开源 Python 框架,用于编排基于角色的自主 AI 智能体(Crews)和事件驱动的工作流(Flows)。
irthomasthomas/llm-consortium
为 llm 命令行工具开发的 Python 插件,并行调用多个大模型,迭代优化回答并由仲裁模型达成共识。
- Star
- 409
- Fork
- 42
- 未关闭 Issue
- 10
- 最近提交
- 2个月前
这是什么?
LLM Consortium 是 `llm` 工具包的一个插件,可以把同一个提示词同时发送给多个大语言模型。随后由仲裁模型对各个回答进行评估和综合,并重复这一过程,直到达到置信度阈值或迭代上限。其思路是:验证候选答案往往比直接给出答案更容易,因此汇集多个模型有助于解决较难的问题。
配置好的 consortium 可以保存为具名模型,并通过标准的 `llm -m` 语法调用。每个成员模型可以用 `模型名:数量` 的语法运行多个实例。项目提供多种评判方式,包括完整综合、排序以及带思维链的排序;还可以选择语义策略,在仲裁前对回答的向量做聚类。运行记录保存在 SQLite 中,保存的 embedding 可导出为 HTML 可视化。支持通过 `-c` 和 `--cid` 延续对话。
除命令行外,还提供 `create_consortium` 这一 Python 接口。可通过 `llm install` 或 pip 安装,embedding 与可视化功能为可选依赖。
核心功能
- 01将同一提示词并行发送给多个模型并收集回答。
- 02由仲裁模型对候选回答进行综合、排序或评估。
- 03迭代优化,直到达到置信度阈值或最大迭代次数。
- 04通过 模型名:数量 语法指定每个模型的实例数。
- 05将所有交互记录到 SQLite,并可导出 embedding 的 HTML 可视化。
- 06提供 create_consortium 这一 Python 接口。
适用场景
- 通过交叉验证多个模型的输出,获得更可靠的复杂问题答案。
- 在同一流程中对比并排序不同 LLM 服务商的输出。
- 在命令行或 Python 代码中试验多模型推理策略。
快速上手
- 1
使用 uv 安装 llm 命令行工具
uv tool install llm - 2
安装 llm-consortium 插件
llm install "llm-consortium" - 3
确认 consortium 命令可用
llm consortium --help
使用前须知
- 语义和嵌入功能需要额外安装 scikit-learn、hdbscan、openai、sentence-transformers 等包,并配置 OPENAI_API_KEY 或 CHUTES_API_TOKEN 等 API 密钥。
- 几何置信度衡量的是回答形态之间的一致性,并不代表事实正确。
收录于专题
标签
常见问题
- llm-consortium 是什么?
- 为 llm 命令行工具开发的 Python 插件,并行调用多个大模型,迭代优化回答并由仲裁模型达成共识。 LLM Consortium 是 `llm` 工具包的一个插件,可以把同一个提示词同时发送给多个大语言模型。随后由仲裁模型对各个回答进行评估和综合,并重复这一过程,直到达到置信度阈值或迭代上限。其思路是:验证候选答案往往比直接给出答案更容易,因此汇集多个模型有助于解决较难的问题。
- llm-consortium 可以免费使用吗?用的什么许可证?
- llm-consortium 以 Apache-2.0 许可证开源。用于商业产品前,请先确认许可证条款。
- llm-consortium 还在维护吗?
- 半年内有更新。llm-consortium 最近一次提交是在 2026年9月5日。
- llm-consortium 适合用来做什么?
- 通过交叉验证多个模型的输出,获得更可靠的复杂问题答案。 在同一流程中对比并排序不同 LLM 服务商的输出。 在命令行或 Python 代码中试验多模型推理策略。
- llm-consortium 怎么安装和运行?
- 使用 uv 安装 llm 命令行工具: uv tool install llm 安装 llm-consortium 插件: llm install "llm-consortium" 确认 consortium 命令可用: llm consortium --help
- 在哪里获取 llm-consortium?
- 源代码和安装说明在 GitHub 上:https://github.com/irthomasthomas/llm-consortium
概要由 AI 根据项目 README 生成;GitHub 数据每日更新。
相关项目
一个命令行工具和 Python 库,用于调用远程及本地部署的大语言模型运行提示词和对话。
一套提示词与技能包,让 AI 助手先梳理你的目标,再召唤专属专家代理提供指导。
一个可视化节点式环境,用于同时查询多个大模型,对比提示词与模型的回答质量。
一个 Python 库,在生成过程中约束 LLM 输出,使其符合指定的类型、正则、JSON Schema 或语法。
一个 Python 库,通过对象和类型来调用大语言模型,并获取结构化输出。