我要投稿

重磅开源：这个15k+ Star的项目让调用大模型像喝水一样简单！

发布日期：2024-12-25 19:19:51 浏览次数： 2516

作者：字节笔记本

微信搜一搜，关注“字节笔记本”

你在调用大语言模型的时候是不是和我一样遇到过这样的问题:

项目中要对接多个AI供应商，代码里充斥着各种适配逻辑
不同平台的API调用方式各异，每换一个都要重新学习
想要监控AI调用成本，但统计起来特别麻烦

今天给大家介绍一个超赞的开源项目 - LiteLLM，它完美解决了以上所有问题，让调用各家大模型变得像喝水一样自然！

为什么它这么受欢迎？

—

目前这个项目已经收获了15.3k+ Star，为什么这么多开发者喜欢它呢？核心原因是它真正做到了"Write Once, Run Anywhere"（写一次代码，到处运行）。

举个例子，假设你的应用原本使用 OpenAI，代码是这样的：

from litellm import completion# OpenAI调用response = completion(
model="openai/gpt-4", 
messages=[{"role": "user", "content": "写一个python快速排序"}]
)

某天你想切换到 Anthropic 的 Claude 或者 Google 的 Gemini，只需要改一下model参数就行：

# 换成Anthropicresponse = completion(
model="anthropic/claude-3-sonnet",
messages=[{"role": "user", "content": "写一个python快速排序"}]
)# 换成Googleresponse = completion(
model="google/gemini-pro",
messages=[{"role": "user", "content": "写一个python快速排序"}]
)

其他代码完全不用改，输出格式也保持一致，是不是特别优雅？

实用案例分享

—

1. 智能模型路由

假设你想在 GPT-4 不可用时自动切换到 Claude：

from litellm import Router# 配置模型列表model_list = [
{"model_name": "gpt-4","litellm_params": {"model": "openai/gpt-4"},
},
{"model_name": "gpt-4","litellm_params": {"model": "anthropic/claude-3-sonnet"},
}
]# 创建路由器router = Router(model_list=model_list)# 自动选择可用模型response = router.completion(
model="gpt-4",
messages=[{"role": "user", "content": "你好"}]
)

2. 成本监控

想知道每个项目花了多少AI费用？LiteLLM内置了多种监控方案：

from litellm import completionimport os# 设置回调os.environ["HELICONE_API_KEY"] = "your-key"litellm.success_callback = ["helicone"]# 调用时会自动记录用量response = completion(
model="openai/gpt-4",
messages=[{"role": "user", "content": "Hi"}],
metadata={"project": "chatbot", "user": "user_123"}
)

3. 流式输出

需要实时展示AI回复？支持！

response = completion(
model="openai/gpt-4",
messages=[{"role": "user", "content": "讲个故事"}],
stream=True)for chunk in response:print(chunk.choices[0].delta.content or "", end="")

部署也超简单

—

想搭建自己的AI网关？一行命令搞定：

litellm --model huggingface/bigcode/starcoder

这样就启动了一个兼容OpenAI API的服务器，可以直接用OpenAI的SDK来调用：

import openai
client = openai.OpenAI(
api_key="anything",
base_url="http://localhost:4000")

response = client.chat.completions.create(
model="gpt-3.5-turbo",
messages=[{"role": "user", "content": "你好"}]
)