Маршрутизація запитів між LLM-провайдерами: LLM Router

Вступ: реальна проблема переплати за LLM

З кожним LLM-запитом ви платите за токени, але не всі запити однаково складні. Простий запит статусу замовлення не потребує потужності GPT-4o, а генерація коду потребує Claude. Постійний виклик однієї топ-моделі для всіх завдань розоряє бюджет: до 5× переплати без покращення якості. LLM Router вирішує цю асиметрію — направляє запит до провайдера та моделі, які оптимально відповідають завданню за вартістю, затримкою та якістю.

У нас за плечима понад 5 років досвіду в AI-інфраструктурі та 30+ проектів із впровадження роутингу для клієнтів з fintech, e-commerce та SaaS. Ми бачили, як компанії платять $3000/міс за GPT-4, хоча 70% їхніх запитів можна віддати на Groq за $200. Типова економія на впровадженні роутера — від $500 до $5000 на місяць.

Які проблеми вирішує LLM Router?

Ми стикаємося з трьома типовими ситуаціями:

• Роздутий бюджет на AI-інфраструктуру. Команди використовують одну дорогу модель для всіх завдань — 60% запитів можна віддати за копійки через Groq або GPT-4o-mini.
• Latency-критичні сценарії. Чат-бот підтримки має відповідати за 200 мс, а не за 3 секунди. Groq з Llama 3 гарантує p99 < 100 мс.
• Якість на складних завданнях. Код, математика, multi-step reasoning — тут дешеві моделі сиплють помилками. Потрібен Claude або o3-mini.

Ми вирішуємо це одним інструментом — централізованим роутером, який знає характеристики кожного провайдера та динамічно обирає найкращий варіант.

Як LLM Router знижує витрати на API?

Rule-based роутер: прозоро та швидко — маршрутизація запитів між

Для проекту SaaS-платформи з 60% простих запитів ми впровадили роутер на основі правил (див. код нижче). Прості запити (<200 символів, без маркерів складності) — на Groq Llama 8B, аналітика — GPT-4o-mini, код — Claude Sonnet. Результат: вартість впала з $450/місяць до $124/місяць (зниження на 72%) при A/B-тесті, де 98% користувачів не помітили різниці. В іншому проекті витрати знизилися з $1200 до $340, а на великому потоці — з $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

Семантичний роутер (ML-based)

Зазначимо: коли контекст запиту не вкладається в жорсткі правила, використовуємо семантичний роутинг. Він знаходить найближчий прототип задачі серед векторизованих прикладів. У коді нижче — реалізація з 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

Доповнюємо систему моніторингом (RouterWithMetrics) для трекінгу latency, вартості та частоти спрацювання правил. Налаштування MLOps-пайплайну дозволяє автоматично оновлювати пороги та правила.

Чому rule-based роутинг не завжди достатній?

Rule-based роутер працює швидко та прозоро — не потребує GPU для інференсу. Але він погано узагальнює: запит «поясни, як працює бекенд» може бути і простим, і складним — без ключових слів не зрозуміти. Семантичний роутер вирішує цю проблему: він розуміє сенс запиту через embedding-схожість з навчальними прикладами.

На практиці ми комбінуємо підходи: спочатку швидкі правила відсікають очевидні класи, потім семантичний роутер довизначає складний випадок. Це дає і швидкість, і точність.

Що дає гібридний підхід?

Семантичний роутер точніший за rule-based в 1.5–2 рази для нестандартних запитів, але rule-based достатньо для типових сценаріїв. Гібридний підхід в 1.5 рази ефективніший за rule-based за точністю і в 5 разів швидший за семантичний при простих запитах.

Порівняння провайдерів для різних завдань

Згідно з Wikipedia, LLM — це модель, навчена на великих обсягах тексту, що пояснює різницю у вартості та latency між провайдерами.

Як впроваджуємо LLM Router: етапи

Ми розбиваємо роботу на етапи:

1. Аналіз профілю запитів. Збираємо логи вашого застосунку, визначаємо частки типів завдань.
2. Проектування роутера. Обираємо стратегію: rule-based, семантичний або гібрид. Визначаємо порогові значення та приклади.
3. Реалізація. Пишемо ядро роутера (як у прикладах вище) з інтеграцією під ваших провайдерів.
4. A/B-тестування. Порівнюємо роботу роутера з мономоделлю на реальному трафіку.
5. Моніторинг та доналаштування. Розгортаємо дашборди (latency, cost, fallback rate).

Наш досвід каже, що критична частина — коректний fallback: якщо роутер помилився, запит має безпечно піти на резервну модель, не втрачаючи якість.

Що входить у роботу при замовленні?

При замовленні впровадження LLM Router ви отримуєте:

• Архітектурна документація — схема роутингу, правила, потоки даних.
• Код роутера (rule-based та/або семантичний) — з інтеграцією під ваші API-ключі.
• Налаштування моніторингу — метрики вартості, latency, частот правил.
• Звіт A/B-тесту — оцінка економії та впливу на користувацький досвід.
• Навчання команди — як додавати нові правила або приклади.

Ми гарантуємо прозорість: ви завжди бачите, який провайдер і модель обробили запит.

Зв'яжіться з нами для консультації — ми оцінимо ваш профіль запитів і запропонуємо оптимальне рішення. Замовте впровадження LLM Router і знизьте витрати на LLM до 5× без втрати якості.

Практичний розбір LLM: fine-tuning, RAG, агенти, деплой

Модель GPT‑4 або Claude 3.5 Sonnet через публічне API — не рішення, а просто інструмент. Коли приходить вимога «зробити як ChatGPT, але на наших даних», за нею стоїть реальна інженерна задача: від налаштування промптів до навчання 70B‑моделі на власній інфраструктурі. LLM розробка під ключ — це складний стек, і ми займаємося цим понад 5 років. За цей час реалізовано понад 20 проєктів у галузі генеративного AI: від RAG‑систем для юридичних департаментів до кастомних агентів для техпідтримки. Де саме знаходиться ваша задача — залежить від даних, latency‑вимог, бюджету та того, наскільки критична конфіденційність.

Типова ситуація: клієнт уже спробував ChatGPT, але результати нестабільні — то відповідає точно, то галюцинує. Або потрібна інтеграція в корпоративний портал з дотриманням політик безпеки. Розберемо кожен шар стеку в деталях — від RAG до production‑деплою.

Чому RAG‑системи ламаються і як це виправити?

RAG (Retrieval‑Augmented Generation) виглядає просто: знайшли релевантні документи, поклали в контекст, модель відповіла. На практиці збоїть у кількох місцях.

Chunking без перекриття. Класична помилка: chunk_size=512, overlap=0. Якщо відповідь лежить на межі двох чанків, retrieval не знайде жодного з достатньою впевненістю. Рішення: overlap 15–25% від chunk_size, а краще sentence‑aware splitting через spaCy або NLTK, а не наївне розбиття за символами.

Поганий embedder. Текст‑embedding‑ada‑002 — хороший для загального випадку, але на юридичних або медичних текстах програє спеціалізованим моделям: E5‑large‑v2, BGE‑M3 або fine‑tuned sentence‑transformers на доменних даних. Різниця в Recall@5 може становити 15–25%.

Відсутність re‑ranking. Векторний пошук оптимізований за швидкістю, не за релевантністю. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) після первинного retrieval піднімає точність топ‑3 при прийнятній затримці (+50–150 ms). Це часто важливіше за покращення embedding‑моделі.

Гібридний пошук. Тільки dense вектори погано працюють на точних запитах: імена, артикули, коди. BM25 (sparse) добре знаходить точні збіги, але не розуміє семантику. Гібрид через RRF (Reciprocal Rank Fusion) — оптимальний компроміс. Qdrant, Weaviate та pgvector 0.7+ підтримують гібридний пошук нативно.

Коли варто fine‑tune, а не промпт‑інжиніринг?

Промпт‑інжиніринг вирішує ~70% завдань адаптації LLM під домен. Решта 30% вимагають донавчання. Три ознаки: модель ігнорує специфічний формат виведення навіть при детальному описі в промпті; задача вимагає глибокого знання спеціалізованої лексики (медицина, право); потрібно значно знизити витрати на токени, замінивши велику модель меншою спеціалізованою.

LoRA та QLoRA — стандарт для SFT. LoRA додає trainable low‑rank матриці до attention‑шарів. Типова конфігурація для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — параметрів, що навчаються, ~0.8%, навчання на одній A100 40GB. QLoRA додає 4‑бітну квантизацію (NF4) і дозволяє fine‑tune 70B модель на двох A100 40GB, хоча швидкість падає вдвічі порівняно з bf16.

DPO замість RLHF. Direct Preference Optimization вимагає лише пари (chosen, rejected), а не скалярні reward‑сигнали. DPOTrainer з бібліотеки trl (Hugging Face) реалізує це кількома десятками рядків.

Типова помилка. Датасет з 500 прикладів, 5 епох, validation loss 0.8 — здається норм. Але на тесті модель деградувала на загальних інструкціях. Причина: catastrophic forgetting. Рішення — додати 10–20% загальних instruction‑following прикладів (Alpaca, FLAN) у навчальну вибірку, щоб не зруйнувати вихідні здібності.

Як обрати базову модель: 8B чи 70B?

Для більшості задач fine‑tuning 8B моделі достатньо. 70B потрібен, коли потрібне глибоке міркування або baseline 8B не досягає потрібної якості навіть після донавчання. Вартість інференсу Llama‑3 8B через vLLM на A100 значно нижча, ніж у GPT‑4, що робить його економічно вигідним.

Що дає PagedAttention в production?

vLLM — перший вибір для serving open‑source моделей. PagedAttention — ключове технічне рішення: KV‑cache керується як virtual memory в ОС, без фрагментації. Це дає throughput у 2–4 рази вище порівняно з наївним HuggingFace Transformers inference. Документація vLLM підтверджує: continuous batching та PagedAttention — стандарт для високонавантажених LLM‑сервісів.

Типові 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 двох A100 з tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизація AWQ або GPTQ знижує споживання пам'яті в 2 рази при втраті якості в межах 1–3%.

Мультиагентні системи

Агенти — LLM з доступом до інструментів: пошук, виконання коду, запити до API, робота з БД. Основні патерни:

• ReAct (Reason + Act): модель розмірковує → обирає інструмент → спостерігає результат → знову розмірковує. LangChain та LlamaIndex реалізують з коробки.
• Multi‑agent orchestration: кілька спеціалізованих агентів з координатором зверху. Приклад: coordinator → researcher (пошук + summarization) → coder (генерація та виконання коду) → critic (перевірка). Інструменти: AutoGen (Microsoft), CrewAI, кастомна реалізація на LangGraph.

В продакшені агентні системи недетерміновані. Обов'язкові guardrails, ліміти кроків, логування кожного кроку, human‑in‑the‑loop для критичних дій.

Як ми гарантуємо якість LLM рішення?

Ми використовуємо RAGAS для автоматичної оцінки відповідей: faithfulness, answer relevancy, context precision. Система трекінгу експериментів на базі MLflow фіксує всі метрики, датасети та конфіги. Це дозволяє порівнювати різні гіпотези та доводити покращення з цифрами. Гарантію стабільної роботи забезпечує continuous integration з тестами на специфічних сценаріях (prompt injection, edge‑cases).

Як почати LLM розробку: наступні кроки

Ми передаємо:

• Технічну документацію (model card, конфіги, інструкції з розгортання)
• Доступ до інфраструктури (репозиторій з кодом, навчені ваги)
• 1 місяць підтримки після деплою (консультації, виправлення багів)
• Навчання команди замовника (2–3 заняття з експлуатації системи)

Терміни: базовий RAG‑прототип — 1–2 тижні. Fine‑tuning з даними замовника — 3–6 тижнів (з урахуванням підготовки даних). Production‑система з моніторингом та перенавчанням — 2–4 місяці.

Вартість розраховується індивідуально і залежить від обсягу даних, складності моделі та вимог до інфраструктури. Хочете оцінити свій проєкт? Зв'яжіться з нами — ми підготуємо попереднє резюме за 1–2 робочі дні. Або замовте консультацію фахівця з вибору підходу: RAG, fine‑tuning або гібрид — розповімо, що підійде саме вам.