74 lines
5.2 KiB
Markdown
74 lines
5.2 KiB
Markdown
# llm-proxy
|
||
|
||
Прозрачная прослойка/роутер OpenAI API. Принимает `/v1/chat/completions` и
|
||
`/v1/models`, маршрутизирует между объявленными в YAML апстримами по внутреннему
|
||
учёту конкурентности и мержит `patch`-слои (`provider` → `upstream` → `model`) в
|
||
тело запроса. Подробная спецификация конфига — в `CONFIG.md`.
|
||
|
||
## Конфиг
|
||
|
||
Конфигурация — в YAML-файле (по умолчанию `config.yaml` в каталоге проекта,
|
||
CWD; переопределяется env `CONFIG_PATH`). Блоки: `server` (интерфейс биндинга
|
||
`host` + `port`, дефолты `0.0.0.0` / `8100`), `providers`, `upstreams`,
|
||
`models`. Старый механизм env-переменных (`UPSTREAM_URL`, `ROUTER_API_KEY`,
|
||
`EXCLUDED_PROVIDERS`, `THINKING_MODELS`, `PORT`) удалён — его поведение теперь
|
||
в декларативном `patch` и блоке `upstreams`, а порт/интерфейс — в блоке
|
||
`server`.
|
||
|
||
Лимит конкурентности `max_concurrency` можно задать и на провайдере (лимит по
|
||
умолчанию для его апстримов), и на апстриме (перекрывает провайдерский); без
|
||
обоих — безлимит.
|
||
|
||
Обработку think-тегов включает опциональный флажок `think_tags` у провайдера или
|
||
апстрима (`off` по умолчанию, `split` — рассуждения из `think`-тегов уходят
|
||
в `reasoning_content`, `strip` — выбрасываются); работает и в стриме, и в
|
||
non-stream.
|
||
|
||
Повторяющиеся сбои апстрима увязываются экспоненциальным backoff: поле
|
||
`backoff` (ISO-8601-потолок, напр. `P1M`) задаётся на провайдере (общий
|
||
счётчик на его модели) и/или на апстриме (приоритет). Первая ошибка — отдых
|
||
1s, далее 2s, 4s, … до потолка; успех сбрасывает. Все апстримы модели в откате
|
||
— `503` с `Retry-After`.
|
||
|
||
Для `stream=true` запросов действует watchdog на первый байт ответа:
|
||
`first_byte_timeout` (ISO-8601, дефолт `PT30S`, `PT0S` отключает) — если
|
||
апстрим не прислал ни одного байта за окно, слот освобождается, ошибка идёт
|
||
в backoff и роутер фейловерит на следующего свободного апстрима. Приоритет:
|
||
`upstreams[].first_byte_timeout` → `providers[].first_byte_timeout` → `PT30S`.
|
||
|
||
Пока апстрим «отдыхает» в backoff-откате, его можно фоново пинговать:
|
||
`probe_interval` (ISO-8601, дефолт `PT1S`, `PT0S` отключает) — HealthProber
|
||
шлёт апстриму минимальный запрос (`2+2=?`, `max_tokens=4`) и, как только тот
|
||
ответил, снимает его с отката немедленно, не дожидаясь истечения
|
||
backoff-интервала. Пинг не занимает слот конкурентности и не засчитывается
|
||
в backoff. Приоритет: `upstreams[].probe_interval` →
|
||
`providers[].probe_interval` → `PT1S`.
|
||
|
||
Прокси отдаёт Prometheus-метрики по `GET /metrics` (запросы по
|
||
`model/upstream/provider/result`, занятые слоты, счётчик и окно backoff-отката) —
|
||
подключите скрейп в Prometheus и стройте дашборды/алерты в Grafana. Список
|
||
метрик — в CONFIG.md, раздел «Prometheus-метрики».
|
||
|
||
| Переменная | Default | Описание |
|
||
|---|---|---|
|
||
| `CONFIG_PATH` | `config.yaml` (CWD) | Путь к YAML-конфигу |
|
||
|
||
| Ключ конфига | Default | Описание |
|
||
|---|---|---|
|
||
| `server.host` | `0.0.0.0` | Интерфейс/адрес биндинга |
|
||
| `server.port` | `8100` | Порт сервера |
|
||
|
||
Таймаут на запрос к нейронке (весь ответ, включая стриминг) — константа
|
||
`UPSTREAM_REQUEST_TIMEOUT_MS` = 5 минут; без неё дефолт CIO-движка Ktor — 15 секунд,
|
||
и длинные генерации обрываются. Значение логируется при старте.
|
||
|
||
## Сборка и деплой
|
||
|
||
- CI (Gitea Actions, на release): `./gradlew fatJar` → образ
|
||
`images.binom.pw/llm-proxy:<tag>` (zot).
|
||
- Запуск на 76.179 (llm-router): `podman-compose up -d` из `podman-compose.yaml`
|
||
(образ тянется из `images.binom.pw`, сеть `bifrost_default` — туда же Bifrost
|
||
ходит по имени `llm-proxy`).
|
||
- Bifrost: в `config_providers` провайдера `Routerai` `network_config_json.base_url`
|
||
= `http://llm-proxy:8100` (после смены — рестарт bifrost_gateway).
|