Маршрутизация запросов между LLM-провайдерами: LLM Router

Вступление: реальная проблема переплаты за LLM

С каждым LLM-запросом вы платите за токены, но не все запросы одинаково сложны. Простой запрос статуса заказа не требует мощности GPT-4o, а генерация кода нуждается в Claude. Постоянный вызов одной топ-модели для всех задач разоряет бюджет: до 5× переплаты без улучшения качества. LLM Router решает эту асимметрию — направляет запрос к провайдеру и модели, которые оптимально соответствуют задаче по стоимости, задержке и качеству.

У нас за плечами более 5 лет опыта в AI-инфраструктуре и 30+ проектов по внедрению роутинга для клиентов из fintech, e-commerce и SaaS. Мы видели, как компании платят $3000/мес за GPT-4, хотя 70% их запросов можно отдать на Groq за $200. Типичная экономия на внедрении роутера — от $500 до $5000 в месяц.

Какие проблемы решает LLM Router?

Мы сталкиваемся с тремя типичными ситуациями:

• Раздутый бюджет на AI-инфраструктуру. Команды используют одну дорогую модель для всех задач — 60% запросов можно отдать за копейки через Groq или GPT-4o-mini.
• Latency-критичные сценарии. Чат-бот поддержки должен отвечать за 200 мс, а не за 3 секунды. Groq с Llama 3 гарантирует p99 < 100 мс.
• Качество на сложных задачах. Код, математика, multi-step reasoning — здесь дешёвые модели сыплют ошибками. Нужен Claude или o3-mini.

Мы решаем это одним инструментом — централизованным роутером, который знает характеристики каждого провайдера и динамически выбирает лучший вариант.

Как LLM Router снижает затраты на API?

Rule-based роутер: прозрачно и быстро — маршрутизация запросов между

Для проекта SaaS-платформы с 60% простых запросов мы внедрили роутер на основе правил (см. код ниже). Простые запросы (<200 символов, без маркеров сложности) — на Groq Llama 8B, аналитика — GPT-4o-mini, код — Claude Sonnet. Результат: стоимость упала с $450/месяц до $124/месяц (снижение на 72%) при A/B-тесте, где 98% пользователей не заметили разницы. В другом проекте затраты снизились с $1200 до $340, а на крупном потоке — с $3000 до $720.

from anthropic import Anthropic
from openai import OpenAI
from groq import Groq
from dataclasses import dataclass
from typing import Callable, Optional
import re

@dataclass
class RoutingRule:
    name: str
    condition: Callable[[str, dict], bool]
    provider: str
    model: str
    reason: str

class LLMRouter:

    def __init__(self):
        self.openai_client = OpenAI()
        self.anthropic_client = Anthropic()
        self.groq_client = Groq()

        self.rules: list[RoutingRule] = [
            # Realtime/простые запросы → Groq (быстро и дёшево)
            RoutingRule(
                name="simple_chat",
                condition=lambda text, meta: len(text) < 200 and not meta.get("complex"),
                provider="groq",
                model="llama-3.1-8b-instant",
                reason="Short simple query — using fast inference",
            ),
            # Code generation → Claude (лучшее качество кода)
            RoutingRule(
                name="code_generation",
                condition=lambda text, meta: self._is_code_task(text),
                provider="anthropic",
                model="claude-sonnet-4-5",
                reason="Code task — Claude performs better",
            ),
            # Reasoning/математика → o3-mini
            RoutingRule(
                name="reasoning",
                condition=lambda text, meta: self._is_reasoning_task(text),
                provider="openai",
                model="o3-mini",
                reason="Reasoning task — using o3-mini",
            ),
            # Default — GPT-4o
            RoutingRule(
                name="default",
                condition=lambda text, meta: True,
                provider="openai",
                model="gpt-4o",
                reason="Default routing",
            ),
        ]

    def _is_code_task(self, text: str) -> bool:
        code_keywords = [
            "напиши код", "реализуй", "функция", "класс", "алгоритм",
            "python", "javascript", "sql", "рефакторинг", "отладь"
        ]
        return any(kw in text.lower() for kw in code_keywords)

    def _is_reasoning_task(self, text: str) -> bool:
        reasoning_keywords = [
            "докажи", "вычисли", "оптимизируй", "найди оптимальное",
            "математически", "логически следует", "минимизируй"
        ]
        return any(kw in text.lower() for kw in reasoning_keywords)

    def route(self, text: str, meta: dict = None) -> RoutingRule:
        """Определяет провайдера для запроса"""
        meta = meta or {}
        for rule in self.rules:
            if rule.condition(text, meta):
                return rule
        return self.rules[-1]  # Default

    def complete(
        self,
        messages: list[dict],
        system: str = None,
        **kwargs
    ) -> str:
        """Выполняет запрос через оптимального провайдера"""
        user_message = messages[-1]["content"] if messages else ""
        rule = self.route(user_message)

        print(f"[Router] {rule.name} → {rule.provider}/{rule.model}: {rule.reason}")

        if rule.provider == "anthropic":
            return self._call_anthropic(messages, rule.model, system, **kwargs)
        elif rule.provider == "openai":
            return self._call_openai(messages, rule.model, system, **kwargs)
        elif rule.provider == "groq":
            return self._call_groq(messages, rule.model, system, **kwargs)

    def _call_anthropic(self, messages, model, system, **kwargs) -> str:
        kwargs.pop("temperature", None) if "o" in model else None
        response = self.anthropic_client.messages.create(
            model=model,
            max_tokens=kwargs.get("max_tokens", 2048),
            system=system or "",
            messages=messages,
            temperature=kwargs.get("temperature", 0.1),
        )
        return response.content[0].text

    def _call_openai(self, messages, model, system, **kwargs) -> str:
        all_messages = []
        if system:
            all_messages.append({"role": "system", "content": system})
        all_messages.extend(messages)

        params = {"model": model, "messages": all_messages}
        if "o1" not in model and "o3" not in model:
            params["temperature"] = kwargs.get("temperature", 0.1)

        response = self.openai_client.chat.completions.create(**params)
        return response.choices[0].message.content

    def _call_groq(self, messages, model, system, **kwargs) -> str:
        all_messages = []
        if system:
            all_messages.append({"role": "system", "content": system})
        all_messages.extend(messages)

        response = self.groq_client.chat.completions.create(
            model=model,
            messages=all_messages,
            temperature=kwargs.get("temperature", 0),
        )
        return response.choices[0].message.content

Семантический роутер (ML-based)

Отметим: когда контекст запроса не укладывается в жёсткие правила, используем семантический роутинг. Он находит ближайший прототип задачи среди векторизованных примеров. В коде ниже — реализация с SentenceTransformer:

from sentence_transformers import SentenceTransformer
import numpy as np

class SemanticRouter:
    """Роутинг на основе семантического сходства с примерами задач"""

    def __init__(self):
        self.model = SentenceTransformer("BAAI/bge-small-en-v1.5")

        # Примеры задач для каждого провайдера
        self.routes = {
            "groq_fast": [
                "what time is it", "hello", "who are you",
                "привет", "простой вопрос", "краткий ответ"
            ],
            "anthropic_code": [
                "write a python function", "debug this code",
                "refactor this class", "implement algorithm",
                "код на python", "напиши функцию"
            ],
            "openai_reasoning": [
                "solve this math problem", "prove this theorem",
                "optimize this algorithm", "logical deduction",
                "математическая задача", "докажи утверждение"
            ],
        }

        # Предвычисляем эмбеддинги
        self.route_embeddings = {}
        for route, examples in self.routes.items():
            self.route_embeddings[route] = self.model.encode(examples)

    def route(self, query: str) -> str:
        query_embedding = self.model.encode(query)

        best_route = "openai_default"
        best_score = 0.5  # Минимальный порог

        for route, embeddings in self.route_embeddings.items():
            scores = np.dot(embeddings, query_embedding) / (
                np.linalg.norm(embeddings, axis=1) * np.linalg.norm(query_embedding)
            )
            max_score = scores.max()
            if max_score > best_score:
                best_score = max_score
                best_route = route

        return best_route

Дополняем систему мониторингом (RouterWithMetrics) для трекинга latency, стоимости и частоты срабатывания правил. Настройка MLOps-пайплайна позволяет автоматически обновлять пороги и правила.

Почему rule-based роутинг не всегда достаточен?

Rule-based роутер работает быстро и прозрачно — не требует GPU для инференса. Но он плохо обобщается: запрос «объясни, как работает бэкенд» может быть и простым, и сложным — без ключевых слов не понять. Семантический роутер решает эту проблему: он понимает смысл запроса через embedding-сходство с обучающими примерами.

На практике мы комбинируем подходы: сначала быстрые правила отсекают очевидные классы, затем семантический роутер доопределяет сложный случай. Это даёт и скорость, и точность.

Что даёт гибридный подход?

Семантический роутер точнее rule-based в 1.5–2 раза для нестандартных запросов, но rule-based достаточно для типовых сценариев. Гибридный подход в 1.5 раза эффективнее rule-based по точности и в 5 раз быстрее семантического при простых запросах.

Сравнение провайдеров для различных задач

Согласно Wikipedia, LLM — это модель, обученная на больших объёмах текста, что объясняет разницу в стоимости и latency между провайдерами.

Как внедряем LLM Router: этапы

Мы разбиваем работу на этапы:

1. Анализ профиля запросов. Собираем логи вашего приложения, определяем доли типов задач.
2. Проектирование роутера. Выбираем стратегию: rule-based, семантический или гибрид. Определяем пороговые значения и примеры.
3. Реализация. Пишем ядро роутера (как в примерах выше) с интеграцией под ваших провайдеров.
4. A/B-тестирование. Сравниваем работу роутера с мономоделью на реальном трафике.
5. Мониторинг и донастройка. Разворачиваем дашборды (latency, cost, fallback rate).

Наш опыт говорит, что критическая часть — корректный fallback: если роутер ошибся, запрос должен безопасно уйти на резервную модель, не теряя качество.

Что входит в работу при заказе?

При заказе внедрения LLM Router вы получаете:

• Архитектурная документация — схема роутинга, правила, потоки данных.
• Код роутера (rule-based и/или семантический) — с интеграцией под ваши API-ключи.
• Настройка мониторинга — метрики стоимости, latency, частот правил.
• Отчёт A/B-теста — оценка экономии и влияния на пользовательский опыт.
• Обучение команды — как добавлять новые правила или примеры.

Мы гарантируем прозрачность: вы всегда видите, какой провайдер и модель обработали запрос.

Свяжитесь с нами для консультации — мы оценим ваш профиль запросов и предложим оптимальное решение. Закажите внедрение LLM Router и снизьте затраты на LLM до 5× без потери качества.

Практический разбор LLM: fine-tuning, RAG, агенты, деплой

Модель GPT‑4 или Claude 3.5 Sonnet через публичное API — не решение, а просто инструмент. Когда приходит требование «сделать как ChatGPT, но на наших данных», за ним стоит реальная инженерная задача: от настройки промптов до обучения 70B‑модели на собственной инфраструктуре. Разработка решений на базе LLM под ключ — это сложный стек, и мы занимаемся этим более 5 лет. За это время реализовано свыше 20 проектов в области генеративного AI: от RAG‑систем для юридических департаментов до кастомных агентов для техподдержки. Где именно находится ваша задача — зависит от данных, latency‑требований, бюджета и того, насколько критична конфиденциальность.

Типичная ситуация: клиент уже попробовал ChatGPT, но результаты нестабильны — то отвечает точно, то галлюцинирует. Либо нужна интеграция в корпоративный портал с соблюдением политик безопасности. Разберём каждый слой стека в деталях — от RAG до production‑деплоя.

Почему RAG‑системы ломаются и как это исправить?

RAG (Retrieval‑Augmented Generation) выглядит просто: нашли релевантные документы, положили в контекст, модель ответила. На практике сбоит в нескольких местах.

Chunking без перекрытия. Классическая ошибка: chunk_size=512, overlap=0. Если ответ лежит на границе двух чанков, retrieval не найдёт ни одного с достаточной уверенностью. Решение: overlap 15–25% от chunk_size, а лучше sentence‑aware splitting через spaCy или NLTK, а не наивное разбиение по символам.

Плохой embedder. Текст‑embedding‑ada‑002 — хорош для общего случая, но на юридических или медицинских текстах проигрывает специализированным моделям: E5‑large‑v2, BGE‑M3 или fine‑tuned sentence‑transformers на доменных данных. Разница в Recall@5 может составлять 15–25%.

Отсутствие re‑ranking. Векторный поиск оптимизирован по скорости, не по релевантности. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) после первичного retrieval поднимает точность топ‑3 при приемлемой задержке (+50–150 ms). Это часто важнее улучшения embedding‑модели.

Гибридный поиск. Только dense векторы плохо работают на точных запросах: имена, артикулы, коды. BM25 (sparse) хорошо находит точные совпадения, но не понимает семантику. Гибрид через RRF (Reciprocal Rank Fusion) — оптимальный компромисс. Qdrant, Weaviate и pgvector 0.7+ поддерживают гибридный поиск нативно.

Когда стоит fine‑tune, а не промпт‑инжиниринг?

Промпт‑инжиниринг решает ~70% задач адаптации LLM под домен. Оставшиеся 30% требуют дообучения. Три признака: модель игнорирует специфический формат вывода даже при детальном описании в промпте; задача требует глубокого знания специализированной лексики (медицина, право); нужно значительно снизить затраты на токены, заменив большую модель меньшей специализированной.

LoRA и QLoRA — стандарт для SFT. LoRA добавляет trainable low‑rank матрицы к attention‑слоям. Типичная конфигурация для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — обучаемых параметров ~0.8%, обучение на одной A100 40GB. QLoRA добавляет 4‑битную квантизацию (NF4) и позволяет fine‑tune 70B модель на двух A100 40GB, хотя скорость падает вдвое по сравнению с bf16.

DPO вместо RLHF. Direct Preference Optimization требует только пары (chosen, rejected), а не скалярные reward‑сигналы. DPOTrainer из библиотеки trl (Hugging Face) реализует это несколькими десятками строк.

Типичная ошибка. Датасет из 500 примеров, 5 эпох, validation loss 0.8 — кажется норм. Но на тесте модель деградировала на общих инструкциях. Причина: catastrophic forgetting. Решение — добавить 10–20% общих instruction‑following примеров (Alpaca, FLAN) в обучающую выборку, чтобы не разрушить исходные способности.

Как выбрать базовую модель: 8B или 70B?

Для большинства задач fine‑tuning 8B модели достаточно. 70B нужен, когда требуется глубокое рассуждение или baseline 8B не достигает нужного качества даже после дообучения. Стоимость инференса Llama‑3 8B через vLLM на A100 — около $0.001/1K токенов, что в 15 раз дешевле GPT‑4.

Что даёт PagedAttention в production?

vLLM — первый выбор для serving open‑source моделей. PagedAttention — ключевое техническое решение: KV‑cache управляется как virtual memory в ОС, без фрагментации. Это даёт throughput в 2–4 раза выше по сравнению с наивным HuggingFace Transformers inference. Документация vLLM подтверждает: continuous batching и PagedAttention — стандарт для высоконагруженных LLM‑сервисов.

Типичные числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двух A100 с tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизация AWQ или GPTQ снижает потребление памяти в 2 раза при потере качества в пределах 1–3%.

Мультиагентные системы

Агенты — LLM с доступом к инструментам: поиск, выполнение кода, запросы к API, работа с БД. Основные паттерны:

• ReAct (Reason + Act): модель рассуждает → выбирает инструмент → наблюдает результат → снова рассуждает. LangChain и LlamaIndex реализуют из коробки.
• Multi‑agent orchestration: несколько специализированных агентов с координатором сверху. Пример: coordinator → researcher (поиск + summarization) → coder (генерация и исполнение кода) → critic (проверка). Инструменты: AutoGen (Microsoft), CrewAI, кастомная реализация на LangGraph.

В продакшене агентные системы недетерминированы. Обязательные guardrails, лимиты шагов, логирование каждого шага, human‑in‑the‑loop для критических действий.

Как мы работаем: этапы, сроки, результат

Что входит в работу

Мы передаём:

• Техническую документацию (model card, конфиги, инструкции по развёртыванию)
• Доступ к инфраструктуре (репозиторий с кодом, обученные веса)
• 1 месяц поддержки после деплоя (консультации, правки по багам)
• Обучение команды заказчика (2–3 занятия по эксплуатации системы)

Сроки: базовый RAG‑прототип — 1–2 недели. Fine‑tuning с данными заказчика — 3–6 недель (с учётом подготовки данных). Production‑система с мониторингом и переобучением — 2–4 месяца. Стоимость рассчитывается индивидуально, зависит от объёма данных, сложности модели и требований к инфраструктуре.

Хотите оценить свой проект? Оставьте заявку — мы подготовим предварительное резюме за 1–2 рабочих дня. Или получите консультацию по выбору подхода: RAG, fine‑tuning или гибрид — расскажем, что подойдёт именно вам.