3 天，入门 TAURI 并开发一个跨平台 ChatGPT 客户端

import { Link, useLocation, useNavigate } from 'react-router-dom'export default function Header() {// 调用 navigate() 去你想去的地方 ⛱️const navigate = useNavigate()// 我在哪？const location = useLocation()const showBack = location.pathname !== '/'return ( navigate('/')}>{/* 相当于 HTML 中的 ，点击后跳转页面 */})}

• 懒加载页面组件在 TAURI 应用里不是很刚需，因为打包后代码文件都在本地，加载速度足够快
• 大部分情况下，可以把只有一个 Window 的 TAURI App 视作 Web 中的单页面应用（SPA）

用户设置页面

页面功能说明

一个表单页面，点击保存后将用户的配置保存到本地文件中。

页面代码

import { getUserConfig, setUserConfig } from '@/utils/user-config'import { dialog } from '@tauri-apps/api'import { useMount, useSetState } from 'ahooks'import { useNavigate } from 'react-router-dom'import style from './index.module.css'export default function More() {const navigate = useNavigate()const [state, setState] = useSetState({key: '',// ...})// 页面加载时，读取本地配置文件，并设置 stateuseMount(async () => {const config = await getUserConfig()setState({key: config.openAi.key,// ...})})async function save() {await setUserConfig(state)// 调用系统原生的 dialogawait dialog.message('✅ 配置已保存')navigate('/')}return (OpenAI Key setState({ key: e.target.value })} />{/* 其他表单输入项... */}保存)}

读写用户配置工具函数

getUserConfig()和setUserConfig()的具体实现：

import { UserConfig } from '@/types'import { readTextFile, writeTextFile } from './file'const CONFIG_FILE_NAME = 'config.json'// 保存一个 JS 变量，以便前端获取配置时，不用每次都读文件let userConfig: UserConfig | null = nullexport async function getUserConfig() {if (userConfig) return userConfigconst config = await readTextFile(CONFIG_FILE_NAME)try {userConfig = JSON.parse(config)} catch (error) {userConfig = DEFAULT_USER_CONFIG}return userConfig!}export async function setUserConfig(config: UserConfig) {await writeTextFile({path: CONFIG_FILE_NAME,contents: JSON.stringify(config),})userConfig = config}export const DEFAULT_USER_CONFIG: UserConfig = {openAi: {key: '',apiHost: '',chatModel: 'gpt-3.5-turbo',},temperature: 1,maxContextMessageCount: 5,systemPersonality: '',}

封装读写本地文件函数

TAURI 提供的 fs 对象已经很简洁易用，这里还封装一下主要有两个原因：

1. 保证读写文件都在一个基础目录下进行，例如 $APP_DATA 目录。TAURI 出于安全考虑，要求对可读写文件的基础目录先行配置，具体为配置文件中的 tauri.allowList.fs.scope 配置项，只在一个基础目录下操作文件，减少了配置，也方便调试维护这些本地文件。
2. 出于安全、不同平台兼容性考虑，使用 TAURI 操作文件，是无法使用 /etc/... 这种绝对路径的，相对路径 ../ 也无法使用，只能使用 fs.BaseDirectory 提供的一些枚举值代表的路径（足够丰富），如 fs.BaseDirectory.AppData 代表的是本机 $APP_DATA 目录，对 macOS 平台而言，具体为 /Users//Library/Application Support/ 目录，在执行写文件之前，要准备好这个文件夹！否则会写入文件失败！

import { fs } from '@tauri-apps/api'const DEFAULT_DIR = fs.BaseDirectory.AppData/** * 写文件时，应确保文件夹的存在，文件夹不存在，则无法写入 * 使用 fs.createDir() 创建文件夹，如果文件夹已经存在，不会重复创建 */async function prepareWrite() {await fs.createDir('dir', { dir: DEFAULT_DIR, recursive: true })}export async function writeTextFile(file: Record) {await prepareWrite()await fs.writeTextFile(file, { dir: DEFAULT_DIR })}export async function readTextFile(filePath: string) {return await fs.readTextFile(filePath, { dir: DEFAULT_DIR })}

对话页面

页面功能说明

用户输入问题后，请求接口，聊天记录区域以打字机的效果实时渲染 AI 的回答。

页面代码

固定在页面底部，上方展示对话记录，

import MessageList from '@/components/MessageList'import UserInput from '@/components/UserInput'import style from './index.module.css'export default function Chat() {return ()}

UserInput

用户输入框，支持恢复待发送文本、按 ⬆️ 键恢复上次已发送文本。因为处理用户输入时的接口请求、文本渲染这些工作大部分都与当前组件无关，所以采用通过事件传递用户输入的文本，由 SEND_QUESTION 事件的订阅者来处理这些复杂的任务；后面将会增加新的聊天机器人，如 Bing AI，也通过订阅该事件进行 AI 回复。

import { eventBus } from '@/utils/event-bus'import { useKeyPress, useMount, useSetState } from 'ahooks'import { useRef } from 'react'import style from './index.module.css'const storage = {lastUserInput: '',curUserInput: '',}export default function UserInput() {const [state, setState] = useSetState({ input: '' })const inputRef = useRef(null)function handleUserInput(input = '') {setState({ input })storage.curUserInput = input}function send() {const content = state.input.replace(/(^\s*)|(\s*$)/g, '')if (!content) {return}storage.lastUserInput = contenthandleUserInput()eventBus.emit(eventBus.name.SEND_QUESTION, content)}useKeyPress('enter',(e) => {e.preventDefault()send()})// 实现用户键盘轻点 ⬆️，输入框内容为上次输入的问题useKeyPress('uparrow',(e) => {const input = storage.lastUserInputif (!input) returnsetState((state) => {if (state.input) return state// 组件渲染完成后，将光标移至输入框末尾setTimeout(() => {inputRef.current!.selectionStart = input.length}, 0)return { input }})})useMount(() => setState({ input: storage.curUserInput }))return ( handleUserInput(e.target.value)}spellCheck={false}/>)}

MessageList

该组件展示对话记录。具体每一条消息用渲染出来。

import { IMessage } from '@/types'import { eventBus } from '@/utils/event-bus'import { getMessages } from '@/utils/messages'import { useState } from 'react'import MessageCard from './MessageCard'import style from './index.module.css'export default function MessageList() {const [list, setList] = useState(getMessages())eventBus.useListen(eventBus.Name.CHANGE_MESSAGES, setList)if (!list.length) {return (欢迎使用 Chat Ta)}return ({list.map((msg) => ())})}

页面搭建已完成，接下来看看如何处理最核心的请求、解析接口，渲染 AI 回复至界面。

接收 API 返回的流，并渲染至界面

OpenAI Chat API 的具体调用格式可参考官方文档，这里着重介绍一下 stream 参数。

介绍这个参数前需要了解一下 ChatGPT 回复的大概过程：用户输入问题，发送请求，GPT 开始响应，但是服务器上 GPT 的回复不是一下子全部都有的，而是一个字符一个字符的生成，每生成下一个字符，GPT 都会综合利用已回复的上文，这也是 GPT 这类语言模型的重要特征。

参数 stream 默认值为 false，具体表现为在服务器上等待全部回复的内容生成完整，然后再接口返回，因此回复内容稍微长一点都需要等很久接口才能返回。

将 stream 设为 true，告诉服务器以流的形式传输内容，这样服务器每生成一个字符，前端都能立马拿到渲染出来，搭配上打字机的效果，用户体验 ！

import { Role } from '@/constants/enum'import { eventBus } from '@/utils/event-bus'import { getUserConfig } from '@/utils/user-config'type ApiResult =| { response: Response; error" />interface ResolveStreamParams {// 例如 (await fetch()).bodybody: ReadableStream// 渲染函数，这个函数会被多次执行，content 是从起始到当前 stream 解析出的长字符串renderer(content: string): void}async function resolveStream(params: ResolveStreamParams) {const { body, renderer } = paramsconst reader = body.getReader()const decoder = new TextDecoder('UTF-8')// text/event-stream 的响应可能会持续一段时间，我们允许用户手动取消// 如果用户手动取消了，便不再读取流，可以让响应立即结束const unlisten = eventBus.once(eventBus.Name.STOP_AI_RESPOND, () => {reader.cancel()reader.releaseLock()})let content = ''async function readChunk() {let value: Uint8Array | undefinedtry {value = (await reader.read()).value} catch (error) {return}const decodedStr = decoder.decode(value)const strObjects = decodedStr.replaceAll('data: ', '').split('\n').filter(Boolean)for (const strObj of strObjects) {if (strObj.includes('[DONE]')) returnconst obj = JSON.parse(strObj)const newContent = obj?.choices?.[0]?.delta?.contentif (!newContent) continuecontent += newContentrenderer(content)}// 这里一定要用 await，以保证拼接字符的正确顺序await readChunk()}await readChunk()unlisten()}

调用 API、解析 stream 这些准备工作做好了，让我们在sendQuestion()中组合一下，并实现在 React 应用中以打字机的效果渲染 GPT 的回复：

export async function sendQuestion(question: string) {// 发布：AI 开始响应eventBus.emit(eventBus.Name.CHANGE_AI_RESPOND_STATE, true)const rst = await openAiChat({ messages: await makeMessages(question) })if (rst.error) {const messages = getMessages()messages.at(-1)!.content = rst.error.messagemessages.at(-1)!.isError = truesetMessages([...messages])// 发布：AI 结束响应eventBus.emit(eventBus.Name.CHANGE_AI_RESPOND_STATE, false)return}function getRenderer() {const INTERVAL_TIME = 50let cachedContent = ''let curContent = ''let timer = 0// 是否手动结束渲染let isStopRender = false// 订阅：手动中止 AI 响应，结束打字机渲染const unlisten = eventBus.once(eventBus.Name.STOP_AI_RESPOND, () => {isStopRender = true})// 这个函数会在 resolveStream() 中多次调用return function renderer(content: string) {cachedContent = contentif (timer) returntimer = window.setInterval(() => {// 是否已经将当前 cachedContent 内容全部渲染完成let isRenderedAllCachedContent = curContent.length === cachedContent.length// 手动停止或者已经渲染完成全部内容if (isStopRender || (isRenderedAllCachedContent && isResolveFinished)) {window.clearInterval(timer)eventBus.emit(eventBus.Name.CHANGE_AI_RESPOND_STATE, false)unlisten()}const char = cachedContent[curContent.length]if (char === undefined) returncurContent += char// 更新 messages，让 react 执行渲染const messages = getMessages()messages.at(-1)!.content = curContentsetMessages([...messages])}, INTERVAL_TIME)}}// 标识 stream 是否已经解析完成let isResolveFinished = falseawait resolveStream({body: rst.response.body!,renderer: getRenderer(),})isResolveFinished = true}

这里是用 setInterval 实现打字机的效果，每 50ms 拼接一个字符，但是我们不用去限制解析 stream 时每 50ms 解析一个 chunk，因此用变量 cachedContent 暂存一下解析结果，以便后续的渲染继续使用。

渲染优化

App 中有一个 messages 存储的是完整的对话记录，这个变量对于整个应用至关重要，比如：

• 应用启动时，需要读取本地存储的 json 文件里的对话记录，将其赋值给 messages
• 应用关闭时，需要将 messages 保存为本地 json 文件
• 每次进入聊天页面，都要把完整的 messages 渲染出来
• 用户输入问题、解析 API 都需要更新 messages
• 根据 messages 是否为空决定是否展示清空记录按钮。
• …….

messages 有两个重要特点：全局性、频繁更新。

一开始我将其设置为 React 全局 Context 的一个 valve（本项目没有使用任何 React 状态库，Mobx 不想用，Redux 嫌它老，新的不想学），用起来倒是方便，但是会导致巨量的组件 rerender，比如消息聊天记录页面用来展示每条消息的每个 都用到了它，因为打字机效果需要，每 50ms 全部 rerender 一遍。这是完全没必要的，因为其中绝大部分的组件不需要 rerender，打字机效果生效时，只有最后一个消息卡片需要每 50ms 重新渲染。这么干严重加重了 CPU 负载，不妥不妥。 （对于 React 里这种场景大家有什么优雅的解决方案，欢迎留言讨论 ）

于是我决定采用 JS 中常见的事件-发布订阅的设计模式重写这一部分。具体来说：

1. 将 messages 放到一个模块里，并且该模块导出 setMessages() 和 getMessages()
2. 每次 setMessages()，都发布事件 emit(CHANGE_MESSAGES, messages)
3. 每一个要用到 messages 的组件，都通过 hook 订阅事件 useListen(CHANGE_MESSAGES, handler)，在 handler 内更新当前组件的 state

为什么可以提升性能❓

React Context 机制决定了，value 的每一次改变，都会触发其所有的子组件 rerender，以便它们都能接收到最新值。通过事件订阅机制，可以令用到 messages 的组件订阅数据改变事件，然后根据 event handler 接收到的新的 messages 更新组件内部 state。这么做限定了变更数据会影响到的组件、减少了组件 rerender 的时机，更细粒度、更精准的掌控组件，因此可以有效提升应用性能。

TAURI 中的事件

通过 @tauri-apps/api/event 导出的 event 对象，可以很方便的在前端、后端间进行事件通信。TAURI 预先提供了一些事件，如应用更新、文件拖入窗口、关闭窗口等，可以通过枚举 event.TauriEvent 获取这些事件名称。当然除了 TAURI 提供的这些事件，自定义事件也是允许的，只需在前端、后端使用相同的事件名称字符串即可。

窗口事件

需要注意的是，涉及到窗口的事件时，需要通过窗口实例如 appWindow 对象来监听。

import { appWindow } from '@tauri-apps/api/window'appWindow.listen(event.TauriEvent.WINDOW_CLOSE_REQUESTED, () => {// 窗口关闭前需要执行的任务...await appWindow.close()})

前端调用 Rust

通过 Rust 我们可以调用系统原生能力，Tauri 允许在 JavaScript 前端调用 Rust 编写的函数（称为指令）。

示例：

// 定义一个 greet 指令#[tauri::command]fn greet(name: &str) -> String {format!(" Hello, {}!", name)}fn main() {tauri::Builder::default().invoke_handler(tauri::generate_handler![greet]) // 注册指令.run(tauri::generate_context!()).expect("❌ error while running tauri application.")}

前端调用：

import { invoke } from '@tauri-apps/api'invoke('greet', { name: ' 红绿灯的黄' }).then(response => {window.header.innerHTML = response})

步骤：

1. 写自定义的 Rust 函数并用宏声明
2. 在 Rust main() 函数中通过 generate_handler 函数注册指令
3. 在前端通过 invoke() 函数调用指令

构建项目

执行 tauri build 即可构建应用。

构建时会读取 tauri.conf.json 中的内容，根据该配置决定打包产物需要包含哪些特性，因此只为用到的特性设为 true，可以有效降低安装包体积。

应用图标

不同的平台，所使用的 App 图标格式是不同的，而且在不同的场景下，平台也可能会使用不同分辨率的图标。TAURI 提供了一个很方便的命令，只需要准备一张基本的图标，然后执行命令行，即可生成所有平台需要的图标。

pnpm tauri icon 

生成的图标资源存放在 src-tauri/icon 目录中。

这里可以使用 figma 创建图标，我所采用的标准为：

• 图标尺寸：256 * 256
• 白色矩形尺寸：212 * 212
• 白色矩形圆角：56
• 内容尺寸：128 * 128
• 画笔宽度：14
• 导出：512，PNG

安装包

生成安装包文件将在src-tauri/releas/bundle目录下。（4.6 MB❗️❗️❗️）

运行内存

（29.0 MB❗️❗️❗️）

写在最后

TAURI 为整个项目开发周期都提供了便利的 CLI 工具，方便我们快速创建、启动、调试、构建应用，甚至贴心的提供了一个命令来生成不同平台会用到的所有图标，在前端调用 Rust 也是非常方便的，总体来说开发体验 。

TAURI 把应用的安全性放在很关键的位置，所有系统原生能力都需要通过配置才能启用，所有可以访问的系统目录也需要配置。当然，配置也是很简单的，在项目 tauri.conf.json 文件中可以快速设置。

TAURI App 使用 WebView 渲染页面，处理前端逻辑，后端使用 Rust 编译产生的二进制文件，和 Electron 相比，可以极为有效的控制打包产物大小、提升应用性能，而且将来可以适配的平台也更多。很多人介于不同平台上的 WebView 差异较多，可能不太看好 TAURI，更看好 Electron 这种借助 Chromium 提供统一 WebView 的框架。这也没错。但我想说，如今早已不是十年前那个浏览器市场战火纷飞一地鸡毛还能让 IE 大行其道的时代了，如今各种前端标准越来越规范，兼容性问题已经不再是令人措不及防应接不暇的问题；macOS 上基于 WebKit 的 WebView 已经足够好用，在 Windows11 上新的 WebView2 也是基于更现代化的 Chromium；移动设备上的 WebView 更是无需担心，因为它们的系统本就是现代化的操作系统，装载的 WebView 可能会有的疑难杂症也更少。当然，实际开发中还是需要解决一些兼容性问题，可是，我们作为一个前端开发，开发 Web 应用、小程序时，尚且需要处理一些兼容性问题，开发 TAURI App 也是同样的道理。况且其中大部分问题都可以通过前端工具进行兼容处理。

作为一个前端开发，我们可以借助 TAURI，将我们的技术能力扩展至 Rust、原生系统、Shell 这些更为底层、更有挑战性、更有可为的技术领域。

总之，TAURI 是一个很值得关注、尝试使用的框架。

最后，本项目 GitHub 仓库地址： GitHub – Y80/chat-ta: 一款基于 TAURI 的跨平台 ChatGPT 客户端