Phad LLM SDK for Python

Phad LLM SDK 是一个用于与大语言模型交互的 Python SDK，提供了统一的调用接口，支持流式响应和非流式响应，简化了大模型服务的调用流程。同时支持多模态大模型，可以处理包含图片和文本的复杂请求。

功能特性

LLMClient 功能

• 统一调用接口：提供了简洁易用的 API，支持多种大语言模型服务
• 流式响应支持：支持流式返回生成结果，提升用户体验
• 消息构建器：内置消息构建器，方便构建对话消息列表
• 单例模式：客户端采用单例模式，确保资源高效利用
• 环境变量配置：通过环境变量灵活配置服务地址和路径
• 思考过程：支持返回模型的思考过程

VLLMClient 功能

• 多模态支持：支持处理包含图片和文本的复杂请求
• 图片分析：可以分析图片内容并生成描述
• 流式响应：支持多模态内容的流式返回
• 灵活的消息构建：支持文本、图片等多种消息类型组合

安装

从 PyPI 安装

pip install phad-llm-sdk

从源码安装

# 克隆仓库
git clone https://github.com/yourusername/phad-llm-sdk-python.git
cd phad-llm-sdk-python

# 安装包
pip install -e .

配置

SDK 需要通过环境变量配置以下参数：

LLMClient 配置

• VLLM_LLM_URL: 大模型服务的基础 URL
• LLM_QWEN_PATH: API 路径（可选）

VLLMClient 配置

• VLLM_VLLM_URL: 多模态大模型服务的基础 URL
• VLLM_QWEN_PATH: API 路径（可选）

你可以创建一个 .env 文件来存储这些配置：

# LLMClient 配置
VLLM_LLM_URL=http://localhost:8000
LLM_QWEN_PATH=v1/chat/completions

# VLLMClient 配置
VLLM_VLLM_URL=http://localhost:8000
VLLM_QWEN_PATH=v1/chat/completions

快速开始

LLMClient 使用

基本使用

from phad_llm_sdk import llm_client

# 使用消息构建器构建消息列表
message_builder = llm_client.create_message_builder()
messages = message_builder\
    .add_system_message("你是一个AI助手，喜欢帮助别人。")\
    .add_user_message("你好，能帮我解释一下什么是机器学习吗？")\
    .build()

# 调用大模型（非流式）
response = llm_client.chat(messages)
print("非流式响应:")
print(response)

# 调用大模型（流式）
print("\n流式响应:")
stream_response = llm_client.chat(messages, stream=True)
if stream_response:
    import json
    for chunk in stream_response.iter_lines():
        if chunk:
            chunk = chunk.decode('utf-8')
            if chunk.startswith('data: '):
                chunk = chunk[6:]
            if chunk == '[DONE]':
                break
            try:
                chunk_data = json.loads(chunk)
                content = chunk_data.get("choices", [{}])[0].get("delta", {}).get("content", "")
                if content:
                    print(content, end="")
            except json.JSONDecodeError:
                pass
    print()
else:
    print("流式请求失败")

自定义参数

from phad_llm_sdk import llm_client

# 构建消息
message_builder = llm_client.create_message_builder()
messages = message_builder\
    .add_system_message("你是一个AI助手，喜欢帮助别人。")\
    .add_user_message("你好，能帮我解释一下什么是深度学习吗？")\
    .build()

# 自定义参数调用
response = llm_client.chat(
    messages=messages,
    stream=False,
    max_tokens=500,
    temperature=0.8,
    top_p=0.9,
    think=True
)
print(response)

VLLMClient 使用

多模态图片分析

from phad_llm_sdk.client.VLLMClient import vllm_client

# 创建消息构建器
message_builder = vllm_client.create_message_builder()

# 构建多模态消息（图片 + 文本）
messages = message_builder\
    .add_image_message(
        "https://picsum.photos/id/10/800/600", 
        "请详细描述这张图片的内容，包括场景、颜色、物体等"
    )\
    .build()

# 调用多模态大模型（非流式）
response = vllm_client.chat(messages)
print("非流式响应:")
print(response)

流式多模态响应

from phad_llm_sdk.client.VLLMClient import vllm_client
import json

# 创建消息构建器
stream_message_builder = vllm_client.create_message_builder()

# 构建多模态消息
stream_messages = stream_message_builder\
    .add_image_message(
        "https://picsum.photos/id/20/800/600", 
        "这张图片中有什么物体？请详细描述。"
    )\
    .build()

# 流式调用
stream_response = vllm_client.chat(stream_messages, stream=True)
if stream_response:
    print("流式响应:")
    for chunk in stream_response.iter_lines():
        if chunk:
            chunk = chunk.decode('utf-8')
            if chunk.startswith('data: '):
                chunk = chunk[6:]
            if chunk == '[DONE]':
                break
            try:
                chunk_data = json.loads(chunk)
                content = chunk_data.get("choices", [{}])[0].get("delta", {}).get("content", "")
                if content:
                    print(content, end="")
            except json.JSONDecodeError:
                pass
    print()
else:
    print("流式请求失败")

多轮对话示例

from phad_llm_sdk.client.VLLMClient import vllm_client

# 创建消息构建器
message_builder = vllm_client.create_message_builder()

# 构建多轮对话
messages = message_builder\
    .add_system_message("你是一个专业的图片分析师")\
    .add_user_message("https://picsum.photos/id/10/800/600", "请描述这张图片")\
    .add_assistant_message("这张图片展示了一个森林场景...")\
    .add_user_message("图片中的主要颜色是什么？")\
    .build()

# 调用大模型
response = vllm_client.chat(messages)
print(response)

API 文档

LLMClient

LLMClient 是大模型客户端的主类，提供了与大语言模型交互的核心方法。

方法

• chat(messages, stream=False, max_tokens=200, temperature=0.7, top_p=0.1, think=False): 调用大模型进行对话

  • messages: 消息列表，格式为 [{"role": "system", "content": "..."}, {"role": "user", "content": "..."}]
  • stream: 是否使用流式响应
  • max_tokens: 最大生成 token 数
  • temperature: 温度参数，控制生成的随机性
  • top_p: 采样的核概率，控制生成的多样性
  • think: 是否返回思考过程
  • 返回值: 如果 stream=True，返回响应对象；如果 stream=False，返回 {"message": {"content": "回答内容"}}

• create_message_builder(): 创建消息构建器

  • 返回值: MessageBuilder 实例

MessageBuilder

MessageBuilder 是一个消息构建器，用于方便地构建消息列表。

方法

• add_message(role, content): 添加一条消息

  • role: 角色，例如 "system"、"user"、"assistant"
  • content: 消息内容
  • 返回值: 自身，支持链式调用

• add_system_message(content): 添加系统消息

  • content: 系统消息内容
  • 返回值: 自身，支持链式调用

• add_user_message(content): 添加用户消息

  • content: 用户消息内容
  • 返回值: 自身，支持链式调用

• add_assistant_message(content): 添加助手消息

  • content: 助手消息内容
  • 返回值: 自身，支持链式调用

• build(): 构建消息列表

  • 返回值: 消息列表，格式为 [{"role": "...", "content": "..."}]

VLLMClient

VLLMClient 是多模态大模型客户端的主类，提供了与多模态大语言模型交互的核心方法，支持图片和文本的混合输入。

方法

• chat(messages, stream=False, max_tokens=1024, temperature=0.7): 调用多模态大模型进行对话

  • messages: 消息列表，格式为 [{"role": "user", "content": [{"type": "image_url", "image_url": {"url": "..."}}, {"type": "text", "text": "..."}]}]
  • stream: 是否使用流式响应
  • max_tokens: 最大生成 token 数
  • temperature: 温度参数，控制生成的随机性
  • 返回值: 如果 stream=True，返回响应对象；如果 stream=False，返回 {"message": {"content": "回答内容"}}

• create_message_builder(): 创建多模态消息构建器

  • 返回值: MultiModalMessageBuilder 实例

MultiModalMessageBuilder

MultiModalMessageBuilder 是一个多模态消息构建器，用于方便地构建包含图片和文本的消息列表。

方法

• add_message(role, content): 添加一条消息

  • role: 角色，例如 "system"、"user"、"assistant"
  • content: 消息内容，可以是字符串或包含图片和文本的列表
  • 返回值: 自身，支持链式调用

• add_system_message(content): 添加系统消息

  • content: 系统消息内容
  • 返回值: 自身，支持链式调用

• add_user_message(content): 添加用户消息

  • content: 用户消息内容，可以是字符串或包含图片和文本的列表
  • 返回值: 自身，支持链式调用

• add_assistant_message(content): 添加助手消息

  • content: 助手消息内容
  • 返回值: 自身，支持链式调用

• add_image_message(image_url, text): 添加包含图片和文本的用户消息

  • image_url: 图片 URL
  • text: 文本内容
  • 返回值: 自身，支持链式调用

• build(): 构建消息列表

  • 返回值: 消息列表，格式为 [{"role": "...", "content": [...]}]

项目结构

phad-llm-sdk/
├── src/
│   └── phad_llm_sdk/
│       ├── client/
│       │   ├── LLMClient.py      # 主要客户端实现
│       │   ├── VLLMClient.py     # VLLM 客户端实现
│       │   └── __init__.py
│       ├── dto/
│       │   ├── req/              # 请求数据模型
│       │   │   ├── __init__.py
│       │   │   └── llm_send.py
│       │   ├── resp/             # 响应数据模型
│       │   │   ├── __init__.py
│       │   │   └── llm_resp.py
│       │   └── __init__.py
│       ├── utils/
│       │   ├── HttpUtils.py      # HTTP 工具类
│       │   └── __init__.py
│       └── __init__.py           # 包导出文件
├── pyproject.toml                 # 项目配置文件
├── setup.py                       # 安装脚本
├── setup.cfg                      # 安装配置文件
├── requirements.txt               # 依赖文件
├── README.md                      # 项目说明文件
└── LICENSE                        # 许可证文件

配置示例

.env 文件示例

# LLMClient 配置
VLLM_LLM_URL=http://localhost:8000
LLM_QWEN_PATH=v1/chat/completions

# VLLMClient 配置
VLLM_VLLM_URL=http://localhost:8000
VLLM_QWEN_PATH=v1/chat/completions

故障排除

常见问题

1. 连接失败：请检查 VLLM_LLM_URL（LLMClient）或 VLLM_VLLM_URL（VLLMClient）环境变量是否正确配置，确保大模型服务正在运行。

2. API 路径问题：如果需要自定义 API 路径，请检查 LLM_QWEN_PATH（LLMClient）或 VLLM_QWEN_PATH（VLLMClient）环境变量是否正确配置。

3. 导入错误：请确保已正确安装 SDK，并且 Python 版本 >= 3.7。

4. 响应异常：请检查请求参数是否正确，特别是消息格式是否符合要求。

日志调试

如果遇到问题，可以开启详细日志来排查：

import logging
logging.basicConfig(level=logging.DEBUG)

from phad_llm_sdk import llm_client
# 后续代码...

版本历史

• v1.2.5：新增支持指定大模型（model）参数，修复 .env 配置加载问题，优化错误提示
• v1.2.3：修复导入问题，优化包结构
• v1.2.1：更新依赖版本，支持最新 Python 版本
• v0.1.0：初始版本，支持基本的大模型调用和流式响应

测试图片链接

以下是一些可以用于测试 VLLM SDK 多模态功能的图片链接：

风景图片

• https://picsum.photos/id/10/800/600 - 森林风景
• https://picsum.photos/id/15/800/600 - 山脉风景
• https://picsum.photos/id/18/800/600 - 海滩风景

人物图片

• https://picsum.photos/id/64/800/600 - 人物肖像
• https://picsum.photos/id/65/800/600 - 儿童图片

动物图片

• https://picsum.photos/id/237/800/600 - 狗
• https://picsum.photos/id/433/800/600 - 狮子

城市建筑

• https://picsum.photos/id/1002/800/600 - 城市夜景
• https://picsum.photos/id/1006/800/600 - 建筑外观

食物图片

• https://picsum.photos/id/292/800/600 - 披萨
• https://picsum.photos/id/488/800/600 - 水果

这些链接来自 picsum.photos，是一个免费的测试图片服务。

常见问题

1. 如何选择使用 LLMClient 还是 VLLMClient？

• LLMClient：适用于纯文本对话场景，支持返回思考过程
• VLLMClient：适用于需要处理图片的多模态场景，支持图片分析和描述

2. 如何处理流式响应？

流式响应会逐块返回数据，需要解析 SSE（Server-Sent Events）格式的数据。SDK 提供了示例代码，可以参考快速开始部分。

3. 支持哪些图片格式？

目前支持通过 URL 提供的图片，常见的图片格式（JPG、PNG、GIF 等）都可以正常工作。

4. 如何自定义模型路径？

可以通过环境变量 VLLM_QWEN_PATH 或 LLM_QWEN_PATH 来自定义 API 路径，也可以在代码中直接修改客户端的 url 属性。

许可证

本项目采用 MIT 许可证，详见 LICENSE 文件。

贡献

欢迎提交 Issue 和 Pull Request 来改进这个 SDK。

联系方式

• 项目地址：https://github.com/yourusername/phad-llm-sdk-python
• 邮箱：1714873054@qq.com
• 作者：令狐荣豪