Предлагаю ознакомится экспертной общественности с моим мини-фреймворком для разработки LLM-based приложений: core-kbt

Концепция проекта

Проект core-kbt (kbt - это аббревиатура от Knowledge Base Trajectory) - это мини-фреймворк для разработки LLM-based приложений и доменных баз знаний, с примерами доменных знаний из областей представления знаний, LLM и средств разработки.

Идею проекта можно представить с разных сторон:

• сделать удобные средства разработки для LLM-based приложений

• разработать и использовать подход, при котором оптимизировать промпты для задачи нужно через оптимизацию контекста, который вычисляется из базы знаний задачи (доменной базы знаний)

• проект является вариантом развития идеи prompting-as-code.

Со стороны удобства разработки

Для практической разработки приложения, использующего LLM:

• необходимо иметь четкую модель данных того, что нужно подавать LLM на вход и получать на выходе

• удобные возможности создавать новые AI-функции с предсказуемыми свойствами

• работать с schema-less данными, но с фиксацией как JSON-схемы, так и семантической-схемы (онтологии), когда это необходимо

• удобно просматривать и модифицировать данные, которые являются контекстом для LLM-промптов

• кешировать ответы от LLM

• распараллеливать запросы к провайдерам LLM с контролируемым значением requests-per-second.

Со стороны представления знаний

Новые возможности, которые дают технологии GenAI, требуют новых подходов к представлению знаний и методов программирования.
LLM модели пропустили через универсальные алгоритмы большие объемы текстовой информации и следует ожидать, что внутреннее представление LLM модели о мире будет соответствовать тому как люди представляют знания. Самым близким к человеческому способом представления знаний является онтологическое представление. Поэтому следует ожидать, что именно онтологическое представление будет мостом между "миром представлений LLM" и человеческим представлением знаний, которое необходимо для эффективного решения практических задач.

Предлагается использовать следующий верхне-уровневый более-менее универсальный подход к решению задачи с помощью LLM:

• разработать верхне-уровневую онтологию, которая должна удобна и понятна LLM и человеку

• разработать типичные доменные онтологии, которые можно использовать для конкретных задач

• решать задачу в следующей постановке: разделить информацию по задаче на следующие блоки (<я, как исследователь проблемы с помощью LLM, описываю ...>):

  • <что я знаю>: в виде базы знаний на основе онтологии

  • <что я хочу узнать>: в виде задачи в сущностях базы знаний

  • <что я хочу сгенерировать>: в виде задачи в сущностях базы знаний.

Постепенно формулируя задачи в сущностях базы знаний и решая эти задачи мы будем постепенно пополнять базу знаний. До тех пор, пока в базе знаний не появятся сущности, в которых содержатся ответы, для которых эта задача и была создана.

Для чего полезен фреймворк

• AI-функции для быстрого создания и использования функций для обработки информации через LLM, со структурированным ответом

• база данных для YAML/JSON-сущностей в файловом представлении: быстрый и удобный ввод данных для обработки через AI, удобное редактирование сущностей до и после AI обработки

• если JSON-схемы для YAML/JSON-сущностей недостаточно, для углубления знания для решения задачи нужна последовательная разработка доменной онтологии для этой задачи: можно использовать готовую верхне-уровневую онтологию как базу для создания доменной онтологии

• разработка траекторий доменных баз знаний: YAML/JSON-сущности и состояние базы знаний хранится как файлы в git, что делает удобным мутации значений сущностей базы знаний через git-бранчевание для дальнейшей оптимизации и поиска лучшего состояния базы знаний

• можно настроить CI pipeline для git-репозитория с запуском сервера AI-функций: в результате получится удобный цикл разработки AI-функций и поддержки доменной базы знаний

• персистентные процессы для удобной реализации логики обработки, планирования обработки, кеширования ответов от внешних сервисов и отладки.

Фичи фреймворка

• AI-функция со структурированным ответом

  • каждой AI-функции соответствует папка c теймплейтом промпта и JSON-схема для ответа:

    • j2 теймплейт для промпта

    • требуемая JSON схема для ответа

  • есть evaluate метод для вызова AI-функции

  • есть серверное приложение для динамического web API для вызова любой AI-функции:

    • сервер авторизует все запросы по API-токену (секрету)

    • пример клиента

• структурированное представление YAML/JSON-сущностей:

  • каждой сущности соответствует папка с элементами сущностей, представленными как файлы

  • для удобства редактирования, значение для поля сущности может подгружаться из файла

  • есть API для работы с сущностями

• готовый вариант верхне-уровневой базовой онтологии небольшого размера, которая понятна LLM и человеку

Направления дальнейшего развития проекта

• интеграция с Langfuse для traceability и оценки качества промптов

• примеры оптимизации промптов через траекторию доменных баз знаний

• разработка инструментов для проведения исследования в выбранной области на основе доменной онтологии

• дополнение core AI-функций.

Начало работы

1. задать значения переменных среды в .env файле, например для DeepSeek:

DEVELOPMENT=1
HOST=127.0.0.1
PORT=5000
PYTHONUTF8=1
PYTHONIOENCODING=utf8
OPENAI_BASE_URL=https://api.deepseek.com
OPENAI_MODEL=deepseek-chat
OPENAI_API_KEY=<API_TOKEN>
AI_FUNC_API_TOKEN=<API_TOKEN>

2. запустить сервер AI-функций:

./runner.sh -s kbt-core/ai_function_server.py

3. Допустим мы хотим узнать столицу России. Будем использовать готовую AI-функцию generate_what_is с промптом и JSON-схемой ответа. Вызываем AI-функцию с соответствующими входными параметрами context, qualifier и description:

source .env
curl -X PUT "http://127.0.0.1:5000/ai-func/generate_what_is" \
  -H "Api-Token: $AI_FUNC_API_TOKEN" \
  -H "Content-Type: application/json" \
  -H "Accept: application/json" \
  -d "{
  \"context\": \"Geography\",
  \"qualifier\": \"capital (in a shortest form)\",
  \"description\": \"of Russia\"
}"

Ответ:

{
  "result": {
    "final_answer": "Moscow",
    "notes": "Moscow has been the capital since the 15th century, with a brief interruption during the time of the Russian Empire when the capital was moved to Saint Petersburg.",
    "proof": "Moscow is the capital of Russia as recognized by the Constitution of the Russian Federation and is the political, economic, and cultural center of the country."
  }
}

Также можно посмотреть README в репозитории с ссылками на ресурсы в репозитории: https://github.com/ady1981/core-kbt/blob/master/README.ru.md