llm_adaptive_router

LLM適応ルーター

LLM Adaptive Routerは、クエリコンテンツに基づいて動的なモデル選択を可能にするPythonパッケージです。複雑なケースには、初期分類とLLMベースのファイングレイン選択に効率的なベクトル検索を使用します。ルーターはフィードバックから適応して学習することができ、幅広いアプリケーションに適しています。

特徴

• クエリコンテンツに基づく動的モデル選択
• 初期分類の効率的なベクトル検索
• 複雑なケース用のLLMベースのファイングレイン選択
• フィードバックからの適応学習
• ルートとモデルの柔軟な構成
• LangchainおよびさまざまなLLMプロバイダーとの簡単な統合

インストール

PIPを使用してLLMアダプティブルーターをインストールできます。

pip3 install llm-adaptive-router

クイックスタート

LLM適応ルーターの使用方法の基本的な例を次に示します。

 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 } " )

詳細な使用法

ルートメタデータの作成

create_route_metadata関数を使用して、ルートを定義します。

 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" }
)

Adaptiverouterの初期化

構成されたルートを使用してAdaptiveRouterのインスタンスを作成します。

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

ルーティングクエリ

routeメソッドを使用して、クエリに適したモデルを選択します。

 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" )

フィードバックの追加

フィードバックを提供することにより、ルーターのパフォーマンスを向上させます。

 router . add_feedback ( query , selected_model , performance_score )

高度な機能

• カスタムベクトルストア：LLM Adaptive Routerは、さまざまなベクターストアをサポートしています。 LangchainからVectorStoreインターフェイスを実装する任意のベクトルストアを使用できます。
• 動的ルートの更新：ルートを動的に追加または削除できます。

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

• ルーターの動作の調整：ルーターの動作を微調整します。

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