my-llmkit

一个统一的 LLM 聊天接口工具包，支持多种 AI 模型提供商。

架构概览

┌─────────────────────────────────────────────────────────────────────┐
│                          my-llmkit                                  │
├─────────────────────────────────────────────────────────────────────┤
│                                                                     │
│  ┌──────────────────────────────────────────────────────────────┐  │
│  │                    chat 模块 (核心)                           │  │
│  ├──────────────────────────────────────────────────────────────┤  │
│  │                                                              │  │
│  │  LLMChatCompletion (抽象基类)                                │  │
│  │    ├─ OpenAICompatibleChatCompletion - Chat Completions     │  │
│  │    ├─ OpenAICompatibleResponse       - Responses (无状态)   │  │
│  │    └─ ClaudeChatCompletion            - Claude Messages      │  │
│  │                                                              │  │
│  │  ┌─────────────────────────────────────────────┐            │  │
│  │  │  ChatCompletionStreamRunner                 │            │  │
│  │  │  - 流式事件处理                              │            │  │
│  │  │  - 工具调用管理                              │            │  │
│  │  │  - 多轮对话控制                              │            │  │
│  │  └─────────────────────────────────────────────┘            │  │
│  │           │                                                  │  │
│  │           ▼                                                  │  │
│  │  ┌─────────────────────────────────────────────┐            │  │
│  │  │  ChatCompletionStreamProcessor              │            │  │
│  │  │  - 处理 UnifiedChunk 流                      │            │  │
│  │  │  - 生成统一事件                              │            │  │
│  │  │  - 结构化输出解析                            │            │  │
│  │  └─────────────────────────────────────────────┘            │  │
│  │                                                              │  │
│  │  核心组件:                                                   │  │
│  │  • UnifiedMessage    - 统一消息格式                          │  │
│  │  • UnifiedChunk      - 统一流式块                            │  │
│  │  • ToolFunctions     - 工具函数管理                          │  │
│  │  • ToolExecutor      - 工具执行器                            │  │
│  │  • ModelSettings     - 模型配置                              │  │
│  └──────────────────────────────────────────────────────────────┘  │
│                                                                     │
│  ┌──────────────────────────────────────────────────────────────┐  │
│  │                    mcp 模块 (扩展工具)                        │  │
│  ├──────────────────────────────────────────────────────────────┤  │
│  │                                                              │  │
│  │  MCPServerBase (抽象基类)                                    │  │
│  │         ▲                ▲               ▲                  │  │
│  │         │                │               │                  │  │
│  │    ┌────┴────┐     ┌────┴────┐    ┌────┴────┐             │  │
│  │    │  Stdio  │     │   SSE   │    │  HTTP   │             │  │
│  │    │ Server  │     │ Server  │    │ Server  │             │  │
│  │    └─────────┘     └─────────┘    └─────────┘             │  │
│  │                                                              │  │
│  │  MCPClientPool     - 按需连接、复用与自动重连                │  │
│  │  MCPServersContext - 短生命周期的上下文管理                  │  │
│  │  MCPManager        - 配置文件管理                            │  │
│  └──────────────────────────────────────────────────────────────┘  │
│                                                                     │
│  ┌──────────────────────────────────────────────────────────────┐  │
│  │                  models 模块 (能力查询)                       │  │
│  ├──────────────────────────────────────────────────────────────┤  │
│  │                                                              │  │
│  │  • supports_reasoning()        - 推理能力检测                │  │
│  │  • supports_vision()           - 视觉能力检测                │  │
│  │  • supports_function_calling() - 工具调用检测                │  │
│  │  • get_model_info()            - 获取模型信息                │  │
│  │                                                              │  │
│  │  数据源: litellm, models.dev (自动缓存)                      │  │
│  └──────────────────────────────────────────────────────────────┘  │
│                                                                     │
└─────────────────────────────────────────────────────────────────────┘

数据流向:

  User Input (UnifiedMessage)
         │
         ▼
  LLMChatCompletion
         │
         ├──> OpenAI Chat Completions / Responses / Claude Messages / ...
         │
         ▼
  Stream (UnifiedChunk)
         │
         ▼
  ChatCompletionStreamProcessor
         │
         ├──> Content Events
         ├──> Reasoning Events
         ├──> Tool Call Events
         ├──> Usage Events
         │
         ▼
  ChatCompletionStreamRunner
         │
         ├──> Tool Execution (本地函数 + MCP 服务器)
         ├──> Multi-turn Conversation
         │
         ▼
  Final Response (UnifiedResponse + 结构化输出)

模块

my_llmkit.chat - 统一的聊天接口
my_llmkit.image - 多供应商图片生成与编辑接口
my_llmkit.mcp - MCP (Model Context Protocol) 支持
my_llmkit.models - 模型能力查询

详细文档：

安装

pip install -e .

Chat 模块使用说明

基本用法

1. OpenAI 兼容接口

支持所有兼容 OpenAI API 的模型，包括 GPT、Gemini、DeepSeek、Kimi、Grok 等。

from my_llmkit.chat import OpenAICompatibleChatCompletion, UnifiedMessage

# 创建客户端
client = OpenAICompatibleChatCompletion(
    api_key="your-api-key",
    api_base="https://api.openai.com/v1",
    model="gpt-4"
)

# 发送消息
messages = [UnifiedMessage(role="user", content="你好")]
result = client.run_stream(messages=messages)

# 处理流式响应
async for event in result.stream_event():
    if event.type == "content":
        print(event.content, end="", flush=True)
    elif event.type == "usage":
        print(f"\n使用量: {event.usage}")

2. OpenAI Responses 接口

Responses client 默认采用可移植无状态模式：每轮发送完整 typed history，不依赖 previous_response_id，可连接 OpenAI、OpenRouter 或其他兼容服务。

from my_llmkit.chat import OpenAICompatibleResponse, UnifiedMessage

client = OpenAICompatibleResponse(
    api_key="your-api-key",
    api_base="https://openrouter.ai/api/v1",
    model="openai/o4-mini",
)

result = client.run_stream(
    messages=[UnifiedMessage(role="user", content="你好")]
)

async for event in result.stream_event():
    if event.type == "content":
        print(event.content, end="", flush=True)

# 完整工具循环历史和最后一轮原始 Response metadata
print(result.result_messages)
print(result.final_response_metadata)

详细的历史保真、OpenRouter sticky routing 和 provider 扩展参数说明见 OpenAI Responses 文档。

仓库内手工验证可以使用 tests/conftest.py 提供的 make_openai_response_client()，并直接传入现有 OpenRouter 或 doubao 模型配置元组。

3. Claude 接口

from my_llmkit.chat import ClaudeChatCompletion, UnifiedMessage
from my_llmkit.chat.model_settings import ModelSettings

# 创建客户端（带思考模式）
model_settings = ModelSettings(
    include_usage=True,
    max_tokens=30000,
    extra_body={
        "thinking": {"type": "enabled", "budget_tokens": 10000}
    }
)

client = ClaudeChatCompletion(
    api_key="your-api-key",
    api_base="https://api.anthropic.com",
    model="claude-sonnet-4.5",
    model_settings=model_settings
)

messages = [UnifiedMessage(role="user", content="解释一下量子计算")]
result = client.run_stream(messages=messages)

async for event in result.stream_event():
    if event.type == "reasoning_content":
        print(f"[思考] {event.content}", end="", flush=True)
    elif event.type == "content":
        print(event.content, end="", flush=True)

4. 请求与完整响应追踪

设置 MY_LLMKIT_TRACE_DIR 后，每次实际 LLM API 调用都会分别保存最终 SDK 请求参数和聚合后的完整响应：

export MY_LLMKIT_TRACE_DIR="~/llm-traces"
python your_app.py

流式 chunk 不会逐条写盘；只有流被完整消费后才生成包含 reasoning_content、content、tool_calls、usage 和 vendor_metadata 的 response 文件。详细的文件格式、附件脱敏和异常行为见追踪文档。

高级功能

1. 工具调用

from my_llmkit.chat import ToolFunctions
from datetime import datetime

def get_weather_tool(day: str):
    """
    获取指定日期的天气信息

    Args:
        day: 日期，格式为 YYYY-MM-DD
    """
    return f"{day} 的天气是晴天，温度 6°C"

def now_tool() -> str:
    """
    获取当前日期和时间
    """
    now = datetime.now()
    return f"当前时间: {now.strftime('%Y-%m-%d %H:%M:%S')}"

# 使用工具
messages = [UnifiedMessage(role="user", content="明天天气怎么样")]
result = client.run_stream(
    messages=messages,
    tools=ToolFunctions(now_tool, get_weather_tool)
)

async for event in result.stream_event():
    if event.type == "tool_call_start":
        print(f"\n[调用工具] {event.function_name}")
    elif event.type == "tool_call_result":
        print(f"\n[工具结果] {event.function_name}: {event.function_result}")
    elif event.type == "content":
        print(event.content, end="", flush=True)

2. MCP 工具集成

短生命周期任务可以使用 MCPServersContext：

from my_llmkit.mcp import MCPServersContext

async with MCPServersContext("~/mcp.json") as servers:
    messages = [UnifiedMessage(role="user", content="~/Downloads 里有哪些文件")]
    result = client.run_stream(
        messages=messages,
        tools=ToolFunctions(now_tool),
        mcp_servers=servers
    )

    async for event in result.stream_event():
        if event.type == "content":
            print(event.content, end="", flush=True)

服务端、TUI 等长生命周期进程建议使用 MCPClientPool。连接池会按需连接，在多个请求间复用连接，并在工具调用失败后让稳定 handle 在下次调用时自动重连：

from my_llmkit.mcp import MCPClientPool

pool = MCPClientPool.from_file("~/mcp.json")
try:
    servers = await pool.resolve(["filesystem"])
    result = client.run_stream(messages=messages, mcp_servers=servers)
    async for event in result.stream_event():
        if event.type == "content":
            print(event.content, end="", flush=True)
finally:
    await pool.close()

配置中的 tool_timeout 控制单次 MCP 工具调用超时，默认 120 秒；设为 0、负数或 null 可禁用。完整配置和生命周期说明见 MCP 文档。

3. 结构化输出

JSON Schema 模式（推荐）

from pydantic import BaseModel

class TimeResult(BaseModel):
    local_time: str
    utc_time: str
    tz: str
    weekday: str

messages = [UnifiedMessage(role="user", content="现在几点？")]
result = client.run_stream(
    messages=messages,
    tools=ToolFunctions(now_tool),
    response_format=TimeResult
)

# 处理流式输出
async for event in result.stream_event():
    if event.type == "content":
        print(event.content, end="", flush=True)

# 获取结构化输出结果
output: TimeResult = result.output_result
print(f"\n结构化输出: {output.local_time}, {output.weekday}")

JSON Object 模式

messages = [UnifiedMessage(role="user", content="""现在几点？
请使用以下 JSON 格式来回答：
{
  "local_time": "本地时间",
  "utc_time": "UTC时间",
  "tz": "时区",
  "weekday": "星期几"
}
""")]

result = client.run_stream(
    messages=messages,
    tools=ToolFunctions(now_tool),
    response_format={"type": "json_object"}
)

async for event in result.stream_event():
    if event.type == "content":
        print(event.content, end="", flush=True)

# 获取 JSON 输出（返回 dict）
output: dict = result.output_result
print(f"\nJSON 输出: {output}")

4. 图片输入

from my_llmkit.chat import TextContent, ImageContent

messages = [
    UnifiedMessage(
        role="user",
        content=[
            TextContent(text="图片里有什么"),
            ImageContent(image_url="https://example.com/image.png"),
            # 或从本地文件加载
            # ImageContent.from_file("/path/to/image.png"),
        ]
    )
]

result = client.run_stream(messages=messages)

5. 文档输入（PDF）

支持 PDF 文档输入，可以通过 URL 或本地文件方式。

Claude（支持 URL 和 Base64）

from my_llmkit.chat import TextContent, DocumentContent

# 通过 URL
messages = [
    UnifiedMessage(
        role="user",
        content=[
            TextContent(text="总结这个文档的主要内容"),
            DocumentContent.from_url("https://example.com/document.pdf"),
        ]
    )
]

# 通过本地文件
messages = [
    UnifiedMessage(
        role="user",
        content=[
            TextContent(text="分析这个研究报告"),
            DocumentContent.from_file("/path/to/report.pdf"),
        ]
    )
]

result = client.run_stream(messages=messages)
async for event in result.stream_event():
    if event.type == "content":
        print(event.content, end="", flush=True)

OpenAI（仅支持 Base64）

from my_llmkit.chat import TextContent, DocumentContent

# OpenAI 只支持 base64 方式，建议使用 from_file
messages = [
    UnifiedMessage(
        role="user",
        content=[
            TextContent(text="这个文档讲了什么？"),
            DocumentContent.from_file("/path/to/document.pdf"),
        ]
    )
]

# 或手动指定 base64 数据
messages = [
    UnifiedMessage(
        role="user",
        content=[
            TextContent(text="分析这个文档"),
            DocumentContent.from_base64(
                base64_data="your-base64-encoded-pdf-data",
                filename="document.pdf"
            ),
        ]
    )
]

result = client.run_stream(messages=messages)
async for event in result.stream_event():
    if event.type == "content":
        print(event.content, end="", flush=True)

注意事项：

Claude 支持 URL 和 Base64 两种方式
OpenAI 仅支持 Base64 方式，使用 URL 会抛出异常
当前仅支持 PDF 格式（application/pdf）
使用 from_file() 方法会自动读取文件并转换为 base64

6. 推理模式（Reasoning）

from openai.types import Reasoning

# 创建支持推理的客户端
from my_llmkit.chat.model_settings import ModelSettings

model_settings = ModelSettings(
    include_usage=True,
    reasoning=Reasoning(effort="medium")  # 可选: low, medium, high
)

client = OpenAICompatibleChatCompletion(
    api_key="your-api-key",
    api_base="https://api.provider.com/v1",
    model="gpt-5.2",  # 或其他支持推理的模型
    model_settings=model_settings
)

messages = [UnifiedMessage(role="user", content="解决这个数学问题：...")]
result = client.run_stream(messages=messages)

async for event in result.stream_event():
    if event.type == "reasoning_content":
        # 推理过程
        print(f"[推理] {event.content}", end="", flush=True)
    elif event.type == "content":
        # 最终回答
        print(event.content, end="", flush=True)

事件类型

流式响应中可能返回的事件类型：

content - 普通文本内容
reasoning_content - 推理过程内容（仅支持推理的模型）
tool_call_start - 工具调用开始
tool_call_result - 工具调用结果
usage - Token 使用量统计

支持的模型提供商

OpenAI: GPT-4, GPT-5.2, etc.
Anthropic: Claude Sonnet 4.5, Claude Sonnet 4.6, Claude Haiku 4.5
Google: Gemini 3 Pro, Gemini 3 Flash
DeepSeek: DeepSeek Reasoner, DeepSeek Chat
Moonshot: Kimi K2 Thinking, Kimi K2.5, Kimi K2 Turbo
字节跳动: Doubao Seed 1.8, Doubao Seed 2.0 Pro
百度: ERNIE X 1.1, ERNIE 5 Thinking
阿里: Qwen Plus
xAI: Grok 4.1 Fast, Grok 4 Fast, Grok 4
MiniMax: MiniMax M2.5

以及通过 OpenRouter、ZenMux、302AI 等聚合平台访问的其他模型。

Image 模块使用说明

Python API

my_llmkit.image 提供统一的异步图片生成与编辑接口，支持 OpenAI 兼容接口、OpenRouter、Google Gemini，以及 ZenMux、302AI 等聚合平台。

import asyncio
from pathlib import Path

from my_llmkit.image import ImageConfig, draw, suffix_for_mime_type


async def main() -> None:
    images = await draw(
        model="openai/gpt-image-2",
        prompt="一只放在白色桌面上的陶瓷杯，产品摄影风格",
        config=ImageConfig(
            api_key="your-openrouter-api-key",
            api_base_url="https://openrouter.ai/api/v1",
            client="openrouter",
        ),
        size="1024x1024",
        number=1,
        input_images=[
            "./reference.png",
            "https://example.com/reference.webp",
        ],
    )

    image = images[0]
    output_path = Path(f"result{suffix_for_mime_type(image.mime_type)}")
    output_path.write_bytes(image.data)


asyncio.run(main())

draw() 返回 GeneratedImage 列表，每项包含图片二进制数据 data 和 MIME 类型 mime_type。input_images 可以传入本地文件路径或 HTTP/HTTPS URL；URL 图片会缓存在 /tmp/my_llmkit/input_images。

model 是实际发送给 API 的模型 ID，不需要预先注册。config 是不可变的 ImageConfig 数据类，api_key、api_base_url、client 三个字段全部必填。 draw() 不读取环境变量或加载 .env，也不提供默认 API 地址；Key 和地址完全由调用方提供。

client 指定调用协议，支持以下值：

openai：OpenAI 兼容的图片生成与编辑接口
openrouter：OpenRouter 的 /images 接口
gemini-interactions：Gemini Interactions 接口
gemini-generate-content：Gemini Generate Content 接口

协议和服务平台分开配置，例如连接 302AI 时使用 client="openai" 并显式传入对应的 api_base_url。响应未提供 MIME 类型时，回退为 image/png。

此次变更不兼容旧调用方式：请将原来的注册名称改为实际模型 ID，并将连接配置集中传入 ImageConfig。

OpenAI 兼容接口和 OpenRouter 会直接使用 size。Gemini 支持以下格式：

16:9：设置宽高比
2K 或 4K：设置图片尺寸
16:9@2K：同时设置宽高比和图片尺寸
auto：不显式指定 Gemini 图片配置

web_search 参数当前尚未实现，传入非 False 值会抛出 NotImplementedError。

Image CLI

安装项目后可以直接提供模型和连接配置：

draw \
  --model openai/gpt-image-2 \
  --api-key your-openrouter-api-key \
  --base-url https://openrouter.ai/api/v1 \
  --client openrouter \
  --prompt "一只放在白色桌面上的陶瓷杯，产品摄影风格" \
  --output ./result.png \
  --size 1024x1024

--base-url 对应 Python 配置的 api_base_url。也可以将常用模型和连接配置保存为 JSON profile 文件，默认路径为 ~/.config/my-llmkit/image-profiles.json：

{
  "providers": {
    "openrouter": {
      "api_key": "your-openrouter-api-key",
      "base_url": "https://openrouter.ai/api/v1",
      "client": "openrouter"
    },
    "google": {
      "api_key": "your-google-api-key",
      "base_url": "https://generativelanguage.googleapis.com",
      "client": "gemini-interactions"
    }
  },
  "profiles": {
    "openrouter/gpt-image-2": {
      "provider": "openrouter",
      "model": "openai/gpt-image-2"
    },
    "openrouter/gemini-image": {
      "provider": "openrouter",
      "model": "google/gemini-3.1-flash-image"
    },
    "google/gemini-image": {
      "provider": "google",
      "model": "gemini-3.1-flash-image",
      "client": "gemini-generate-content"
    }
  }
}

providers 保存共享连接配置，profiles 保存模型及可选的连接覆盖值。上例中的两个 OpenRouter profile 共用 Key、地址和调用协议；Google profile 则继承 Key 和地址，将调用协议从 gemini-interactions 改为 gemini-generate-content。

使用 profile 快速调用：

draw --profile openrouter/gpt-image-2 \
  --prompt "白色桌面上的陶瓷杯" \
  --output ./result.png

profile 文件路径按以下优先级选择，支持路径中的 ~：

--profile-file /path/to/image-profiles.json
环境变量 MY_LLMKIT_IMAGE_PROFILE_FILE
默认路径 ~/.config/my-llmkit/image-profiles.json

只有传入 --profile 时才读取文件，--profile-file 必须与 --profile 一起使用。选中的文件无法读取、JSON 无效、profile 或引用的 provider 不存在、配置无效时， CLI 会报错，不会尝试其他路径。

覆盖优先级为 命令行参数 > profile 字段 > provider 字段。 profile 可以覆盖 api_key、base_url 和 client 中的任意字段， --model、--api-key、--base-url、--client 则覆盖合并后的配置。合并后四个字段必须完整且非空；缺少的字段可以由命令行补齐。例如保留连接配置并切换到另一个实际模型 ID：

draw --profile openrouter/gpt-image-2 \
  --model google/gemini-3.1-flash-image \
  --prompt "白色桌面上的陶瓷杯" \
  --output ./result.png

provider 只接受 api_key、base_url、client；profile 只接受 provider、 model、api_key、base_url、client，不再嵌套 config。 profile 可以省略 provider 并直接配置连接字段；没有共享配置时也可省略顶层 providers。base_url 映射到 Python 的 ImageConfig.api_base_url。 provider 和 profile 名称可自由定义，model 填写实际 API 模型 ID；不保存 prompt、size、number 等绘图参数。旧文件中的名称映射需移到顶层 profiles 下。字段填写实际字符串值，不展开 ${VAR} 等环境变量引用。

CLI 启动时加载项目根目录的 .env，不会覆盖已有进程环境变量。若该文件是符号链接，会读取它指向的文件；CLI 不另行加载 ~/.gede/config/.env。应用层仅从环境变量读取 profile 文件路径，不按平台读取 API Key 或 API 地址。

使用 - 从标准输入读取提示词：

echo "白色背景上的红色立方体" | draw \
  --profile openrouter/gpt-image-2 \
  --prompt - \
  --output ./result.png

通过重复 --input-image 提供本地或 URL 参考图：

draw \
  --profile openrouter/gpt-image-2 \
  --prompt "根据参考对象生成产品照片" \
  --input-image ./reference.png \
  --input-image https://example.com/reference.webp \
  --output ./result.png

--number 可以一次生成多张图片。第一张使用指定输出路径，后续文件依次增加 -2、-3 后缀。--log-level 支持 DEBUG、INFO、WARNING、 ERROR 和 CRITICAL。CLI 不提供尚未实现的 --web-search 选项。

测试

测试代码位于 tests/，当前入口是 tests/model_tests.py。这些用例会真实调用模型接口，运行前需要在 ~/.gede/config/.env 配好对应 provider 的 API Key 和 Base URL。

.env 中会读取的变量包括：

OPENROUTER_API_KEY=
OPENROUTER_BASE_URL=
ZENMUX_API_KEY=
ZENMUX_BASE_URL_OPENAI=
ZENMUX_BASE_URL_ANTHROPIC=
AI302_API_KEY=
AI302_BASE_URL=
DEEPSEEK_API_KEY=
DEEPSEEK_BASE_URL=
MOONSHOT_API_KEY=
MOONSHOT_BASE_URL=
ARK_API_KEY=
ARK_BASE_URL=
QIANFAN_API_KEY=
QIANFAN_BASE_URL=
DASHSCOPE_API_KEY=
DASHSCOPE_BASE_URL=
GOOGLE_API_KEY=
GOOGLE_BASE_URL=
MINIMAX_API_KEY=
MINIMAX_BASE_URL_ANTHROPIC=

部分图片和 PDF 测试依赖外部 URL；文件输入测试默认读取本地文件：

/Users/reynoldqin/Downloads/1.png
/Users/reynoldqin/Downloads/planning-with-files.pdf

# 收集当前模型集成测试
pytest --collect-only -q tests/model_tests.py

# 运行全部模型集成测试
pytest -s --log-cli-level=INFO tests/model_tests.py

# 单独运行某个模型
pytest -s --log-cli-level=INFO tests/model_tests.py::test_gpt_5_2
pytest -s --log-cli-level=INFO tests/model_tests.py::test_claude_4_6_sonnet_zenmux
pytest -s --log-cli-level=INFO tests/model_tests.py::test_qwen_plus

当前覆盖的测试场景包括：

工具调用：流式和非流式
推理模式：OpenAI 兼容接口、Claude、Qwen
结构化输出：Pydantic JSON Schema 和 JSON Object 模式
图片输入：URL 和本地文件
PDF 文档输入：URL 和本地文件

当前模型用例：

test_gpt_5_2
test_gemini_3_pro
test_kimi_k2_thinking
test_kimi_k2_5
test_deepseek_reasoner
test_doubao_seed_2_pro
test_doubao_seed_2_lite
test_doubao_seed_2_1_pro
test_doubao_seed_1_8
test_ernie_x_1_1
test_grok_4_1_fast
test_qwen_plus
test_claude_4_5_sonnet_zenmux
test_claude_4_6_sonnet_zenmux
test_minimax_m2_5

Metadata

Release files for my-llmkit 0.4.0

For a detailed explanation of source distributions (sdists) and built distributions (wheels), please see the package formats documentation.

Source distribution (sdist)

Source distribution for my-llmkit 0.4.0
File	Size	Uploaded
my_llmkit-0.4.0.tar.gz	76.9 kB	Sep 30, 2026	Details

Built distribution (wheel)

Table of built distributions (wheels) for my-llmkit 0.4.0
File	Interpreter	ABI	Platform	Reset
my_llmkit-0.4.0-py3-none-any.whl 81.5 kB Sep 30, 2026	Python 3	none	any	Details

Total release size: 158.4 kB

Release files / my_llmkit-0.4.0.tar.gz

Download URL	my_llmkit-0.4.0.tar.gz
Size	76.9 kB
Tags	Source
SHA-256 checksum How to use checksums	`703e091f03b96e4f0acc885f18174c8f6289779f3eecbbd01f51a046532b5894`
BLAKE2b-256 checksum How to use checksums	`be862ff392ce1a8cea6f656ac22183300ee17e016e95f455e442a4846cf323cd`
Upload date	Sep 30, 2026
Uploaded using Trusted Publishing? What is trusted publishing?	No
Uploaded via	`uv/0.12.21 {"installer":{"name":"uv","version":"0.12.21","subcommand":["publish"]},"python":null,"implementation":{"name":null,"version":null},"distro":{"name":"Ubuntu","version":"24.04","id":"noble","libc":null},"system":{"name":null,"release":null},"cpu":null,"openssl_version":null,"setuptools_version":null,"rustc_version":null,"ci":true}`

Release files / my_llmkit-0.4.0-py3-none-any.whl

Download URL	my_llmkit-0.4.0-py3-none-any.whl
Size	81.5 kB
Tags	Python 3
SHA-256 checksum How to use checksums	`0604760bfa50b66c320d15fee951f74de28a5cebb017e6f5eac949c49079ee2b`
BLAKE2b-256 checksum How to use checksums	`e4063c5e2ff9dc3781fd3a04055ade183d263bbbdc86b25e8ec4d53f409fe032`
Upload date	Sep 30, 2026
Uploaded using Trusted Publishing? What is trusted publishing?	No
Uploaded via	`uv/0.12.21 {"installer":{"name":"uv","version":"0.12.21","subcommand":["publish"]},"python":null,"implementation":{"name":null,"version":null},"distro":{"name":"Ubuntu","version":"24.04","id":"noble","libc":null},"system":{"name":null,"release":null},"cpu":null,"openssl_version":null,"setuptools_version":null,"rustc_version":null,"ci":true}`