ai-factory-model 0.0.4

AI Library to authenticate and manage LLM models

LLM

LLM es una librería Python modular orientada a la integración con múltiples modelos de lenguaje (LLMs), proveedores cloud y utilidades auxiliares para desarrollo e infraestructura.

Esta librería está diseñada para facilitar la interacción con LLMs de OpenAI, Azure, Google y Ollama, integrando además autenticación, configuración externa, plantillas Jinja2, y componentes reutilizables.

Características

• Soporte para múltiples modelos LLM:
  • OpenAI (chat y embeddings)
  • Azure OpenAI
  • Google Generative AI
  • Ollama
  • LangChain y variantes
• Módulos para configuración (decouple, YAML)
• Autenticación vía Azure Identity
• Generación de contenido vía plantillas Jinja2
• Separación clara de responsabilidades con módulos como:
  • logger
  • security
  • auth_clients
  • model_* (interfaces para distintos LLMs)

Instalación

Desde PyPI:

pip install ai-factory-model

Puesta a punto

Para poder hacer uso de la factoría de modelos es necesario definir una serie de variables de entorno, que permiten la conexión a los distintos servicios de alojamiento de modelos:

AZURE_TENANT_ID = <id_tenant_azure>
AZURE_CLIENT_ID = <id_client_azure>
AZURE_CLIENT_SECRET = <secret_passphrase_azure_client>
AZURE_TOKEN_URL = <azure_url_token_generator>

Para un mayor nivel de seguridad, se cuenta con conexión a KeyVault. Para definir la conexión al almacén de claves correspondiente, se debe usar:

KV_NAME = <kv_name>
KV_TENANT_ID = <id_kv_tenant>
KV_CLIENT_ID = <id_kv_client>
KV_SECRET = <secret_passphrase_kv>

Con la conexión a KeyVault establecida, los valores que se deben recuperar desde el almacén de claves deben especificarse siguiendo la siguiente nomenclatura:

VARIABLE_SECRET = kv{name-of-secret-at-kv}

De esta forma, por ejemplo:

# Pasamos de tener el secreto en raw
AZURE_CLIENT_SECRET = <secret_passphrase_azure_client>

# A recuperarlo desde el KV
AZURE_CLIENT_SECRET = kv{<name_secret_azure_client>}

Además, si contamos con un fichero en el que tenemos las distintas configuraciones de modelos que deseamos utilizar, debemos indicarlo con su correspondiente variable.

MODELS_CONFIG_FILE = <path_to_models_declarations_file>

Uso básico

Usando el prompt:

from factory_model import ModelFactory

model = ModelFactory.get_model("azai_gtp4o")
params = ["Eres un guía turístico", "¿Cuál es la capital de Francia?"]

response = model.prompt(params=params)

print(response)

Utilizando la instancia de langchain:

from factory_model import ModelFactory

response = model.get_client.invoke([
    {"role": "system", "content": params[0]},
    {"role": "user", "content": params[1]}
])

print(response)  # type: langchain_core.messages.ai.AIMessage
print(f"{response.content}")

Estructura del proyecto

factory_model/
├── factory_model/
│   ├── __init__.py
│   ├── config/
│   ├── llm/
│   ├── logger/
│   ├── security/
│   ├── vectordb/
├── pyproject.toml
├── requirements.txt
└── README.md

Requisitos y dependencias

Este paquete requiere las siguientes librerías externas:

• python-decouple
• PyYAML
• openai
• jinja2
• azure-core
• azure-identity
• azure-keyvault-secrets
• langchain
• langchain-openai
• langchain-google-genai
• langchain-community
• langchain-azure-ai
• langchain-ollama
• langchain-cohere

Las dependencias se instalarán automáticamente con pip.

Requisitos del sistema

• Python 3.12 o superior
• Acceso a credenciales/API keys para los proveedores usados (OpenAI, Azure, etc.)