llm_adaptive_router

Roteador adaptativo LLM

O roteador adaptativo LLM é um pacote Python que permite a seleção de modelo dinâmico com base no conteúdo de consulta. Ele usa pesquisa de vetores eficientes para a categorização inicial e a seleção de granulação fina baseada em LLM para casos complexos. O roteador pode se adaptar e aprender com o feedback, tornando -o adequado para uma ampla gama de aplicações.

Características

• Seleção de modelo dinâmico com base no conteúdo de consulta
• Pesquisa vetorial eficiente da categorização inicial
• Seleção de grão fino baseado em LLM para casos complexos
• Aprendizagem adaptativa com o feedback
• Configuração flexível de rotas e modelos
• Integração fácil com Langchain e vários fornecedores de LLM

Instalação

Você pode instalar o roteador adaptativo LLM usando PIP:

pip3 install llm-adaptive-router

Início rápido

Aqui está um exemplo básico de como usar o roteador adaptativo LLM:

 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 } " )

Uso detalhado

Criando metadados de rota

Use a função create_route_metadata para definir rotas:

 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" }
)

Inicializando o adaptiveRouter

Crie uma instância do AdaptiveRouter com suas rotas configuradas:

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

Consultas de roteamento

Use o método route para selecionar o modelo apropriado para uma consulta:

 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" )

Adicionando feedback

Melhore o desempenho do roteador, fornecendo feedback:

 router . add_feedback ( query , selected_model , performance_score )

Recursos avançados

• LOJAS VECTORES Custom: O roteador adaptativo LLM suporta várias lojas vetoriais. Você pode usar qualquer loja de vetores que implemente a interface VectorStore da Langchain.
• Atualizações dinâmicas de rota: você pode adicionar ou remover rotas dinamicamente:

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

• Ajustando o comportamento do roteador: ajuste o comportamento do roteador:

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