标准回答
一、实现机制
LLM 本身就是自回归逐 token 生成的。流式输出指服务端每解码出一个或一小段 token 就立即推送给客户端，而不是等整段生成完再一次性返回。
二、传输方式
最常用 SSE：服务端保持长连接，以 text/event-stream 持续下发数据块，客户端边收边渲染（OpenAI/Anthropic 等 API 的 stream 模式即如此）。也可用 WebSocket 或 HTTP chunked transfer。推理框架如 vLLM（参考 LLM 部署实践）原生支持流式。
三、好处
- 降低首字延迟（TTFT）：用户在第一个 token 生成后就能看到内容，无需等待全部生成。
- 体验更好：长回答边生成边显示，感知更快、可随时中断。
- 资源更友好：客户端可尽早处理/展示，长连接下不必缓冲整段响应。
四、代价
客户端需逐块拼接与渲染，结构化输出（如 JSON）解析更麻烦，要处理连接中断、超时与错误事件，比一次性返回复杂。
常见误区
⚠️ 常见踩坑
误区一：容易答偏的地方：流式只降低「首字延迟」和体验，并不减少总生成时间或总 token 成本；也别在需要完整 JSON 才能动作的场景天真地边流边解析，应等结构完整或用容错增量解析。
追问
追问 1：TTFT 和 TPOT 分别指什么？
追问 2：流式输出下如何做内容安全/护栏校验？
可边流边用轻量规则做敏感词增量过滤；对需要整体判断的校验（如结构、事实），先缓冲或在结束事件触发，必要时撤回/覆盖已展示内容，或采用先生成后审再放行的折中。
追问 3：SSE 相比 WebSocket 为何在 LLM 场景更常用？
SSE 是单向服务端到客户端推送，基于普通 HTTP，实现简单、自动重连、易过代理与负载均衡，正好契合「服务端持续吐 token」的单向需求；WebSocket 适合需要双向实时交互的场景。
🔗 相似问题
同一考点的不同问法，换着练更稳
延伸学习
按主题分类的相关资源，便于系统复习