本文深入探讨了SSE和WebSocket两种通信协议的区别及局限性。SSE基于HTTP协议实现服务端单向推送数据适用于LLM流式输出等场景WebSocket支持全双工通信双方可随时交互但存在状态管理、扩展性及代理穿透等问题。文章详细解析了两种协议的底层机制、优缺点及适用场景帮助程序员更好地理解和选择合适的通信方式。面试官说说 WebSocket 和 SSE 通信的区别及局限性‍♂️我SSE 和 WebSocket 都是长连接区别就是 SSE 比较简单WebSocket 比较复杂。做 AI 对话的话WebSocket 更好因为它功能更强大全双工嘛。面试官「功能更强大就更好」那为什么 OpenAI、Anthropic 的流式 API 全都用 SSE 而不是 WebSocket你得从实际场景出发去分析不能只看功能强不强。‍♂️我可能是因为 SSE 更简单吧不过我觉得 SSE 就是 WebSocket 的简化版功能上是 WebSocket 的子集没什么本质区别。面试官这个理解不对。SSE 是 HTTP 协议的原生特性WebSocket 是一个独立协议两者底层机制完全不同。而且各自都有明确的局限性SSE 有连接数限制、只支持文本传输WebSocket 有状态、扩展难、容易被代理拦截。选型要看场景需求不是简单的「谁是谁的子集」。看来 SSE 和 WebSocket 的区别远不止「简单 vs 复杂」这么表面下面我从底层原理到实际局限把两者的核心差异和各自的坑都讲清楚。 简要回答我觉得最核心的区别是通信方向SSE 是服务端单向推客户端只能接收想发消息只能另起一个 HTTP 请求WebSocket 是全双工双方都可以随时主动发消息。对于 LLM 流式输出这种「模型一直在推 token、用户只是看」的场景SSE 完全够用而且轻量、HTTP 原生支持、运维简单OpenAI 和 Anthropic 的 API 用的都是 SSE。WebSocket 的复杂性只有在真正需要双向实时交互的时候才值得引入比如用户要在模型说话过程中随时打断。两者各有局限SSE 在 HTTP/1.1 下有连接数上限只支持文本传输WebSocket 有状态、横向扩展麻烦还容易被企业代理或防火墙拦掉。大多数 LLM 文字对话产品用 SSE 就够了。 详细解析先从 HTTP 的本质说起要真正理解 SSE 和 WebSocket 的区别不能只看它们各自的功能列表得先回到更底层的问题它们到底在解决什么问题答案是普通 HTTP 做不到的事情。标准的 HTTP 请求是「一问一答」模型客户端发请求服务端返回响应连接关闭或者进连接池等待下次复用。服务端在任何时候都不能主动「推」数据给客户端它只能被动等客户端来问。你可以把它想象成打电话你说一句「你好」对方回一句「你好」然后挂电话这条线就断了。这套机制在传统 Web 里够用但 AI 对话场景不行。模型生成一个完整回答需要几秒甚至十几秒如果等全部生成完再一次性返回用户只能干瞪着空白屏幕等待体验极差。我们需要的效果是模型生成一个词就推一个词用户实时看到文字逐渐出现就像 ChatGPT 那样一个字一个字「打」出来。这就需要连接保持打开、服务端能主动持续往外推数据HTTP 的「问一答一然后断」做不到这件事。SSE用普通 HTTP「撑开」一条单向水管SSEServer-Sent Events服务器推送事件本质上是对 HTTP 的一种「巧用」不是新协议而是 HTTP/1.1 里本来就有的特性只不过以前很少用。它的做法是客户端发一个普通 HTTP GET 请求但在请求头里声明Accept: text/event-stream告诉服务端「我想收流式数据」。服务端收到后不关闭连接而是保持连接持续打开不停往里写数据。这条连接在技术上仍然是一个 HTTP 响应只不过响应体是「无限长」的服务端在不断往里追加内容直到模型生成完毕才发送结束标志。可以把它理解为「一根从服务端流向客户端的单向水管」水数据只能从服务端流向客户端客户端没法往管子里倒水。有必要讲一下 SSE 的消息格式是什么样的因为这直接决定了它为什么这么好用。SSE 的数据不是 JSON而是一种非常简单的纯文本格式每条消息以data:开头后面跟数据内容结尾是两个换行符。如果你现在打开 ChatGPT按 F12 打开开发者工具切到 Network 面板找到流式响应请求就能看到一行一行类似data: {token: 你}这样的文本在不断追加进来每出现一行浏览器就触发一次事件。浏览器专门有一个叫EventSource的内置 API 来处理这种格式你只需要打开这个连接注册一个onmessage回调函数每收到一条消息就自动触发完全不用自己解析底层数据流用起来非常方便。SSE 之所以成为 LLM 流式输出的行业标准还有一个很关键但容易被忽视的原因文字传输天然适合 TCP 的可靠有序传输。模型输出是一个个 token 组成的连续文本如果中间某个 token 丢了整段话的意思可能完全变了顺序乱了更是无法阅读。所以你希望每个 token 都准确到达、不乱序这恰恰是 TCP 的强项。你愿意等网络重传因为等来的是正确的内容。这和语音场景WebRTC完全相反那里 TCP 的重传机制会造成不可接受的延迟所以语音要换 UDP但文字场景里 TCP 反而是你的朋友你需要它。WebSocket从 HTTP 升级成真正的双向信道理解了 SSE 是怎么回事WebSocket 就很好对比了。WebSocket 是一个独立的协议建立在 TCP 之上但不是 HTTP 的特性。它的建立过程有一个特殊的「握手仪式」客户端先发一个看起来像普通 HTTP 请求的东西但请求头里带了一句话「我想升级成 WebSocket」。服务端如果同意回一个101 Switching Protocols的响应从这一刻起这条 TCP 连接就「变性」了不再遵循 HTTP 的一问一答规则变成了一条双方都可以随时说话的全双工信道。你可以把这个转变想象成原来是对讲机你说完按按钮让对方说升级成了电话双方都可以随时开口谁都不用等谁。和 SSE 最本质的区别是通信方向。SSE 只有服务端能主动推客户端想发消息必须另起一个 HTTP 请求两个方向用了两套机制WebSocket 是真正的双向客户端和服务端都可以随时主动发消息对方立刻就能收到没有任何「谁先说话」的限制一条连接搞定两个方向。用「用户要在模型说话中途打断」这个场景来感受两者的差别用 SSE 时用户想打断只能先关掉当前 SSE 流第一个请求结束再发一个新的 POST 请求第二个请求开始这两个动作之间有一个明显的断-重连过程操作上有割裂感用 WebSocket 时用户直接在同一条连接里发送「停止」指令服务端立刻收到立刻停止生成整个过程流畅、无缝真正的实时双向交互。SSE 的局限不只是「单向」那么简单说完了两者的核心区别接下来要聊它们各自的局限性了这往往是面试官追问的重点。先看 SSE。SSE 的单向性带来的第一个麻烦是架构上的「双通道尴尬」。SSE 只能从服务端推向客户端用户发消息必须走一个独立的 POST 请求这意味着同一个对话用了两条通道用户发消息走 POST模型回复走 SSE两者之间要靠一个 conversation ID 关联起来。服务端收到 POST 请求后找到对应的 SSE 长连接把模型输出推过去。对于简单场景这套机制够用但状态管理比 WebSocket 的单一通道复杂出问题时排查链路也更长。第二个容易被忽视的坑是 HTTP/1.1 的连接数限制。浏览器对同一个域名的 HTTP/1.1 连接有 6 条的上限SSE 占一条长连接如果用户同时开了多个标签页第 7 个标签页的 SSE 请求会被浏览器排队等待导致某些标签页没有响应看上去就是「页面卡死了」。HTTP/2 通过多路复用解决了这个问题一条 TCP 连接上可以跑无数条逻辑流所以现代部署一般要求 HTTP/2这个问题也就消失了。但如果你的用户环境里有老浏览器或者不支持 HTTP/2 的代理这就是一个真实的坑。第三个是 SSE 只能传文本这条限制。传语音或者图片时必须先做 Base64 编码才能用 SSE 传输数据量会膨胀约 33%接收端还要额外解码延迟和 CPU 开销都不小。实时语音场景下这个代价完全不可接受所以实时语音要用 WebRTC 而不是 SSE。还有一个实现细节是断线重连。SSE 有内置的重连机制断线后会自动尝试重连这是优点。但要做到「断了接着上次继续」而不丢消息服务端必须支持Last-Event-ID客户端重连时带上上次收到的最后一条消息 ID服务端从那条之后重放。很多实现省略了这块结果断线后用户会丢失中间的内容重连看到的是截断的回答。WebSocket 的局限有状态带来的扩展麻烦WebSocket 最麻烦的问题是「有状态」。每条 WebSocket 连接在建立时被负载均衡器路由到某一台后端服务器之后这个用户的所有消息都必须发到同一台服务器因为连接状态就保存在那里。当你想横向扩容、加新的机器时新机器接不到老连接老连接的用户无法迁移到新机器扩容的效果大打折扣。常见的解决办法是把连接状态外移到 Redis 等共享存储通过发布订阅机制把消息中转到正确的服务器但这让架构明显变复杂多了一跳延迟也增加了。相比之下SSE 的每次请求都是普通 HTTP负载均衡器可以把任意请求路由到任意后端横向扩展非常简单这是 SSE 在大规模部署场景的一个明显优势。第二个实际部署中频繁踩的坑是代理和防火墙穿透。很多企业的 HTTP 代理比如 Squid、老版本 CDN、某些安全网关不支持 WebSocket 的Upgrade握手直接把这个请求当成异常 HTTP 请求拒掉导致 WebSocket 连接建立失败。SSE 就不会有这个问题它始终是普通 HTTP 请求任何代理都能透传不需要任何特殊配置。这也是为什么早期 MCP 协议的远程传输选择了 SSE 而不是 WebSocketMCP Server 需要在各种复杂的网络环境下都能工作SSE 对这些环境的兼容性好得多MCP 在 2025 年 3 月的规范更新里进一步升级到了 Streamable HTTP本质上还是走 HTTP SSE 流详见 13 题。第三个是 WebSocket 没有内置的请求-响应配对机制。HTTP 里每个请求有自己的响应天然一一对应。WebSocket 里消息就是消息服务端发来一条消息你不知道它对应哪个请求需要自己在消息里加请求 ID在客户端维护请求 ID 到等待回调的映射表才能实现「发出一条消息等待特定响应」的语义。说起来不难但实现起来是不少的工作量而且一旦断线重连那些还在等待响应的请求该怎么处理也需要专门设计重试逻辑。在 AI 场景下怎么选大原则是「单向推就用 SSE真正需要双向才上 WebSocket」。文字对话天然是单向推模型在说话你在看你想回复直接发一个新的 POST 就行SSE 完全够。只有当你需要客户端在任意时刻主动说话比如实时打断、多人协同编辑、游戏类实时同步才值得引入 WebSocket 的复杂度。场景推荐方案原因LLM 流式文字输出ChatGPT 风格SSE单向推送够用轻量HTTP 原生支持运维简单多轮对话用户发消息 模型回复SSE 普通 POST用户发消息走 POST模型回复走 SSE解耦简单需要用户中途打断模型输出WebSocket需要客户端在流式输出中途主动发消息多人协同多用户同时编辑、实时同步WebSocket频繁双向消息SSE POST 的双通道架构太繁琐实时语音对话WebRTC音频流需要 UDP 低延迟WebSocket 的 TCP 重传是瓶颈MCP 远程 ServerStreamable HTTP内部仍用 SSE 做流式MCP 2025-03-26 规范从早期的 HTTPSSE 双端点升级为单端点的 Streamable HTTP保留了代理穿透友好的特性绝大多数 LLM 文字对话产品用 SSE 就够了这也是为什么 OpenAI、Anthropic 的 API 都选 SSE 而不是 WebSocket。WebSocket 的复杂性只有在真正需要双向实时通信时才值得引入。 面试总结回到开头踩的雷最大的误区是觉得「WebSocket 功能更强大所以更好」或者把 SSE 当成 WebSocket 的简化版。面试回答这道题第一个核心要点是通信方向的区别SSE 是服务端单向推送客户端想发消息要另起 HTTP 请求WebSocket 是全双工双方都可以随时主动发消息。这是两者最本质的差异不是「简单 vs 复杂」的关系。第二个要点是各自的局限性这往往是面试官追问的重点。SSE 的三个坑要记住HTTP/1.1 下同域名连接数上限6 条、只支持文本格式传二进制要 Base64 编码膨胀 33%、单向性导致的双通道架构复杂度。WebSocket 的三个坑也要说到有状态导致横向扩展麻烦需要 Redis 等共享存储做连接状态外移、容易被企业代理和防火墙拦截Upgrade 握手被当异常请求拒掉、没有内置的请求-响应配对机制需要自己维护请求 ID 映射。第三个要点是选型原则单向推用 SSE真正需要双向才上 WebSocket。LLM 文字对话场景绝大多数用 SSE 就够了这也是 OpenAI 和 Anthropic的选择。能说出这个判断依据比单纯罗列功能差异更有说服力。最后2026年技术圈的分化愈发明显降薪裁员潮持续蔓延传统开发、测试等岗位大批缩水不少从业者陷入职业焦虑与之形成鲜明对比的是AI大模型相关岗位迎来疯狂扩招薪资逆势飙升150%大厂更是直接开出70-100W年薪疯抢具备实战能力的大模型人才甚至放宽年龄限制只求能快速落地技术、创造价值很多程序员、职场新人纷纷入局大模型领域绝非盲目跟风而是实实在在看到了不可替代的价值优势这也是2026年最值得抓住的职业风口1、窗口期红利入门门槛友好不同于成熟赛道的“内卷式招聘”2026年大模型人才缺口巨大简历只要达标掌握基础AI应用具备简单项目经验年龄、学历均非硬性要求小白可快速入门转行程序员也能无缝衔接2、技术可复用上手速度翻倍如果你有前后端开发、测试、数据分析等基础在大模型落地、系统部署、Prompt工程等环节会更具优势无需从零开始复用原有技术能力就能快速进阶3、懂业务更吃香竞争力翻倍单纯懂技术已不够2026年大厂更看重“技术业务”的复合型人才有垂直领域金融、医疗、工业等经验者能精准定位模型落地痛点薪资比纯技术岗高出30%以上更重要的是即便没有转型需求用AI大模型工具为工作赋能、提升效率也已经成为80%企业的硬性要求——不会用大模型提效未来很可能被行业淘汰那么2026年小白/程序员该如何高效学习大模型很多人想入门大模型却陷入两大困境要么到处搜集零散资料不成体系越学越懵要么被收费高昂的课程割韭菜花了钱却学不到实战技能白白浪费时间走弯路。今天就给大家精心整理了一份2026年最新、免费、系统化的AI大模型学习资源包覆盖从零基础入门到商业实战、从理论沉淀到面试通关的全流程所有资料均已整理归档无需拼凑直接领取就能上手学习小白可照做程序员可进阶扫码免费领取全部内容1、大模型系统化学习路线这份学习路线结合2026年行业趋势和新手学习规律由行业专家精心设计从零基础到精通每一步都有明确指引帮你节省80%的无效学习时间少走弯路、高效进阶避免踩坑。2、从0到进阶大模型学习视频教程从入门到进阶这里都有跟着老师学习事半功倍。3、大模型学习书籍电子文档涵盖2026年最新技术要点包括基础入门、Transformer核心原理、Prompt工程、RAG实战、模型微调与部署等内容4、AI大模型最新行业报告报告包含腾讯、阿里、甲子光年等权威机构发布的核心内容还有2026年中文大模型基准测评报告、AI Agent行业研究报告等帮你站在行业前沿把握技术风口。5、大模型项目实战配套源码项目包含Deepseek R1、GPT项目、MCP项目、RAG实战等热门方向还有视频配套代码手把手教你从0到1完成项目开发既能练手提升技术又能丰富简历为求职和职业发展加分。6、2026大模型大厂面试真题2026年大模型面试已全面升级不再单纯考察基础原理而是转向侧重技术落地和业务结合的综合考察很多程序员和新手因为缺乏针对性准备明明技术不错却在面试中失利。适用人群四阶段学习规划共90天可落地执行第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容7、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】