A Python SDK for interacting with the Model Manager gRPC service

These details have not been verified by PyPI

Project links

Homepage

License
- OSI Approved :: MIT License
Operating System
- OS Independent
Programming Language
- Python :: 3.11
- Python :: 3.12

Project description

Tamar Model Client

Tamar Model Client 是一款高性能的 Python SDK，通过 gRPC 协议连接 Model Manager 服务，为多个 AI 模型服务商提供统一的调用接口。无论您使用 OpenAI、Google、Azure 还是其他 AI 服务，都可以通过一套 API 轻松切换和管理。

🎯 为什么选择 Tamar Model Client？

您遇到过这些问题吗？

❌ 需要同时集成 OpenAI、Google、Azure 等多个 AI 服务，每个都有不同的 API？
❌ 难以统计和控制不同服务商的使用成本？
❌ 在不同 AI 提供商之间切换需要修改大量代码？
❌ 每个服务商都有自己的错误处理和重试逻辑？

✅ Tamar Model Client 一站式解决！

🎉 一个 SDK，访问所有 AI 服务
📊 统一的使用量和成本统计
🔄 无缝切换，一行代码搞定
🛡️ 生产级的错误处理和重试机制

✨ 核心特性

🔌 多服务商支持

OpenAI (GPT-3.5/4, DALL-E)
Google (Gemini - AI Studio & Vertex AI)
Azure OpenAI (企业级部署)
Anthropic (Claude)
DeepSeek (深度求索)
Perplexity (搜索增强生成)

⚡ 灵活的调用方式

🧩 同步/异步 双模式客户端
📡 流式/非流式 响应支持
📦 批量请求 并行处理
🔄 自动重试 指数退避策略

🛡️ 生产级特性

🛡️ 熔断降级 服务故障时自动切换到 HTTP
🚀 快速降级 失败立即降级，最大化成功率
🔐 JWT 认证 安全可靠
📊 使用量追踪 Token 统计与成本计算
🆔 请求追踪 唯一 request_id
⚠️ 完善错误处理 详细错误信息
✅ 类型安全 Pydantic v2 验证

🚀 高性能设计

🔗 gRPC 通信 HTTP/2 长连接
♻️ 连接复用 减少握手开销
🎯 智能路由 自动选择最优通道
📈 性能监控 延迟与吞吐量指标

📋 安装

pip install tamar-model-client

系统要求

Python ≥ 3.8
支持 Windows / Linux / macOS
依赖项会自动安装（包括以下核心库）：
- grpcio>=1.67.1 - gRPC 通信协议
- pydantic - 数据验证和序列化
- PyJWT - JWT 认证
- requests>=2.25.0 - HTTP 降级功能（同步）
- aiohttp>=3.7.0 - HTTP 降级功能（异步）
- openai - OpenAI 服务商支持
- google-genai - Google AI 服务商支持

🏗️ 项目架构

tamar_model_client/
├── 📁 generated/              # gRPC 生成的代码
│   ├── model_service.proto    # Protocol Buffer 定义
│   └── *_pb2*.py             # 生成的 Python 代码
├── 📁 schemas/                # Pydantic 数据模型
│   ├── inputs.py             # 请求模型（ModelRequest, UserContext）
│   └── outputs.py            # 响应模型（ModelResponse, Usage）
├── 📁 enums/                  # 枚举定义
│   ├── providers.py          # AI 服务商（OpenAI, Google, Azure...）
│   ├── invoke.py             # 调用类型（generation, images...）
│   └── channel.py            # 服务通道（openai, vertexai...）
├── 📄 sync_client.py          # 同步客户端 TamarModelClient
├── 📄 async_client.py         # 异步客户端 AsyncTamarModelClient
├── 📄 exceptions.py           # 异常层级定义
├── 📄 auth.py                 # JWT 认证管理
└── 📄 utils.py                # 工具函数

🚀 快速开始

1️⃣ 客户端初始化

from tamar_model_client import TamarModelClient, AsyncTamarModelClient

# 方式一：使用环境变量（推荐）
client = TamarModelClient()  # 自动读取环境变量配置

# 方式二：代码配置
client = TamarModelClient(
    server_address="localhost:50051",
    jwt_token="your-jwt-token"
)

# 异步客户端
async_client = AsyncTamarModelClient(
    server_address="localhost:50051",
    jwt_secret_key="your-jwt-secret-key"  # 使用密钥自动生成 JWT
)

2️⃣ 基础示例 - 与 AI 对话

from tamar_model_client import TamarModelClient
from tamar_model_client.schemas import ModelRequest, UserContext
from tamar_model_client.enums import ProviderType

# 创建客户端
client = TamarModelClient()

# 构建请求
request = ModelRequest(
    provider=ProviderType.OPENAI,
    model="gpt-3.5-turbo",
    messages=[
        {"role": "user", "content": "你好，请介绍一下你自己。"}
    ],
    user_context=UserContext(
        user_id="test_user",
        org_id="test_org",
        client_type="python-sdk"
    )
)

# 发送请求
response = client.invoke(request)
print(f"AI 回复: {response.content}")

📚 详细使用示例

OpenAI 调用示例

from tamar_model_client import TamarModelClient
from tamar_model_client.schemas import ModelRequest, UserContext
from tamar_model_client.enums import ProviderType, InvokeType, Channel

# 创建同步客户端
client = TamarModelClient()

# OpenAI 调用示例
request_data = ModelRequest(
    provider=ProviderType.OPENAI,  # 选择 OpenAI 作为提供商
    channel=Channel.OPENAI,  # 使用 OpenAI 渠道
    invoke_type=InvokeType.CHAT_COMPLETIONS,  # 使用 chat completions 调用类型
    model="gpt-4",  # 指定具体模型
    messages=[
        {"role": "user", "content": "你好，请介绍一下你自己。"}
    ],
    user_context=UserContext(
        user_id="test_user",
        org_id="test_org",
        client_type="python-sdk"
    ),
    stream=False,  # 非流式调用
    temperature=0.7,  # 可选参数
    max_tokens=1000,  # 可选参数
)

# 发送请求并获取响应
response = client.invoke(request_data)
if response.error:
    print(f"错误: {response.error}")
else:
    print(f"响应: {response.content}")
    if response.usage:
        print(f"Token 使用情况: {response.usage}")

Google 调用示例（AI Studio / Vertex AI）

from tamar_model_client import TamarModelClient
from tamar_model_client.schemas import ModelRequest, UserContext
from tamar_model_client.enums import ProviderType, InvokeType, Channel

# 创建同步客户端
client = TamarModelClient()

# Google AI Studio 调用示例
request_data = ModelRequest(
    provider=ProviderType.GOOGLE,  # 选择 Google 作为提供商
    channel=Channel.AI_STUDIO,  # 使用 AI Studio 渠道
    invoke_type=InvokeType.GENERATION,  # 使用生成调用类型
    model="gemini-pro",  # 指定具体模型
    contents=[
        {"role": "user", "parts": [{"text": "你好，请介绍一下你自己。"}]}
    ],
    user_context=UserContext(
        user_id="test_user",
        org_id="test_org",
        client_type="python-sdk"
    ),
    temperature=0.7,  # 可选参数
)

# 发送请求并获取响应
response = client.invoke(request_data)
if response.error:
    print(f"错误: {response.error}")
else:
    print(f"响应: {response.content}")
    if response.usage:
        print(f"Token 使用情况: {response.usage}")

# Google Vertex AI 调用示例
vertex_request = ModelRequest(
    provider=ProviderType.GOOGLE,  # 选择 Google 作为提供商
    channel=Channel.VERTEXAI,  # 使用 Vertex AI 渠道
    invoke_type=InvokeType.GENERATION,  # 使用生成调用类型
    model="gemini-pro",  # 指定具体模型
    contents=[
        {"role": "user", "parts": [{"text": "你好，请介绍一下你自己。"}]}
    ],
    user_context=UserContext(
        user_id="test_user",
        org_id="test_org",
        client_type="python-sdk"
    ),
    temperature=0.7,  # 可选参数
)

# 发送请求并获取响应
vertex_response = client.invoke(vertex_request)
if vertex_response.error:
    print(f"错误: {vertex_response.error}")
else:
    print(f"响应: {vertex_response.content}")
    if vertex_response.usage:
        print(f"Token 使用情况: {vertex_response.usage}")

Azure OpenAI 调用示例

from tamar_model_client import TamarModelClient
from tamar_model_client.schemas import ModelRequest, UserContext
from tamar_model_client.enums import ProviderType, InvokeType, Channel

# 创建同步客户端
client = TamarModelClient()

# Azure OpenAI 调用示例
request_data = ModelRequest(
    provider=ProviderType.AZURE,  # 选择 Azure 作为提供商
    channel=Channel.OPENAI,  # 使用 OpenAI 渠道
    invoke_type=InvokeType.CHAT_COMPLETIONS,  # 使用 chat completions 调用类型
    model="gpt-4o-mini",  # 指定具体模型
    messages=[
        {"role": "user", "content": "你好，请介绍一下你自己。"}
    ],
    user_context=UserContext(
        user_id="test_user",
        org_id="test_org",
        client_type="python-sdk"
    ),
    stream=False,  # 非流式调用
    temperature=0.7,  # 可选参数
    max_tokens=1000,  # 可选参数
)

# 发送请求并获取响应
response = client.invoke(request_data)
if response.error:
    print(f"错误: {response.error}")
else:
    print(f"响应: {response.content}")
    if response.usage:
        print(f"Token 使用情况: {response.usage}")

异步调用示例

import asyncio
from tamar_model_client import AsyncTamarModelClient
from tamar_model_client.schemas import ModelRequest, UserContext
from tamar_model_client.enums import ProviderType, InvokeType, Channel


async def main():
    # 创建异步客户端
    client = AsyncTamarModelClient()

    # 组装请求参数
    request_data = ModelRequest(
        provider=ProviderType.OPENAI,
        channel=Channel.OPENAI,
        invoke_type=InvokeType.CHAT_COMPLETIONS,
        model="gpt-4o-mini",
        messages=[
            {"role": "user", "content": "你好，请介绍一下你自己。"}
        ],
        user_context=UserContext(
            user_id="test_user",
            org_id="test_org",
            client_type="python-sdk"
        ),
        stream=False,
        temperature=0.7,
        max_tokens=1000,
    )

    # 发送请求并获取响应
    async for r in await client.invoke(request_data):
        if r.error:
            print(f"错误: {r.error}")
        else:
            print(f"响应: {r.content}")
            if r.usage:
                print(f"Token 使用情况: {r.usage}")


# 运行异步示例
asyncio.run(main())

流式调用示例

import asyncio
from tamar_model_client import AsyncTamarModelClient
from tamar_model_client.schemas import ModelRequest, UserContext
from tamar_model_client.enums import ProviderType, InvokeType, Channel


async def stream_example():
    # 创建异步客户端
    client = AsyncTamarModelClient()

    # 组装请求参数
    request_data = ModelRequest(
        provider=ProviderType.OPENAI,
        channel=Channel.OPENAI,
        invoke_type=InvokeType.CHAT_COMPLETIONS,
        model="gpt-4",
        messages=[
            {"role": "user", "content": "你好，请介绍一下你自己。"}
        ],
        user_context=UserContext(
            user_id="test_user",
            org_id="test_org",
            client_type="python-sdk"
        ),
        stream=True,  # 启用流式输出
        temperature=0.7,
    )

    # 发送请求并获取流式响应
    async for response in client.invoke(request_data):
        if response.error:
            print(f"错误: {response.error}")
        else:
            print(f"响应片段: {response.content}", end="", flush=True)
            if response.usage:
                print(f"\nToken 使用情况: {response.usage}")


# 运行流式示例
asyncio.run(stream_example())

批量调用示例

支持批量处理多个模型请求：

import asyncio
from tamar_model_client import AsyncTamarModelClient
from tamar_model_client.schemas import (
    BatchModelRequest, BatchModelRequestItem,
    UserContext
)
from tamar_model_client.enums import ProviderType, InvokeType, Channel


async def batch_example():
    # 创建异步客户端
    client = AsyncTamarModelClient()

    # 组装批量请求参数
    batch_request = BatchModelRequest(
        user_context=UserContext(
            user_id="test_user",
            org_id="test_org",
            client_type="python-sdk"
        ),
        items=[
            BatchModelRequestItem(
                provider=ProviderType.OPENAI,
                channel=Channel.OPENAI,
                invoke_type=InvokeType.CHAT_COMPLETIONS,
                model="gpt-4",
                messages=[
                    {"role": "user", "content": "第一个问题：什么是人工智能？"}
                ],
                priority=1,
                custom_id="q1"
            ),
            BatchModelRequestItem(
                provider=ProviderType.GOOGLE,
                channel=Channel.AI_STUDIO,
                invoke_type=InvokeType.GENERATION,
                model="gemini-pro",
                contents=[
                    {"role": "user", "parts": [{"text": "第二个问题：什么是机器学习？"}]}
                ],
                priority=2,
                custom_id="q2"
            )
        ]
    )

    # 发送批量请求并获取响应
    response = await client.invoke_batch(batch_request)
    if response.responses:
        for resp in response.responses:
            print(f"\n问题 {resp.custom_id} 的响应:")
            if resp.error:
                print(f"错误: {resp.error}")
            else:
                print(f"内容: {resp.content}")
                if resp.usage:
                    print(f"Token 使用情况: {resp.usage}")


# 运行批量调用示例
asyncio.run(batch_example())

文件输入示例

支持处理图像等文件输入（需使用支持多模态的模型，如 gemini-2.0-flash）：

from tamar_model_client import TamarModelClient
from tamar_model_client.schemas import ModelRequest, UserContext
from tamar_model_client.enums import ProviderType
from google.genai.types import Part
model_request = ModelRequest(
    provider=ProviderType.GOOGLE,  # 选择 Google作为提供商
    model="gemini-2.0-flash",
    contents=[
        "What is shown in this image?",
        Part.from_uri( # 这个是Google那边的参数支持
            file_uri="https://images.pexels.com/photos/248797/pexels-photo-248797.jpeg",
            mime_type="image/jpeg",
        ),
    ],
    user_context=UserContext(
        org_id="testllm",
        user_id="testllm",
        client_type="conversation-service"
    ),
)
client = TamarModelClient("localhost:50051")
response = client.invoke(
    model_request=model_request
)

🛠️ 高级功能

🔥 使用场景和最佳实践

使用场景

多模型比较：同时调用多个服务商的模型，比较输出质量
成本优化：根据任务类型自动选择性价比最高的模型
高可用架构：主备模型自动切换，确保服务稳定
统一监控：集中管理所有 AI 服务的使用量和成本

最佳实践

客户端管理

# ✅ 推荐：单例模式使用
client = TamarModelClient()
# 整个应用生命周期使用同一个客户端

# ❌ 避免：频繁创建客户端
for i in range(100):
    client = TamarModelClient()  # 不推荐！

错误处理

try:
    response = client.invoke(request)
except TamarModelException as e:
    logger.error(f"Model error: {e.message}, request_id: {e.request_id}")
    # 实施降级策略或重试

性能优化
- 使用批量 API 处理大量请求
- 启用流式响应减少首字延迟
- 合理设置 max_tokens 避免浪费

🛡️ 熔断降级功能（高可用保障）

SDK 内置了熔断降级机制，当 gRPC 服务不可用时自动切换到 HTTP 服务，确保业务连续性。

工作原理

正常状态：所有请求通过高性能的 gRPC 协议
熔断触发：当连续失败达到阈值时，熔断器打开
自动降级：切换到 HTTP 协议继续提供服务
定期恢复：熔断器会定期尝试恢复到 gRPC

启用方式

# 设置环境变量
export MODEL_CLIENT_RESILIENT_ENABLED=true
export MODEL_CLIENT_HTTP_FALLBACK_URL=http://localhost:8080
export MODEL_CLIENT_CIRCUIT_BREAKER_THRESHOLD=5
export MODEL_CLIENT_CIRCUIT_BREAKER_TIMEOUT=60

使用示例

from tamar_model_client import TamarModelClient

# 客户端会自动处理熔断降级，对使用者透明
client = TamarModelClient()

# 正常使用，无需关心底层协议
response = client.invoke(request)

# 获取熔断器状态（可选）
metrics = client.get_resilient_metrics()
if metrics:
    print(f"熔断器状态: {metrics['circuit_state']}")
    print(f"失败次数: {metrics['failure_count']}")

熔断器状态

CLOSED（关闭）：正常工作状态，请求正常通过
OPEN（打开）：熔断状态，所有请求直接降级到 HTTP
HALF_OPEN（半开）：恢复测试状态，允许少量请求测试 gRPC 是否恢复

监控指标

# 获取熔断降级指标
metrics = client.get_resilient_metrics()
# 返回示例：
# {
#     "enabled": true,
#     "circuit_state": "closed",
#     "failure_count": 0,
#     "last_failure_time": null,
#     "http_fallback_url": "http://localhost:8080"
# }

🚀 快速降级功能（用户体验优化）

在传统的熔断降级基础上，SDK 新增了快速降级功能，进一步提升用户体验：

传统降级 vs 快速降级

传统模式：

gRPC请求 → 失败 → 重试1 → 失败 → 重试2 → 失败 → ... → 重试N → 失败 → HTTP降级
耗时：(重试次数 × 退避时间) + 降级时间  // 可能需要十几秒

快速降级模式：

gRPC请求 → 失败 → 立即HTTP降级 (或重试1次后降级)
耗时：降级时间  // 通常1-2秒内完成

降级策略配置

立即降级错误：UNAVAILABLE, DEADLINE_EXCEEDED, CANCELLED (网络问题)
延迟降级错误：其他错误重试指定次数后降级
永不降级错误：UNAUTHENTICATED, PERMISSION_DENIED (客户端问题)

使用示例

from tamar_model_client import TamarModelClient

# 启用快速降级（通过环境变量）
# MODEL_CLIENT_FAST_FALLBACK_ENABLED=true
# MODEL_CLIENT_FALLBACK_AFTER_RETRIES=1

client = TamarModelClient()

# 正常使用，快速降级对用户透明
response = client.invoke(request)
# 如果gRPC不可用，会在1-2秒内自动切换到HTTP并返回结果

配置选项详解

# 启用快速降级（默认开启）
MODEL_CLIENT_FAST_FALLBACK_ENABLED=true

# 非立即降级的错误，重试多少次后降级（默认1次）
MODEL_CLIENT_FALLBACK_AFTER_RETRIES=1

# 网络错误立即降级（默认配置）
MODEL_CLIENT_IMMEDIATE_FALLBACK_ERRORS=UNAVAILABLE,DEADLINE_EXCEEDED,CANCELLED

# 认证错误永不降级（避免无效降级）
MODEL_CLIENT_NEVER_FALLBACK_ERRORS=UNAUTHENTICATED,PERMISSION_DENIED,INVALID_ARGUMENT

⚠️ 注意事项

参数说明
- 必填参数：provider, model, user_context
- 可选参数：channel, invoke_type（系统可自动推断）
- 流式控制：通过 stream=True/False 参数控制
连接管理
- gRPC 使用 HTTP/2 长连接，客户端应作为单例使用
- 如需多实例，务必调用 client.close() 释放资源
错误处理
- 所有错误包含 request_id 用于问题追踪
- 网络错误会自动重试（指数退避）
- 提供商错误保留原始错误信息

⚙️ 环境变量配置（推荐）

可以通过 .env 文件或系统环境变量，自动配置连接信息

export MODEL_MANAGER_SERVER_ADDRESS="localhost:50051"
export MODEL_MANAGER_SERVER_JWT_TOKEN="your-jwt-secret"
export MODEL_MANAGER_SERVER_GRPC_USE_TLS="false"
export MODEL_MANAGER_SERVER_GRPC_DEFAULT_AUTHORITY="localhost"
export MODEL_MANAGER_SERVER_GRPC_MAX_RETRIES="5"
export MODEL_MANAGER_SERVER_GRPC_RETRY_DELAY="1.5"

# 快速降级配置（可选，优化用户体验）
export MODEL_CLIENT_FAST_FALLBACK_ENABLED="true"
export MODEL_CLIENT_HTTP_FALLBACK_URL="http://localhost:8080"
export MODEL_CLIENT_FALLBACK_AFTER_RETRIES="1"

或者本地 .env 文件

# ========================
# 🔌 gRPC 通信配置
# ========================

# gRPC 服务端地址（必填）
MODEL_MANAGER_SERVER_ADDRESS=localhost:50051

# 是否启用 TLS 加密通道（true/false，默认 true）
MODEL_MANAGER_SERVER_GRPC_USE_TLS=true

# 当使用 TLS 时指定 authority（域名必须和证书匹配才需要）
MODEL_MANAGER_SERVER_GRPC_DEFAULT_AUTHORITY=localhost


# ========================
# 🔐 鉴权配置（JWT）
# ========================

# JWT 签名密钥（用于生成 Token）
MODEL_MANAGER_SERVER_JWT_SECRET_KEY=your_jwt_secret_key


# ========================
# 🔁 重试配置（可选）
# ========================

# 最大重试次数（默认 3）
MODEL_MANAGER_SERVER_GRPC_MAX_RETRIES=3

# 初始重试延迟（秒，默认 1.0），指数退避
MODEL_MANAGER_SERVER_GRPC_RETRY_DELAY=1.0


# ========================
# 🛡️ 熔断降级配置（可选）
# ========================

# 是否启用熔断降级功能（默认 false）
MODEL_CLIENT_RESILIENT_ENABLED=false

# HTTP 降级服务地址（当 gRPC 不可用时的备用地址）
MODEL_CLIENT_HTTP_FALLBACK_URL=http://localhost:8080

# 熔断器触发阈值（连续失败多少次后熔断，默认 5）
MODEL_CLIENT_CIRCUIT_BREAKER_THRESHOLD=5

# 熔断器恢复超时（秒，熔断后多久尝试恢复，默认 60）
MODEL_CLIENT_CIRCUIT_BREAKER_TIMEOUT=60


# ========================
# 🚀 快速降级配置（可选，优化体验）
# ========================

# 是否启用快速降级功能（默认 true）
# 启用后，gRPC 请求失败时会立即尝试 HTTP 降级，而不是等待所有重试完成
MODEL_CLIENT_FAST_FALLBACK_ENABLED=true

# 降级前的最大 gRPC 重试次数（默认 1）
# 对于非立即降级的错误，重试指定次数后才尝试降级
MODEL_CLIENT_FALLBACK_AFTER_RETRIES=1

# 立即降级的错误类型（逗号分隔，默认网络相关错误）
# 这些错误类型会在第一次失败后立即尝试降级
MODEL_CLIENT_IMMEDIATE_FALLBACK_ERRORS=UNAVAILABLE,DEADLINE_EXCEEDED,CANCELLED

# 永不降级的错误类型（逗号分隔，默认认证相关错误）
# 这些错误类型不会触发降级，通常是客户端问题而非服务不可用
MODEL_CLIENT_NEVER_FALLBACK_ERRORS=UNAUTHENTICATED,PERMISSION_DENIED,INVALID_ARGUMENT

加载后，初始化时无需传参：

from tamar_model_client import TamarModelClient

client = TamarModelClient()  # 将使用环境变量中的配置

🔧 开发指南

环境设置

克隆仓库

git clone https://github.com/your-org/tamar-model-client.git
cd tamar-model-client

创建虚拟环境

python -m venv .venv
source .venv/bin/activate  # Linux/macOS
# 或
.venv\Scripts\activate  # Windows

安装开发依赖

pip install -e .
pip install -r requirements-dev.txt  # 如果有开发依赖

代码生成

如果需要更新 gRPC 定义：

# 生成 gRPC 代码
python make_grpc.py

# 验证生成的代码
python -m pytest tests/

发布流程

# 1. 更新版本号 (setup.py)
# 2. 构建包
python setup.py sdist bdist_wheel

# 3. 检查构建
twine check dist/*

# 4. 上传到 PyPI
twine upload dist/*

贡献指南

Fork 项目
创建功能分支 (git checkout -b feature/amazing-feature)
提交更改 (git commit -m 'Add amazing feature')
推送到分支 (git push origin feature/amazing-feature)
创建 Pull Request

📊 性能指标

响应延迟: 平均 < 10ms（gRPC 开销）
并发支持: 1000+ 并发请求
连接复用: HTTP/2 多路复用
自动重试: 指数退避，最多 5 次

🤝 支持与贡献

获取帮助

📜 许可证

本项目采用 MIT 许可证 - 详见 LICENSE 文件

👥 团队

Oscar Ou - 项目负责人 - oscar.ou@tamaredge.ai
贡献者列表

⭐ 如果这个项目对您有帮助，请给个 Star 支持我们！⭐

Made with ❤️ by Tamar Edge Team

Project details

These details have not been verified by PyPI

Project links

Homepage

License
- OSI Approved :: MIT License
Operating System
- OS Independent
Programming Language
- Python :: 3.11
- Python :: 3.12

Release history Release notifications | RSS feed

0.6.9

May 8, 2026

0.6.8

Apr 27, 2026

0.6.7

Apr 22, 2026

0.6.6

Apr 22, 2026

0.6.5

Apr 20, 2026

0.6.4

Apr 16, 2026

0.6.3

Apr 16, 2026

0.6.2

Apr 16, 2026

0.6.1

Apr 16, 2026

0.6.0

Apr 11, 2026

0.5.9

Apr 1, 2026

0.5.8

Apr 1, 2026

0.5.7

Mar 26, 2026

0.5.6

Mar 16, 2026

0.5.5

Mar 12, 2026

0.5.4

Mar 12, 2026

0.5.3

Mar 10, 2026

0.5.2

Jan 20, 2026

0.5.1

Jan 19, 2026

0.5.0

Jan 15, 2026

0.4.9

Jan 15, 2026

0.4.8

Jan 13, 2026

0.4.7

Jan 12, 2026

0.4.6

Dec 26, 2025

0.4.5

Dec 25, 2025

0.4.4

Dec 24, 2025

0.4.3

Dec 22, 2025

0.4.2

Dec 12, 2025

0.4.1

Dec 10, 2025

0.4.0

Dec 9, 2025

0.3.10

Dec 3, 2025

0.3.9

Nov 26, 2025

0.3.8

Nov 24, 2025

0.3.7

Nov 20, 2025

0.3.6

Nov 17, 2025

0.3.5

Nov 13, 2025

0.3.4

Nov 11, 2025

0.3.3

Oct 20, 2025

0.3.2

Oct 20, 2025

0.3.1

Oct 13, 2025

0.3.0

Oct 3, 2025

0.2.9

Sep 19, 2025

0.2.8

Sep 18, 2025

0.2.7

Sep 10, 2025

0.2.6

Aug 26, 2025

0.2.5

Aug 20, 2025

0.2.4

Aug 8, 2025

0.2.3

Aug 5, 2025

0.2.2

Aug 5, 2025

0.2.1

Jul 31, 2025

0.2.0

Jul 31, 2025

0.1.30

Jul 29, 2025

This version

0.1.28

Jul 3, 2025

0.1.27

Jul 2, 2025

0.1.26

Jul 2, 2025

0.1.25

Jul 2, 2025

0.1.24

Jul 2, 2025

0.1.23

Jul 1, 2025

0.1.22

Jul 1, 2025

0.1.21

Jun 30, 2025

0.1.20

Jun 27, 2025

0.1.19

Jun 26, 2025

0.1.18

Jun 26, 2025

0.1.17

Jun 17, 2025

0.1.16

Jun 10, 2025

0.1.15

Jun 10, 2025

0.1.14

Jun 6, 2025

0.1.13

Jun 6, 2025

0.1.12

Jun 6, 2025

0.1.11

Jun 5, 2025

0.1.10

Jun 5, 2025

0.1.9

Jun 3, 2025

0.1.8

May 9, 2025

0.1.7

May 8, 2025

0.1.6

May 7, 2025

0.1.5

May 7, 2025

0.1.4

Apr 30, 2025

0.1.3

Apr 28, 2025

0.1.2

Apr 28, 2025

0.1.1

Apr 28, 2025

0.1.0

Apr 28, 2025

Download files

Download the file for your platform. If you're not sure which to choose, learn more about installing packages.

Source Distribution

tamar_model_client-0.1.28.tar.gz (71.9 kB view details)

Uploaded Jul 3, 2025 Source

Built Distribution

If you're not sure about the file name format, learn more about wheel file names.

The dropdown lists show the available interpreters, ABIs, and platforms. Enable javascript to be able to filter the list of wheel files.

tamar_model_client-0.1.28-py3-none-any.whl (81.7 kB view details)

Uploaded Jul 3, 2025 Python 3

File details

Details for the file tamar_model_client-0.1.28.tar.gz.

File metadata

Download URL: tamar_model_client-0.1.28.tar.gz
Upload date: Jul 3, 2025
Size: 71.9 kB
Tags: Source
Uploaded using Trusted Publishing? No
Uploaded via: twine/6.1.0 CPython/3.12.8

File hashes

Hashes for tamar_model_client-0.1.28.tar.gz
Algorithm	Hash digest
SHA256	`9a50d616e4113be1db05cec219a543a95e48867f5d83340ef12762b5b84053d3`
MD5	`1e15902815ca08d1d7217ea0e7bb747c`
BLAKE2b-256	`0767d4e23628bd1468a25b1f2f864e50b934ffbfb694db17bbc56b90ee3dd1cc`

See more details on using hashes here.

File details

Details for the file tamar_model_client-0.1.28-py3-none-any.whl.

File metadata

Download URL: tamar_model_client-0.1.28-py3-none-any.whl
Upload date: Jul 3, 2025
Size: 81.7 kB
Tags: Python 3
Uploaded using Trusted Publishing? No
Uploaded via: twine/6.1.0 CPython/3.12.8

File hashes

Hashes for tamar_model_client-0.1.28-py3-none-any.whl
Algorithm	Hash digest
SHA256	`e1e18b3cb31f938d22b0207b843993958eea8a09e8acf3d3996979e9e75afc3e`
MD5	`c6f0020c97635ce8eb96e2936082b429`
BLAKE2b-256	`d0c9e9a5bd10aac9c3db8f0761ff55971ef5f3ab65141fe52443c01e370353f8`

See more details on using hashes here.

tamar-model-client 0.1.28

Navigation

Verified details

Maintainers

Unverified details

Project links

Meta

Classifiers

Project description

Tamar Model Client

🎯 为什么选择 Tamar Model Client？

您遇到过这些问题吗？

✅ Tamar Model Client 一站式解决！

✨ 核心特性

🔌 多服务商支持

⚡ 灵活的调用方式

🛡️ 生产级特性

🚀 高性能设计

📋 安装

系统要求

🏗️ 项目架构

🚀 快速开始

1️⃣ 客户端初始化

2️⃣ 基础示例 - 与 AI 对话

📚 详细使用示例

OpenAI 调用示例

Google 调用示例 （AI Studio / Vertex AI）

Azure OpenAI 调用示例

异步调用示例

流式调用示例

批量调用示例

文件输入示例

🛠️ 高级功能

🔥 使用场景和最佳实践

使用场景

最佳实践

🛡️ 熔断降级功能（高可用保障）

工作原理

启用方式

使用示例

熔断器状态

监控指标

🚀 快速降级功能（用户体验优化）

传统降级 vs 快速降级

降级策略配置

使用示例

配置选项详解

⚠️ 注意事项

⚙️ 环境变量配置（推荐）

🔧 开发指南

环境设置

代码生成

发布流程

贡献指南

📊 性能指标

🤝 支持与贡献

获取帮助

相关项目

📜 许可证

👥 团队

Project details

Verified details

Maintainers

Unverified details

Project links

Meta

Classifiers

Release history Release notifications | RSS feed

Download files

Source Distribution

Built Distribution

File details

File metadata

File hashes

File details

File metadata

File hashes

Google 调用示例（AI Studio / Vertex AI）