universal-llm-service 0.1.0

Библиотека для работы с языковыми моделями

Библиотека для упрощенного использования LLM

Библиотека предоставляет упрощенный интерфейс для работы с различными LLM моделями, автоматический подсчет токенов и стоимости запросов, а также удобную интеграцию с существующими проектами. Создана на основе Langchain, являясь практичной оберткой для стандартизации взаимодействия с моделями.

Основные возможности:

• Простой и понятный интерфейс для работы с LLM моделями
• Автоматический подсчет стоимости запросов
• Поддержка асинхронного API
• Мониторинг использования токенов
• Расчет затрат в USD с учетом текущего курса валюты по ЦБ РФ

Установка:

pip install git+https://github.com/DenisShahbazyan/LLM_Service.git

Использование:

Обычный диалог с LLM:

import asyncio
from llm import LLMService

from llm_config import get_llm_config


async def main():
    llm = await LLMService.create(get_llm_config('gpt-4o-mini'))
    result = await llm.ainvoke(message='Сколько будет 2 + 2?')


if __name__ == "__main__":
    asyncio.run(main())

• result - ответ модели (строка)

Структурированный вывод:

import asyncio

from pydantic import BaseModel, Field

from llm_config import get_llm_config
from llm import LLMService


class RelatedConceptOutput(BaseModel):
    """Новый термин и его сила связи с исходным термином."""

    title: str = Field(..., description='Название термина')
    length: int = Field(..., description='Сила связи')


class RelatedConceptListOutput(BaseModel):
    """Новые термины и их сила связи с исходным термином."""

    concepts: list[RelatedConceptOutput]


SYSTEM_PROMPT = (
    'Тебе дано понятие школьной программы: "Молекула". Сгенерируй ровно "5" понятий '
    'школьной программы, наиболее близких к этому понятию.'
)


async def main() -> None:
    llm = await LLMService.create(get_llm_config('gpt-4o-mini'))
    structured_llm = await llm.with_structured_output(RelatedConceptListOutput)
    result = await structured_llm.ainvoke(message=SYSTEM_PROMPT)


if __name__ == '__main__':
    asyncio.run(main())

• result - ответ модели (запрошенная Pydantic схема)

Подробнее о возможностях:

• get_llm_config - получает конфиг для LLM модели, можно увидеть в примерах, имена полей должны совпадать с именами полей при инициализации моделей для Langchain.

• llm.ainvoke - метод принимает как отдельно системный промпт или сообщение, так и историю полность. Параметры принимаются как в стиле langchain так и в виде словарей. Перед отправкой любого сообщения в LLM отрабатывает класс подготовки контекста - PrepareChat: Класс для подготовки чата в формате Langchain для модели.

1. Данный класс всегда отдает список сообщений в формате Langchain.
2. Если был отправлен только системный промпт, то после него добавляется пустое сообщение пользователя. Иначе некоторые модели не хотят работать с единственным системным промптом.

• llm.usage.all_input_tokens - общее количество отправленных токенов с момента инициализации
• llm.usage.all_output_tokens - общее количество полученных токенов с момента инициализации
• llm.usage.last_input_tokens - количество отправленных токенов за последний вызов
• llm.usage.last_output_tokens - количество полученных токенов за последний вызов

---

• llm.usage.all_input_spendings - общие расходы в USD при отправке с момента инициализации
• llm.usage.all_output_spendings - общие расходы в USD при получении с момента инициализации
• llm.usage.last_input_spendings - расходы в USD при отправке за последний вызов
• llm.usage.last_output_spendings - расходы в USD при получении за последний вызов

---

• llm.counter.model_registry.usd_rate - курс валюты в USD.

Запуск локально (для разработки):

Установка зависимостей

pip install -r requirements.txt

Запуск примеров:

python -m example.simple_example  # Пример обычного общения с LLM
python -m example.structured_example  # Пример общения с LLM со структурированным выводом

TODO:

• Добавить популярные модели для использования
• Добавить подсчет токенов для стримминговой передачи

Список поддерживаемых моделей: