异步的并且不能阻塞主业务流程。可观测与可管理任务状态要能追踪支持重试、取消有统一的日志和监控。资源可控能管理并发请求数避免把AI模型服务器压垮。基于这些我画了一个简单的分层架构图[Web API/Controllers] - [AI服务层 (AIService)] - [任务队列 (BackgroundService)] - [HTTP客户端 (ModelClient)] - [影墨·今颜模型服务]AI服务层对上层业务提供干净的接口比如GenerateProductDescriptionAsync(imageUrl, style)。任务队列与后台服务负责接收AI任务放入队列由后台工作者进程异步执行并更新任务状态。HTTP客户端封装与影墨·今颜模型HTTP API的所有通信细节包括认证、重试策略等。模型服务独立部署的影墨·今颜模型提供HTTP端点。这个架构的核心思想是异步化和缓冲队列确保Web请求能快速返回把耗时操作留给后台任务去处理。2. 基础搭建封装模型HTTP客户端一切始于如何与影墨·今颜模型对话。模型通常会提供一个HTTP API我们的第一步就是创建一个强类型、可配置、易测试的客户端。我选择用IHttpClientFactory来管理HTTP客户端这是.NET中管理HTTP客户端生命周期的推荐做法它内置了连接池和重试策略的基础支持。首先定义我们与模型交互的数据契约// Models/ImageGenerationRequest.cs namespace YourProject.AI.Models { public class ImageGenerationRequest { public string Prompt { get; set; } string.Empty; public string? NegativePrompt { get; set; } public int? Width { get; set; } 1024; public int? Height { get; set; } 1024; public int? Steps { get; set; } 20; // 其他模型特定参数... } public class ImageGenerationResponse { public string TaskId { get; set; } string.Empty; // 异步任务ID public string Status { get; set; } string.Empty; // e.g., “processing”, “success” public string? ImageUrl { get; set; } // 生成成功后返回的图片地址 public string? Error { get; set; } } }然后创建主要的客户端类// Services/ModelClients/YingMoClient.cs using Microsoft.Extensions.Options; using System.Net.Http.Json; namespace YourProject.AI.Services { public interface IYingMoClient { TaskImageGenerationResponse GenerateImageAsync(ImageGenerationRequest request, CancellationToken ct default); TaskImageGenerationResponse GetTaskStatusAsync(string taskId, CancellationToken ct default); } public class YingMoClient : IYingMoClient { private readonly HttpClient _httpClient; private readonly YingMoOptions _options; public YingMoClient(HttpClient httpClient, IOptionsYingMoOptions options) { _httpClient httpClient; _options options.Value; // 配置基础地址和认证头例如API Key _httpClient.BaseAddress new Uri(_options.BaseUrl); if (!string.IsNullOrEmpty(_options.ApiKey)) { _httpClient.DefaultRequestHeaders.Add(Authorization, $Bearer {_options.ApiKey}); } } public async TaskImageGenerationResponse GenerateImageAsync(ImageGenerationRequest request, CancellationToken ct default) { // 调用模型的生成接口 var response await _httpClient.PostAsJsonAsync(_options.GenerateEndpoint, request, ct); response.EnsureSuccessStatusCode(); return await response.Content.ReadFromJsonAsyncImageGenerationResponse(cancellationToken: ct) ?? new ImageGenerationResponse { Status error, Error Failed to parse response. }; } public async TaskImageGenerationResponse GetTaskStatusAsync(string taskId, CancellationToken ct default) { // 查询异步任务状态 var response await _httpClient.GetAsync(${_options.StatusEndpoint}/{taskId}, ct); if (response.StatusCode System.Net.HttpStatusCode.NotFound) { // 任务可能已过期或不存在 return new ImageGenerationResponse { TaskId taskId, Status not_found }; } response.EnsureSuccessStatusCode(); return await response.Content.ReadFromJsonAsyncImageGenerationResponse(cancellationToken: ct) ?? new ImageGenerationResponse { TaskId taskId, Status error }; } } // 配置类从appsettings.json读取 public class YingMoOptions { public const string SectionName YingMo; public string BaseUrl { get; set; } http://localhost:8000; public string ApiKey { get; set; } string.Empty; public string GenerateEndpoint { get; set; } /v1/generate; public string StatusEndpoint { get; set; } /v1/tasks; } }在Program.cs或Startup.cs中注册这个客户端builder.Services.ConfigureYingMoOptions(builder.Configuration.GetSection(YingMoOptions.SectionName)); builder.Services.AddHttpClientIYingMoClient, YingMoClient();这样我们就有了一个基础且可靠的“信使”专门负责和影墨·今颜模型服务通信。3. 核心实现构建异步任务队列与服务层有了客户端接下来要解决核心问题如何让Web API快速响应同时让AI任务在后台安心执行答案是BackgroundService配合一个内存或分布式队列。这里我使用Channel作为内存中的生产-消费者队列它轻量且适合单节点场景。如果需求是分布式的可以换成Azure Service Bus、RabbitMQ或Redis Stream。第一步定义任务队列和后台服务// Services/Background/ImageGenerationTaskQueue.cs using System.Threading.Channels; namespace YourProject.AI.Services.Background { // 代表一个排队中的生成任务 public class ImageGenerationTask { public string TaskId { get; set; } Guid.NewGuid().ToString(); public ImageGenerationRequest Request { get; set; } new(); public TaskCompletionSourceImageGenerationResponse CompletionSource { get; } new(); } // 任务队列接口和内存实现 public interface IImageGenerationTaskQueue { ValueTask QueueAsync(ImageGenerationTask task); ValueTaskImageGenerationTask DequeueAsync(CancellationToken ct); } public class ImageGenerationTaskQueue : IImageGenerationTaskQueue { private readonly ChannelImageGenerationTask _queue; public ImageGenerationTaskQueue(int capacity 100) { // 创建一个有界通道防止内存无限增长 var options new BoundedChannelOptions(capacity) { FullMode BoundedChannelFullMode.Wait // 队列满时等待 }; _queue Channel.CreateBoundedImageGenerationTask(options); } public async ValueTask QueueAsync(ImageGenerationTask task) { await _queue.Writer.WriteAsync(task); } public async ValueTaskImageGenerationTask DequeueAsync(CancellationToken ct) { return await _queue.Reader.ReadAsync(ct); } } }第二步创建后台工作者服务// Services/Background/ImageGenerationBackgroundService.cs using Microsoft.Extensions.Hosting; using Microsoft.Extensions.Logging; namespace YourProject.AI.Services.Background { public class ImageGenerationBackgroundService : BackgroundService { private readonly IImageGenerationTaskQueue _taskQueue; private readonly IYingMoClient _yingMoClient; private readonly ILoggerImageGenerationBackgroundService _logger; private readonly int _maxConcurrentTasks; public ImageGenerationBackgroundService( IImageGenerationTaskQueue taskQueue, IYingMoClient yingMoClient, ILoggerImageGenerationBackgroundService logger, IConfiguration configuration) { _taskQueue taskQueue; _yingMoClient yingMoClient; _logger logger; _maxConcurrentTasks configuration.GetValueint(AI:MaxConcurrentGenerations, 3); // 控制并发数 } protected override async Task ExecuteAsync(CancellationToken stoppingToken) { var workers new ListTask(); // 启动多个并发工作者来处理队列中的任务 for (int i 0; i _maxConcurrentTasks; i) { workers.Add(ProcessTaskQueueAsync(stoppingToken)); } await Task.WhenAll(workers); } private async Task ProcessTaskQueueAsync(CancellationToken stoppingToken) { while (!stoppingToken.IsCancellationRequested) { try { // 从队列中取出一个任务 var task await _taskQueue.DequeueAsync(stoppingToken); _logger.LogInformation(Processing AI task {TaskId}, task.TaskId); // 执行实际的AI生成调用 var initialResponse await _yingMoClient.GenerateImageAsync(task.Request, stoppingToken); if (initialResponse.Status processing) { // 如果是异步任务则轮询状态直到完成或超时 var finalResult await PollTaskUntilCompletionAsync(initialResponse.TaskId, stoppingToken); task.CompletionSource.SetResult(finalResult); } else { // 同步任务直接返回结果 task.CompletionSource.SetResult(initialResponse); } } catch (OperationCanceledException) { // 服务停止 break; } catch (Exception ex) { _logger.LogError(ex, Error processing task from queue.); // 可以根据需要将失败的任务重新入队或记录到死信队列 } } } private async TaskImageGenerationResponse PollTaskUntilCompletionAsync(string taskId, CancellationToken ct, int maxAttempts 30, int delaySeconds 2) { for (int i 0; i maxAttempts; i) { await Task.Delay(TimeSpan.FromSeconds(delaySeconds), ct); var statusResponse await _yingMoClient.GetTaskStatusAsync(taskId, ct); if (statusResponse.Status success) { return statusResponse; } else if (statusResponse.Status failed || statusResponse.Status not_found) { return statusResponse; // 返回失败状态 } // 状态为 processing 或类似继续轮询 } // 超时 return new ImageGenerationResponse { TaskId taskId, Status timeout, Error Task polling timed out. }; } } }第三步创建对业务层暴露的AI服务这是给控制器或其他业务服务调用的门面。// Services/AIService.cs namespace YourProject.AI.Services { public interface IAIService { TaskImageGenerationResponse GenerateProductImageAsync(string productDescription, string style, CancellationToken ct default); Taskstring GenerateMarketingTextAsync(string imageContext, CancellationToken ct default); // 假设的文本生成 } public class AIService : IAIService { private readonly IImageGenerationTaskQueue _taskQueue; private readonly ILoggerAIService _logger; public AIService(IImageGenerationTaskQueue taskQueue, ILoggerAIService logger) { _taskQueue taskQueue; _logger logger; } public async TaskImageGenerationResponse GenerateProductImageAsync(string productDescription, string style, CancellationToken ct default) { var request new ImageGenerationRequest { Prompt $A professional product photo of {productDescription}, {style}, high detail, 8k, NegativePrompt blurry, ugly, deformed, text, watermark, Width 1024, Height 1024 }; var task new ImageGenerationTask { Request request }; await _taskQueue.QueueAsync(task); // 任务入队 _logger.LogInformation(Queued image generation task {TaskId} for product: {Description}, task.TaskId, productDescription); // 等待后台工作者完成任务并返回结果 return await task.CompletionSource.Task.WaitAsync(ct); } // 文本生成可以做成同步或异步取决于模型速度 public async Taskstring GenerateMarketingTextAsync(string imageContext, CancellationToken ct default) { // 这里简化处理实际可能需要调用另一个文本模型客户端 // 假设是快速同步调用 await Task.Delay(100, ct); // 模拟网络延迟 return $✨ 发现好物这款{imageContext}设计精良质感出众是提升生活品质的绝佳选择点击了解更多。; } } }最后在Program.cs中注册这些服务// 注册队列、后台服务、AI服务 builder.Services.AddSingletonIImageGenerationTaskQueue, ImageGenerationTaskQueue(); builder.Services.AddHostedServiceImageGenerationBackgroundService(); builder.Services.AddScopedIAIService, AIService();4. 应用集成在Web API控制器中调用现在所有重型装备都已就位。在控制器里调用AI服务变得非常简单和清晰。// Controllers/ProductsController.cs using Microsoft.AspNetCore.Mvc; namespace YourProject.Web.Controllers { [ApiController] [Route(api/[controller])] public class ProductsController : ControllerBase { private readonly IAIService _aiService; private readonly IProductRepository _productRepo; // 假设的产品仓储 public ProductsController(IAIService aiService, IProductRepository productRepo) { _aiService aiService; _productRepo productRepo; } [HttpPost({id}/generate-content)] public async TaskIActionResult GenerateProductContent(int id, [FromBody] ContentGenerationRequest request) { var product await _productRepo.GetByIdAsync(id); if (product null) return NotFound(); // 并行执行图片生成和文案生成提升响应速度 var imageTask _aiService.GenerateProductImageAsync(product.Description, request.Style); var textTask _aiService.GenerateMarketingTextAsync(product.Description); await Task.WhenAll(imageTask, textTask); var result new { ProductId id, GeneratedImage imageTask.Result, // 包含状态和URL GeneratedMarketingText textTask.Result }; // 可以将结果保存到数据库关联到产品 // await _productRepo.SaveGeneratedContentAsync(id, result); return Ok(result); } [HttpGet(tasks/{taskId})] public async TaskIActionResult GetTaskStatus(string taskId) { // 提供一个端点供前端轮询或查询特定任务状态 // 这里简化处理实际可能需要一个任务存储如Redis来查询 // 我们可以让AIService提供状态查询功能 return Ok(new { taskId, status Query logic would be implemented here. }); } } public class ContentGenerationRequest { public string Style { get; set; } modern, minimalist, on white background; } }这个GenerateProductContent接口会立即返回告诉客户端任务已提交。图片生成的结果需要通过taskId去轮询另一个状态接口或者使用WebSocket、SignalR进行实时推送。文案生成因为是“模拟”的快速操作所以这里直接等待并返回了结果。在实际项目中两者都应该设计成完全异步的。5. 效果与思考这么做的实际收益按照上面的架构实现并部署后我们得到了一个清晰的分层结构。业务开发同事只需要注入IAIService调用GenerateProductImageAsync方法完全不用关心背后的队列、轮询、错误处理。当大量生成请求涌来时后台工作者会按照设定的并发数比如3个有序处理不会拖垮Web服务器也不会对模型服务造成突发压力。几个关键的优化点和踩过的坑配置化所有参数模型地址、API Key、并发数、轮询间隔都放在appsettings.json里不同环境开发、测试、生产可以轻松切换。可观测性在BackgroundService和AIService中加入了详细的日志方便追踪任务生命周期和排查问题。错误处理与重试在客户端和后台服务中都需要健壮的错误处理。对于网络波动或模型服务暂时不可用可以在客户端层实现Polly重试策略。资源清理生成的图片可能存储在模型服务器或对象存储中需要考虑设置生命周期策略定期清理旧的生成结果。从内存队列到分布式队列当前用的是内存Channel如果部署多个Web实例任务队列就不共享了。对于生产环境第一步就应该换成Redis或专业的消息队列确保高可用。6. 总结把像影墨·今颜这样的AI模型集成到.NET企业应用远不止调用一个API那么简单。核心思路是将同步请求异步化通过队列缓冲和后台服务来解耦耗时操作与实时响应这是构建稳定、高性能AI功能模块的关键。这次实践下来感觉整个流程算是跑通了从客户端封装、队列设计、后台任务处理到最终的服务层抽象形成了一套还算清晰的模式。最大的好处是现在产品团队可以像使用其他内部服务一样轻松地调用AI能力而不用担心技术细节。当然这套架构还有不少可以打磨的地方比如引入更完善的任务状态持久化、增加优先级队列、或者集成分布式追踪。但作为一个起点它已经能够支撑起不少实际的AI应用场景了。如果你有更好的想法或者不同的实践也欢迎一起交流。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。
影墨·今颜模型.NET后端集成开发实战
发布时间：2026/5/21 22:17:43
影墨·今颜模型.NET后端集成开发实战最近在做一个企业级内容管理平台产品经理提了个需求希望能在后台自动为上传的商品图片生成风格统一的营销文案和卖点描述。手动写效率太低。找第三方服务成本和安全都是问题。团队讨论后决定把开源的“影墨·今颜”这类AI模型集成到我们自己的.NET后端里。这听起来是个好主意但真做起来发现网上关于在.NET企业级应用里集成这类AI模型的实战分享并不多。大部分教程要么是Python的要么就是简单的单次调用离“稳定、高性能、可维护”的生产级集成还有段距离。所以我把自己从零开始把影墨·今颜模型集成到.NET 6 Web API项目里的整个过程梳理了出来。这篇文章不会只讲怎么发一个HTTP请求而是会聚焦在工程化落地上怎么设计服务层、怎么优雅地处理异步长任务、怎么管理会话和队列最终封装成一个团队里任何同事都能简单调用的AI功能模块。如果你也在用.NET技术栈并且想给自家产品加上靠谱的AI能力那这篇实战记录应该能给你一些参考。1. 项目起点明确集成目标与架构设计在动手写代码之前我们先得想清楚要把AI能力做成什么样。我们的后台系统是一个典型的分布式微服务架构新的AI功能模块不能成为性能瓶颈也不能因为一个图片生成任务卡住整个请求线程。我设定的核心目标有几个非侵入式集成现有的业务代码改动要尽可能小通过服务调用的方式接入。异步与解耦图片生成、文案创作这类AI任务耗时较长必须做成异步的并且不能阻塞主业务流程。可观测与可管理任务状态要能追踪支持重试、取消有统一的日志和监控。资源可控能管理并发请求数避免把AI模型服务器压垮。基于这些我画了一个简单的分层架构图[Web API/Controllers] - [AI服务层 (AIService)] - [任务队列 (BackgroundService)] - [HTTP客户端 (ModelClient)] - [影墨·今颜模型服务]AI服务层对上层业务提供干净的接口比如GenerateProductDescriptionAsync(imageUrl, style)。任务队列与后台服务负责接收AI任务放入队列由后台工作者进程异步执行并更新任务状态。HTTP客户端封装与影墨·今颜模型HTTP API的所有通信细节包括认证、重试策略等。模型服务独立部署的影墨·今颜模型提供HTTP端点。这个架构的核心思想是异步化和缓冲队列确保Web请求能快速返回把耗时操作留给后台任务去处理。2. 基础搭建封装模型HTTP客户端一切始于如何与影墨·今颜模型对话。模型通常会提供一个HTTP API我们的第一步就是创建一个强类型、可配置、易测试的客户端。我选择用IHttpClientFactory来管理HTTP客户端这是.NET中管理HTTP客户端生命周期的推荐做法它内置了连接池和重试策略的基础支持。首先定义我们与模型交互的数据契约// Models/ImageGenerationRequest.cs namespace YourProject.AI.Models { public class ImageGenerationRequest { public string Prompt { get; set; } string.Empty; public string? NegativePrompt { get; set; } public int? Width { get; set; } 1024; public int? Height { get; set; } 1024; public int? Steps { get; set; } 20; // 其他模型特定参数... } public class ImageGenerationResponse { public string TaskId { get; set; } string.Empty; // 异步任务ID public string Status { get; set; } string.Empty; // e.g., “processing”, “success” public string? ImageUrl { get; set; } // 生成成功后返回的图片地址 public string? Error { get; set; } } }然后创建主要的客户端类// Services/ModelClients/YingMoClient.cs using Microsoft.Extensions.Options; using System.Net.Http.Json; namespace YourProject.AI.Services { public interface IYingMoClient { TaskImageGenerationResponse GenerateImageAsync(ImageGenerationRequest request, CancellationToken ct default); TaskImageGenerationResponse GetTaskStatusAsync(string taskId, CancellationToken ct default); } public class YingMoClient : IYingMoClient { private readonly HttpClient _httpClient; private readonly YingMoOptions _options; public YingMoClient(HttpClient httpClient, IOptionsYingMoOptions options) { _httpClient httpClient; _options options.Value; // 配置基础地址和认证头例如API Key _httpClient.BaseAddress new Uri(_options.BaseUrl); if (!string.IsNullOrEmpty(_options.ApiKey)) { _httpClient.DefaultRequestHeaders.Add(Authorization, $Bearer {_options.ApiKey}); } } public async TaskImageGenerationResponse GenerateImageAsync(ImageGenerationRequest request, CancellationToken ct default) { // 调用模型的生成接口 var response await _httpClient.PostAsJsonAsync(_options.GenerateEndpoint, request, ct); response.EnsureSuccessStatusCode(); return await response.Content.ReadFromJsonAsyncImageGenerationResponse(cancellationToken: ct) ?? new ImageGenerationResponse { Status error, Error Failed to parse response. }; } public async TaskImageGenerationResponse GetTaskStatusAsync(string taskId, CancellationToken ct default) { // 查询异步任务状态 var response await _httpClient.GetAsync(${_options.StatusEndpoint}/{taskId}, ct); if (response.StatusCode System.Net.HttpStatusCode.NotFound) { // 任务可能已过期或不存在 return new ImageGenerationResponse { TaskId taskId, Status not_found }; } response.EnsureSuccessStatusCode(); return await response.Content.ReadFromJsonAsyncImageGenerationResponse(cancellationToken: ct) ?? new ImageGenerationResponse { TaskId taskId, Status error }; } } // 配置类从appsettings.json读取 public class YingMoOptions { public const string SectionName YingMo; public string BaseUrl { get; set; } http://localhost:8000; public string ApiKey { get; set; } string.Empty; public string GenerateEndpoint { get; set; } /v1/generate; public string StatusEndpoint { get; set; } /v1/tasks; } }在Program.cs或Startup.cs中注册这个客户端builder.Services.ConfigureYingMoOptions(builder.Configuration.GetSection(YingMoOptions.SectionName)); builder.Services.AddHttpClientIYingMoClient, YingMoClient();这样我们就有了一个基础且可靠的“信使”专门负责和影墨·今颜模型服务通信。3. 核心实现构建异步任务队列与服务层有了客户端接下来要解决核心问题如何让Web API快速响应同时让AI任务在后台安心执行答案是BackgroundService配合一个内存或分布式队列。这里我使用Channel作为内存中的生产-消费者队列它轻量且适合单节点场景。如果需求是分布式的可以换成Azure Service Bus、RabbitMQ或Redis Stream。第一步定义任务队列和后台服务// Services/Background/ImageGenerationTaskQueue.cs using System.Threading.Channels; namespace YourProject.AI.Services.Background { // 代表一个排队中的生成任务 public class ImageGenerationTask { public string TaskId { get; set; } Guid.NewGuid().ToString(); public ImageGenerationRequest Request { get; set; } new(); public TaskCompletionSourceImageGenerationResponse CompletionSource { get; } new(); } // 任务队列接口和内存实现 public interface IImageGenerationTaskQueue { ValueTask QueueAsync(ImageGenerationTask task); ValueTaskImageGenerationTask DequeueAsync(CancellationToken ct); } public class ImageGenerationTaskQueue : IImageGenerationTaskQueue { private readonly ChannelImageGenerationTask _queue; public ImageGenerationTaskQueue(int capacity 100) { // 创建一个有界通道防止内存无限增长 var options new BoundedChannelOptions(capacity) { FullMode BoundedChannelFullMode.Wait // 队列满时等待 }; _queue Channel.CreateBoundedImageGenerationTask(options); } public async ValueTask QueueAsync(ImageGenerationTask task) { await _queue.Writer.WriteAsync(task); } public async ValueTaskImageGenerationTask DequeueAsync(CancellationToken ct) { return await _queue.Reader.ReadAsync(ct); } } }第二步创建后台工作者服务// Services/Background/ImageGenerationBackgroundService.cs using Microsoft.Extensions.Hosting; using Microsoft.Extensions.Logging; namespace YourProject.AI.Services.Background { public class ImageGenerationBackgroundService : BackgroundService { private readonly IImageGenerationTaskQueue _taskQueue; private readonly IYingMoClient _yingMoClient; private readonly ILoggerImageGenerationBackgroundService _logger; private readonly int _maxConcurrentTasks; public ImageGenerationBackgroundService( IImageGenerationTaskQueue taskQueue, IYingMoClient yingMoClient, ILoggerImageGenerationBackgroundService logger, IConfiguration configuration) { _taskQueue taskQueue; _yingMoClient yingMoClient; _logger logger; _maxConcurrentTasks configuration.GetValueint(AI:MaxConcurrentGenerations, 3); // 控制并发数 } protected override async Task ExecuteAsync(CancellationToken stoppingToken) { var workers new ListTask(); // 启动多个并发工作者来处理队列中的任务 for (int i 0; i _maxConcurrentTasks; i) { workers.Add(ProcessTaskQueueAsync(stoppingToken)); } await Task.WhenAll(workers); } private async Task ProcessTaskQueueAsync(CancellationToken stoppingToken) { while (!stoppingToken.IsCancellationRequested) { try { // 从队列中取出一个任务 var task await _taskQueue.DequeueAsync(stoppingToken); _logger.LogInformation(Processing AI task {TaskId}, task.TaskId); // 执行实际的AI生成调用 var initialResponse await _yingMoClient.GenerateImageAsync(task.Request, stoppingToken); if (initialResponse.Status processing) { // 如果是异步任务则轮询状态直到完成或超时 var finalResult await PollTaskUntilCompletionAsync(initialResponse.TaskId, stoppingToken); task.CompletionSource.SetResult(finalResult); } else { // 同步任务直接返回结果 task.CompletionSource.SetResult(initialResponse); } } catch (OperationCanceledException) { // 服务停止 break; } catch (Exception ex) { _logger.LogError(ex, Error processing task from queue.); // 可以根据需要将失败的任务重新入队或记录到死信队列 } } } private async TaskImageGenerationResponse PollTaskUntilCompletionAsync(string taskId, CancellationToken ct, int maxAttempts 30, int delaySeconds 2) { for (int i 0; i maxAttempts; i) { await Task.Delay(TimeSpan.FromSeconds(delaySeconds), ct); var statusResponse await _yingMoClient.GetTaskStatusAsync(taskId, ct); if (statusResponse.Status success) { return statusResponse; } else if (statusResponse.Status failed || statusResponse.Status not_found) { return statusResponse; // 返回失败状态 } // 状态为 processing 或类似继续轮询 } // 超时 return new ImageGenerationResponse { TaskId taskId, Status timeout, Error Task polling timed out. }; } } }第三步创建对业务层暴露的AI服务这是给控制器或其他业务服务调用的门面。// Services/AIService.cs namespace YourProject.AI.Services { public interface IAIService { TaskImageGenerationResponse GenerateProductImageAsync(string productDescription, string style, CancellationToken ct default); Taskstring GenerateMarketingTextAsync(string imageContext, CancellationToken ct default); // 假设的文本生成 } public class AIService : IAIService { private readonly IImageGenerationTaskQueue _taskQueue; private readonly ILoggerAIService _logger; public AIService(IImageGenerationTaskQueue taskQueue, ILoggerAIService logger) { _taskQueue taskQueue; _logger logger; } public async TaskImageGenerationResponse GenerateProductImageAsync(string productDescription, string style, CancellationToken ct default) { var request new ImageGenerationRequest { Prompt $A professional product photo of {productDescription}, {style}, high detail, 8k, NegativePrompt blurry, ugly, deformed, text, watermark, Width 1024, Height 1024 }; var task new ImageGenerationTask { Request request }; await _taskQueue.QueueAsync(task); // 任务入队 _logger.LogInformation(Queued image generation task {TaskId} for product: {Description}, task.TaskId, productDescription); // 等待后台工作者完成任务并返回结果 return await task.CompletionSource.Task.WaitAsync(ct); } // 文本生成可以做成同步或异步取决于模型速度 public async Taskstring GenerateMarketingTextAsync(string imageContext, CancellationToken ct default) { // 这里简化处理实际可能需要调用另一个文本模型客户端 // 假设是快速同步调用 await Task.Delay(100, ct); // 模拟网络延迟 return $✨ 发现好物这款{imageContext}设计精良质感出众是提升生活品质的绝佳选择点击了解更多。; } } }最后在Program.cs中注册这些服务// 注册队列、后台服务、AI服务 builder.Services.AddSingletonIImageGenerationTaskQueue, ImageGenerationTaskQueue(); builder.Services.AddHostedServiceImageGenerationBackgroundService(); builder.Services.AddScopedIAIService, AIService();4. 应用集成在Web API控制器中调用现在所有重型装备都已就位。在控制器里调用AI服务变得非常简单和清晰。// Controllers/ProductsController.cs using Microsoft.AspNetCore.Mvc; namespace YourProject.Web.Controllers { [ApiController] [Route(api/[controller])] public class ProductsController : ControllerBase { private readonly IAIService _aiService; private readonly IProductRepository _productRepo; // 假设的产品仓储 public ProductsController(IAIService aiService, IProductRepository productRepo) { _aiService aiService; _productRepo productRepo; } [HttpPost({id}/generate-content)] public async TaskIActionResult GenerateProductContent(int id, [FromBody] ContentGenerationRequest request) { var product await _productRepo.GetByIdAsync(id); if (product null) return NotFound(); // 并行执行图片生成和文案生成提升响应速度 var imageTask _aiService.GenerateProductImageAsync(product.Description, request.Style); var textTask _aiService.GenerateMarketingTextAsync(product.Description); await Task.WhenAll(imageTask, textTask); var result new { ProductId id, GeneratedImage imageTask.Result, // 包含状态和URL GeneratedMarketingText textTask.Result }; // 可以将结果保存到数据库关联到产品 // await _productRepo.SaveGeneratedContentAsync(id, result); return Ok(result); } [HttpGet(tasks/{taskId})] public async TaskIActionResult GetTaskStatus(string taskId) { // 提供一个端点供前端轮询或查询特定任务状态 // 这里简化处理实际可能需要一个任务存储如Redis来查询 // 我们可以让AIService提供状态查询功能 return Ok(new { taskId, status Query logic would be implemented here. }); } } public class ContentGenerationRequest { public string Style { get; set; } modern, minimalist, on white background; } }这个GenerateProductContent接口会立即返回告诉客户端任务已提交。图片生成的结果需要通过taskId去轮询另一个状态接口或者使用WebSocket、SignalR进行实时推送。文案生成因为是“模拟”的快速操作所以这里直接等待并返回了结果。在实际项目中两者都应该设计成完全异步的。5. 效果与思考这么做的实际收益按照上面的架构实现并部署后我们得到了一个清晰的分层结构。业务开发同事只需要注入IAIService调用GenerateProductImageAsync方法完全不用关心背后的队列、轮询、错误处理。当大量生成请求涌来时后台工作者会按照设定的并发数比如3个有序处理不会拖垮Web服务器也不会对模型服务造成突发压力。几个关键的优化点和踩过的坑配置化所有参数模型地址、API Key、并发数、轮询间隔都放在appsettings.json里不同环境开发、测试、生产可以轻松切换。可观测性在BackgroundService和AIService中加入了详细的日志方便追踪任务生命周期和排查问题。错误处理与重试在客户端和后台服务中都需要健壮的错误处理。对于网络波动或模型服务暂时不可用可以在客户端层实现Polly重试策略。资源清理生成的图片可能存储在模型服务器或对象存储中需要考虑设置生命周期策略定期清理旧的生成结果。从内存队列到分布式队列当前用的是内存Channel如果部署多个Web实例任务队列就不共享了。对于生产环境第一步就应该换成Redis或专业的消息队列确保高可用。6. 总结把像影墨·今颜这样的AI模型集成到.NET企业应用远不止调用一个API那么简单。核心思路是将同步请求异步化通过队列缓冲和后台服务来解耦耗时操作与实时响应这是构建稳定、高性能AI功能模块的关键。这次实践下来感觉整个流程算是跑通了从客户端封装、队列设计、后台任务处理到最终的服务层抽象形成了一套还算清晰的模式。最大的好处是现在产品团队可以像使用其他内部服务一样轻松地调用AI能力而不用担心技术细节。当然这套架构还有不少可以打磨的地方比如引入更完善的任务状态持久化、增加优先级队列、或者集成分布式追踪。但作为一个起点它已经能够支撑起不少实际的AI应用场景了。如果你有更好的想法或者不同的实践也欢迎一起交流。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。
