Rigging: 简化LLM在代码中的应用

Rigging: 让LLM在代码中的应用更加简单高效

在人工智能和自然语言处理领域,大型语言模型(LLM)的应用越来越广泛。然而,如何在实际的生产代码中高效地使用这些模型,一直是开发者面临的一个挑战。Rigging作为一个轻量级的LLM交互框架应运而生,它的目标就是让开发者能够以最简单、最有效的方式在代码中利用语言模型的强大能力。

Rigging的主要特性

Rigging框架具有以下几个突出的特点:

结构化的Pydantic模型: Rigging允许用户使用Pydantic定义的结构化模型,这些模型可以与非结构化的文本输出无缝切换。这种灵活性使得数据处理变得更加简单和直观。
默认使用LiteLLM: Rigging默认集成了LiteLLM作为生成器,这意味着用户可以立即访问大量的语言模型,无需额外的配置工作。
Python函数式提示定义: 开发者可以使用Python函数来定义提示,并利用类型提示和文档字符串来增强代码的可读性和可维护性。
简单的工具调用功能: 即使对于那些不原生支持工具调用的模型,Rigging也提供了简单的工具调用能力。
连接字符串配置: 不同的模型和配置可以像数据库连接字符串一样简单地存储和使用。
丰富的聊天功能: Rigging支持聊天模板、分支、延续、生成参数重载、片段剥离等多种聊天相关的功能。
大规模生成支持: 通过异步批处理和快速迭代,Rigging能够支持大规模的文本生成任务。
元数据和回调: 框架提供了元数据处理和回调机制,方便进行更复杂的操作。
现代Python特性: Rigging充分利用了现代Python的特性,包括类型提示、异步支持、Pydantic验证和序列化等。

Rigging框架示意图

安装Rigging

Rigging的安装非常简单,可以通过pip直接安装:

pip install rigging

如果你想从源代码构建:

cd rigging/
poetry install

支持的LLM模型

Rigging支持广泛的语言模型,主要包括:

LiteLLM支持的所有模型
vLLM支持的所有模型
Transformers库支持的所有模型

这意味着无论你使用哪种主流的LLM,Rigging都能为你提供支持。

API密钥配置

在使用某些模型时,你可能需要配置API密钥。Rigging提供了两种方式来设置API密钥:

在生成器ID中直接传递:

rg.get_generator("gpt-4-turbo,api_key=...")

使用标准的环境变量:

export OPENAI_API_KEY=...
export MISTRAL_API_KEY=...
export ANTHROPIC_API_KEY=...

更多详细的API密钥配置信息,可以查阅Rigging的官方文档。

快速开始使用Rigging

让我们通过一个简单的例子来看看如何使用Rigging:

import rigging as rg 

# 1. 获取一个生成器
generator = rg.get_generator("claude-3-sonnet-20240229")

# 2. 构建一个聊天管道
pipeline = generator.chat([
    {"role": "system", "content": "Talk like a pirate."},
    {"role": "user", "content": "Say hello!"},
])

# 3. 运行管道
chat = await pipeline.run()
print(chat.conversation)

# [system]: Talk like a pirate.
# [user]: Say hello!
# [assistant]: Ahoy, matey! Here be the salty sea dog ready to trade greetings wit' ye. Arrr!

这个例子展示了Rigging的基本用法:获取生成器、构建管道、运行管道并获取结果。