# -*- coding: utf-8 -*- """iAOP-Core · LLM 网关 —— 推理后端抽象接口（Issue #57，PRD 5.6）。 PRD 5.6「⑥ 部署底座」明确要求： 定义统一 ``InferenceBackend`` 接口（``loadModel / infer / health / unload``）， 5090 实现（Triton/ONNX）与昇腾实现（ACL/CANN）均实现该接口； **业务代码仅依赖接口，不感知硬件**；切换后端 = 改适配层配置，不动业务代码。 本模块把原先内联在 ``gateway.py`` 里的薄弱 ``InferenceBackend`` 提炼为正式的 抽象基类（ABC），并补齐 PRD 要求的生命周期方法与能力声明，使后续子任务： - #44 本地 70B 模型接入与推理封装（vLLM/TGI） - #45 云端 API（Qwen/DeepSeek）接入与安全网关 - #58 GPU 后端实现（NVIDIA，Triton/ONNX） - #59 昇腾 NPU 后端适配（CANN/ACL） 都能在**同一契约**下落地，业务编排（``LLMGateway``）零改动。 设计要点 -------- 1. **接口最小且完备**：仅约束 PRD 列出的四个生命周期动作 ``load_model / infer / health_check / unload``，外加能力声明 ``BackendCapabilities``（流式 / 最大并发 / 是否出厂内闭环），供路由与调度决策。 2. **向后兼容**：保留 ``generate(prompt, context)`` 便捷方法（默认转发到 ``infer``），既有 ``LLMGateway.ask()`` 调用路径不变；老测试不受影响。 3. **可注入 / 可 mock**：所有方法纯逻辑、无外部 IO 依赖；真实硬件/网络交互由 各子类在 ``infer`` 内部完成（子类负责导入厂商 SDK 并做 ``ImportError`` 容错）。 4. **健康探针**：``health_check`` 返回结构化 ``BackendHealth``，供可用性监控探针 （Issue #61）与灰度发布（PRD 5.6 配置点）判定后端是否就绪。 测试：``python -m unittest discover -s tests -v``（在 core/llm-gateway 目录下执行）。 """ from __future__ import annotations from abc import ABC, abstractmethod from dataclasses import dataclass, field from datetime import datetime, timezone from typing import Dict, Iterator, List, Optional, Sequence # --------------------------------------------------------------------------- # 值对象：能力声明 / 健康状态 / 推理结果 # --------------------------------------------------------------------------- @dataclass(frozen=True) class BackendCapabilities: """后端能力声明，供路由 / 调度 / 灰度决策。 Attributes: streaming: 是否支持流式输出（逐 token 返回）。 max_concurrency: 最大并发推理数（None 表示不限 / 由外部限流）。 on_premises: 是否数据出厂内闭环（本地后端 True，云端 False）。 modalities: 支持的输出形态，如 ``("text",)``。 """ streaming: bool = False max_concurrency: Optional[int] = None on_premises: bool = False modalities: Sequence[str] = ("text",) def supports(self, modality: str) -> bool: """是否支持某种输出形态（text / image / ...）。""" return modality in self.modalities def to_dict(self) -> Dict[str, object]: return { "streaming": self.streaming, "max_concurrency": self.max_concurrency, "on_premises": self.on_premises, "modalities": list(self.modalities), } @dataclass(frozen=True) class BackendHealth: """后端健康探针结果（Issue #61 可用性监控探针消费）。""" healthy: bool detail: str = "" checked_at: str = field( default_factory=lambda: datetime.now(timezone.utc).isoformat()) def to_dict(self) -> Dict[str, object]: return { "healthy": self.healthy, "detail": self.detail, "checked_at": self.checked_at, } @dataclass(frozen=True) class InferResult: """一次 ``infer`` 的结构化结果（含审计所需元信息）。 保留 ``text`` 主输出以兼容旧 ``generate`` 返回 ``str`` 的调用方； ``prompt_tokens`` / ``completion_tokens`` 供计费与配额（PRD 5.6 配置点）。 """ text: str backend_name: str model_id: str = "" prompt_tokens: Optional[int] = None completion_tokens: Optional[int] = None latency_ms: Optional[float] = None def to_dict(self) -> Dict[str, object]: return { "text": self.text, "backend_name": self.backend_name, "model_id": self.model_id, "prompt_tokens": self.prompt_tokens, "completion_tokens": self.completion_tokens, "latency_ms": self.latency_ms, } # --------------------------------------------------------------------------- # 抽象接口（PRD 5.6：loadModel / infer / health / unload） # --------------------------------------------------------------------------- class InferenceBackend(ABC): """推理后端抽象接口（对齐 PRD 5.6 ``InferenceBackend`` 契约）。 业务编排（``LLMGateway``）只依赖本接口，**不感知**具体硬件 / 厂商； 切换后端 = 换实现类 + 改配置，业务代码不动。子类必须实现四个生命周期方法： - :meth:`load_model`：加载 / 绑定模型（可幂等，重复加载返回已加载实例）。 - :meth:`infer`：给定 prompt 与 RAG 上下文生成回答（核心推理动作）。 - :meth:`health_check`：探针，返回 :class:`BackendHealth`。 - :meth:`unload`：释放模型资源（可幂等）。 便捷方法 :meth:`generate` 默认转发到 :meth:`infer` 并只取 ``text``， 保留与旧 ``LLMGateway.ask()`` 的二进制兼容。 """ #: 后端短名（local-70b / cloud-api / gpu-triton / npu-cann ...），子类覆盖。 name: str = "base" @property def capabilities(self) -> BackendCapabilities: """后端能力声明，子类按需覆盖。默认：非流式、出厂外、仅文本。""" return BackendCapabilities() # -- 生命周期（子类必须实现）------------------------------------------ @abstractmethod def load_model(self, model_id: str) -> None: """加载 / 绑定指定模型。幂等：重复加载同一 model_id 不报错。""" @abstractmethod def infer(self, prompt: str, context: Optional[Sequence[str]] = None) -> InferResult: """根据 prompt 与 RAG 上下文生成回答（核心推理动作）。""" @abstractmethod def health_check(self) -> BackendHealth: """健康探针，返回结构化健康状态。""" @abstractmethod def unload(self) -> None: """释放模型资源。幂等：未加载时调用不报错。""" # -- 向后兼容便捷方法 -------------------------------------------------- def generate(self, prompt: str, context: Sequence[str]) -> str: """旧调用入口：等价于 ``infer(prompt, context).text``。 保留是为了不破坏 ``LLMGateway.ask()`` 既有的 ``backend.generate(...)`` 调用路径；新代码应直接使用 :meth:`infer` 拿到完整 :class:`InferResult`。 """ return self.infer(prompt, context).text def __repr__(self) -> str: # pragma: no cover - 调试辅助 return f"<{type(self).__name__} name={self.name!r}>" # --------------------------------------------------------------------------- # 占位实现（子任务 #44 / #45 / #58 / #59 将各自替换为真实后端） # --------------------------------------------------------------------------- class _PlaceholderBackend(InferenceBackend): """占位后端公共骨架：固定回显答案 + 引用溯源回显，供端到端测试与演示。 真实后端（#44 本地 70B / #45 云端 API / #58 GPU / #59 昇腾）继承本类后， 只需覆盖 :meth:`infer` 的生成逻辑与 :meth:`health_check` 的探针实现即可； 生命周期与能力声明已由本类 / 子类提供。 """ placeholder_prefix = "[占位]" def __init__(self, model_id: str, echo_context: bool = True) -> None: self._model_id = model_id self._loaded = False self._loaded_model_id: Optional[str] = None self.echo_context = echo_context # 生命周期 def load_model(self, model_id: str) -> None: # 幂等：重复加载同一 model_id 视作成功；换模型也允许（演示用）。 self._loaded = True self._loaded_model_id = model_id or self._model_id def infer(self, prompt: str, context: Optional[Sequence[str]] = None) -> InferResult: if not self._loaded: # 演示态允许惰性自加载，真实后端可改为 raise RuntimeError("未加载模型") self.load_model(self._model_id) ctx = list(context or []) head = f"{self.placeholder_prefix} {prompt[:40]}" refs = "" if self.echo_context: for src in ctx[:3]: refs += f"\n[来源: {src}]" return InferResult( text=head + refs, backend_name=self.name, model_id=self._loaded_model_id or self._model_id, ) def health_check(self) -> BackendHealth: return BackendHealth( healthy=self._loaded, detail="loaded" if self._loaded else "not_loaded", ) def unload(self) -> None: # 幂等：未加载也安全 self._loaded = False self._loaded_model_id = None class LocalBackend(_PlaceholderBackend): """本地 70B 后端占位实现：数据不出厂（敏感 / 核心走此通道）。 子任务 #44 / #58 将替换 ``infer`` 为真实本地模型推理封装（vLLM/TGI/Triton）。 """ name = "local-70b" placeholder_prefix = "[本地70B占位]" def __init__(self, echo_context: bool = True, model_id: str = "local-70b-base") -> None: super().__init__(model_id=model_id, echo_context=echo_context) @property def capabilities(self) -> BackendCapabilities: # 本地后端：出厂内闭环、可流式、单卡典型并发 8（演示默认值） return BackendCapabilities( streaming=True, max_concurrency=8, on_premises=True, modalities=("text",)) class CloudBackend(_PlaceholderBackend): """云端 API 后端占位实现：仅接收 DLP 放行的脱敏 / 通用内容。 子任务 #45 将替换为 Qwen / DeepSeek API 接入 + 安全网关。 """ name = "cloud-api" placeholder_prefix = "[云端API占位]" def __init__(self, echo_context: bool = True, model_id: str = "cloud-qwen-plus") -> None: super().__init__(model_id=model_id, echo_context=echo_context) @property def capabilities(self) -> BackendCapabilities: # 云端后端：数据出厂、支持流式、并发受厂商配额限制（演示默认 4） return BackendCapabilities( streaming=True, max_concurrency=4, on_premises=False, modalities=("text",)) # --------------------------------------------------------------------------- # 后端注册表（配置驱动切换，对齐 PRD「切换后端 = 改适配层配置」） # --------------------------------------------------------------------------- def default_registry() -> Dict[str, type]: """默认后端注册表：name → 实现类。新增后端在此登记一行即可被配置选用。""" # 延迟导入避免循环依赖（gpu_backend 反向依赖本模块的抽象基类与值对象） from .gpu_backend import GpuTritonBackend # noqa: WPS433（Issue #58） return { "local-70b": LocalBackend, "cloud-api": CloudBackend, "gpu-triton": GpuTritonBackend, } def build_backend(name: str, **kwargs) -> InferenceBackend: """按 name 从默认注册表构造后端实例（配置驱动切换的入口）。 未知 name 抛 ``ValueError``，列出已知项便于排错。 """ registry = default_registry() cls = registry.get(name) if cls is None: known = ", ".join(sorted(registry)) raise ValueError(f"未知推理后端 {name!r}，已知: {known}") return cls(**kwargs)