geoffrey-llm

一个轻量的 LLM 与多云工具包，包含机器学习、深度学习、agent 构建、大模型微调和多云资源管理模块。每个模块依赖隔离，按需安装。

模块总览

模块	说明	安装 extras	状态
geoffrey_llm.ml	机器学习(基于 sklearn,统一 API + 中文评估报表)	[ml]
geoffrey_llm.dl	深度学习(基于 torch,神经网络封装)	[dl]
geoffrey_llm.geocode	大模型 agent 构建(Claude Code 风格 REPL)	[geocode]
geoffrey_llm.blog	个人博客 REST API 客户端	[blog]
geoffrey_llm.finetune	大模型微调(LoRA / QLoRA,基于 transformers/peft)	[finetune]
geoffrey_llm.cloud	多云核心资源统一入口(阿里云/腾讯云/华为云/AWS)	[cloud-*]

安装

# 只装机器学习
pip install geoffrey-llm[ml]

# 只装 agent REPL
pip install geoffrey-llm[geocode]

# 只装博客客户端
pip install geoffrey-llm[blog]

# 只装 AWS 多云适配器（其余厂商对应 cloud-alibaba/cloud-tencent/cloud-huawei）
pip install geoffrey-llm[cloud-aws]

# 装全部(含 dev 工具；云 SDK 请按需装 cloud 或单厂商 cloud-*)
pip install geoffrey-llm[all]

快速上手

机器学习模块

from geoffrey_llm.ml import Trainer, Evaluator

# 训练(分类)
trainer = Trainer(task="classification", model_name="random_forest")
trainer.fit(X_train, y_train)
preds = trainer.predict(X_test)

# 评估(中文报表)
print(Evaluator.classification_report(y_test, preds, chinese=True))

# 持久化
trainer.save("model.pkl")
trainer2 = Trainer.load("model.pkl", task="classification", model_name="random_forest")

支持的算法:

• 分类: random_forest / logistic_regression / svm / gradient_boosting
• 回归: random_forest / linear_regression / gradient_boosting

agent 构建模块(geocode)

# 命令行启动 REPL
geocode
geocode --provider deepseek --model deepseek-chat

from geoffrey_llm.geocode import REPL, BaseModel
from geoffrey_llm.geocode.models.base import get_registry, ModelConfig

config = ModelConfig(model_name="moonshot-v1-8k")
model = get_registry().create("kimi", config)
repl = REPL(model=model)

geocode 特性:

• 多模型: Kimi / DeepSeek / Qwen / OpenAI 兼容
• 工具调用: FileRead / FileWrite / FileEdit / Bash(带白名单)
• 文件式记忆系统(yaml frontmatter)
• 会话持久化与 resume
• MCP (Model Context Protocol) 集成

博客客户端

博客客户端调用博客的 API_TOKEN，不是 Flask 的 SECRET_KEY。支持的环境变量优先级为 BLOG_API_TOKEN、BLOG_SECRET、BLOG_SERCET；BLOG_SERCET 用于兼容已有配置。

export BLOG_BASE_URL="https://blog.geoffrey-peng.cc"
export BLOG_SERCET="your-blog-api-token"

from geoffrey_llm.blog import BlogClient

with BlogClient() as blog:
    posts = blog.list_posts(page=1, per_page=10)
    blog.create_post(
        title="SDK 发布",
        slug="sdk-release",
        content="通过 geoffrey-llm 发布。",
        category_id=1,
        is_public=True,
    )

支持分类、文章 CRUD 和分享链接管理：list_categories、list_posts、get_post、create_post、update_post、delete_post、create_share、list_shares、revoke_share。

多云客户端

cloud 提供实例、VPC/子网、安全组、对象存储和托管数据库的统一入口。默认只读；安全组规则变更还必须显式打开变更权限并关闭 dry-run。凭据仅由各官方 SDK 的环境变量、配置文件或工作负载角色链解析，不能写入代码或 CloudConfig。

from geoffrey_llm.cloud import CloudClient, CloudConfig

cloud = CloudClient(CloudConfig(provider="aws", region="ap-southeast-1"))
instances = cloud.instances.list()
security_groups = cloud.security_groups.list()
buckets = cloud.object_storage.list_buckets()

本地无凭据验证可使用内存 Mock provider：

cloud = CloudClient(CloudConfig(provider="mock", region="test-1"))
assert cloud.databases.list()[0].id == "db-demo"

官方资料与资源映射存放在仓库根目录 .cloud/，其中不允许保存密钥或真实资源标识。

设计原则

• 依赖隔离:import geoffrey_llm 不拉任何重依赖,各模块按 extras 安装
• 中文友好:错误信息、评估报表默认中文
• 统一 API:不同后端(sklearn / lightgbm / xgboost)共用 Trainer 入口
• 混合实现:核心算法用主流库,周边工具(评估/报表/记忆/会话)自己写

项目结构

geoffrey_llm/
├── common/         # 共享:Registry / BaseConfig / GeoffreyError
├── ml/             # 机器学习
│   ├── trainer.py
│   ├── evaluator.py
│   ├── report.py
│   ├── models.py
│   └── backends/
├── dl/             # 深度学习(占位)
├── geocode/        # agent 构建
│   ├── cli.py / repl.py
│   ├── models/ tools/ memory/ session/ cmd/ mcp/ prompts/
├── blog/           # 个人博客 REST API 客户端
└── finetune/       # 大模型微调(占位)

License

MIT

Roadmap

• ml: lightgbm / xgboost 后端
• ml: 场景化 pipeline(表格分类一键流程)
• ml: 特征工程 / 自动调参 / 模型解释性
• dl: CNN / RNN / Transformer 封装,DLTrainer
• finetune: LoRATrainer / QLoRATrainer / DatasetPreprocessor
• geocode: 更多 provider、工具系统增强