llm_adaptive_router

LLM Adaptiver Router

LLM Adaptive Router ist ein Python -Paket, das dynamische Modellauswahl basierend auf Abfrageinhalten ermöglicht. Es verwendet eine effiziente Vektor-Suche nach anfänglicher Kategorisierung und LLM-basierter feinkörniger Auswahl für komplexe Fälle. Der Router kann sich aus Feedback anpassen und lernen, was es für eine Vielzahl von Anwendungen geeignet ist.

Merkmale

• Dynamische Modellauswahl basierend auf Abfrageinhalten
• Effiziente Vektor -Suche nach anfänglicher Kategorisierung
• LLM-basierte feinkörnige Auswahl für komplexe Fälle
• Adaptives Lernen aus Feedback
• Flexible Konfiguration von Routen und Modellen
• Einfache Integration in Langchain und verschiedene LLM -Anbieter

Installation

Sie können LLM Adaptive Router mit PIP installieren:

pip3 install llm-adaptive-router

Schneller Start

Hier ist ein grundlegendes Beispiel für die Verwendung von LLM Adaptive Router:

 from llm_adaptive_router import AdaptiveRouter , RouteMetadata
from langchain_chroma import Chroma
from langchain_openai import OpenAIEmbeddings , ChatOpenAI
from dotenv import load_dotenv
load_dotenv ()

gpt_3_5_turbo = ChatOpenAI ( model = "gpt-3.5-turbo" )
mini = ChatOpenAI ( model = "gpt-4o-mini" )
gpt_4 = ChatOpenAI ( model = "gpt-4" )

routes = {
    "general" : RouteMetadata (
        invoker = gpt_3_5_turbo ,
        capabilities = [ "general knowledge" ],
        cost = 0.002 ,
        example_sentences = [ "What is the capital of France?" , "Explain photosynthesis." ]
    ),
    "mini" : RouteMetadata (
        invoker = mini ,
        capabilities = [ "general knowledge" ],
        cost = 0.002 ,
        example_sentences = [ "What is the capital of France?" , "Explain photosynthesis." ]
        
    ),
    "math" : RouteMetadata (
        invoker = gpt_4 ,
        capabilities = [ "advanced math" , "problem solving" ],
        cost = 0.01 ,
        example_sentences = [ "Solve this differential equation." , "Prove the Pythagorean theorem." ]
    )
}

llm = ChatOpenAI ( model = "gpt-3.5-turbo" )

router = AdaptiveRouter (
    vectorstore = Chroma ( embedding_function = OpenAIEmbeddings ()),
    llm = llm ,
    embeddings = OpenAIEmbeddings (),
    routes = routes
)

query = "How are you"
query2 = "Write a Python function to hello world"
selected_model_route = router . route ( query )
selected_model_name = selected_model_route
print ( selected_model_name )
invoker = selected_model_route . invoker
response = invoker . invoke ( query )

print ( f"Response: { response } " )

Detaillierte Verwendung

Erstellen von Routenmetadaten

Verwenden Sie die Funktion create_route_metadata , um Routen zu definieren:

 from llm_adaptive_router import create_route_metadata

route = create_route_metadata (
    invoker = model_function ,
    capabilities = [ "capability1" , "capability2" ],
    cost = 0.01 ,
    example_sentences = [ "Example query 1" , "Example query 2" ],
    additional_info = { "key" : "value" }
)

Initialisierung des Adaptiverouters

Erstellen Sie eine Instanz von AdaptiveRouter mit Ihren konfigurierten Routen:

 router = AdaptiveRouter (
    vectorstore = your_vectorstore ,
    llm = your_llm ,
    embeddings = your_embeddings ,
    routes = your_routes
)

Routing -Abfragen

Verwenden Sie die route , um das entsprechende Modell für eine Abfrage auszuwählen:

 selected_model_route = router . route ( "Your query here" )
selected_model_name = selected_model_route . model
invoker = selected_model_route . invoker
response = invoker . invoke ( "Your query here" )

Feedback hinzufügen

Verbessern Sie die Leistung des Routers, indem Sie Feedback geben:

 router . add_feedback ( query , selected_model , performance_score )

Erweiterte Funktionen

• Custom Vector Stores: LLM Adaptive Router unterstützt verschiedene Vektorspeicher. Sie können jeden Vektorspeicher verwenden, der die VectorStore -Schnittstelle von Langchain implementiert.
• Dynamische Routenaktualisierungen: Sie können Routen dynamisch hinzufügen oder entfernen:

 router . add_route ( "new_route" , new_route_metadata )
router . remove_route ( "old_route" )

• Einstellen von Routerverhalten: Feinstimmen Sie das Verhalten des Routers:

 router . set_complexity_threshold ( 0.8 )
router . set_update_frequency ( 200 )