Skip to main content
在 GitHub 上打开

MLflow AI Gateway for LLMs

适用于 LLM 的 MLflow AI 网关是一个强大的工具，旨在简化各种大型 组织内的语言模型 （LLM） 提供商，例如 OpenAI 和 Anthropic。它提供了一个高级接口 通过提供统一的终端节点来处理特定的 LLM 相关请求，从而简化与这些服务的交互。

安装和设置

安装mlflow具有 MLflow GenAI 依赖项：

pip install 'mlflow[genai]'

将 OpenAI API 密钥设置为环境变量：

export OPENAI_API_KEY=...

创建配置文件：

endpoints:
  - name: completions
    endpoint_type: llm/v1/completions
    model:
      provider: openai
      name: text-davinci-003
      config:
        openai_api_key: $OPENAI_API_KEY

  - name: embeddings
    endpoint_type: llm/v1/embeddings
    model:
      provider: openai
      name: text-embedding-ada-002
      config:
        openai_api_key: $OPENAI_API_KEY

启动网关服务器：

mlflow gateway start --config-path /path/to/config.yaml

示例提供方MLflow​

这mlflow.langchainmodule 提供用于日志记录和加载的 APILangChain模型。 此模块导出 langchain 风格的多变量 LangChain 模型和单变量 LangChain 模型 model。

有关更多信息，请参阅 API 文档和示例。

完成示例

import mlflow
from langchain.chains import LLMChain, PromptTemplate
from langchain_community.llms import Mlflow

llm = Mlflow(
    target_uri="http://127.0.0.1:5000",
    endpoint="completions",
)

llm_chain = LLMChain(
    llm=Mlflow,
    prompt=PromptTemplate(
        input_variables=["adjective"],
        template="Tell me a {adjective} joke",
    ),
)
result = llm_chain.run(adjective="funny")
print(result)

with mlflow.start_run():
    model_info = mlflow.langchain.log_model(chain, "model")

model = mlflow.pyfunc.load_model(model_info.model_uri)
print(model.predict([{"adjective": "funny"}]))
API 参考：LLMChain | MLFLOW

嵌入示例

from langchain_community.embeddings import MlflowEmbeddings

embeddings = MlflowEmbeddings(
    target_uri="http://127.0.0.1:5000",
    endpoint="embeddings",
)

print(embeddings.embed_query("hello"))
print(embeddings.embed_documents(["hello"]))
API 参考：MlflowEmbeddings

聊天示例

from langchain_community.chat_models import ChatMlflow
from langchain_core.messages import HumanMessage, SystemMessage

chat = ChatMlflow(
    target_uri="http://127.0.0.1:5000",
    endpoint="chat",
)

messages = [
    SystemMessage(
        content="You are a helpful assistant that translates English to French."
    ),
    HumanMessage(
        content="Translate this sentence from English to French: I love programming."
    ),
]
print(chat(messages))