llm-chat/MODULE.de.md
flemming-it d5b000e18e feat: report what a call cost in tokens
Three dialects spell the same two numbers differently: Ollama counts
in `prompt_eval_count` and `eval_count`, the OpenAI shape in
`usage.prompt_tokens` and `usage.completion_tokens`, Anthropic in
`usage.input_tokens` and `usage.output_tokens`. All three now reach
the caller as `tokens_prompt` and `tokens_completion`, which the hub
lifts into the audit log by itself.

An answer that carries no count leaves both fields empty rather than
reporting a zero: a zero is a measurement, and this is the absence of
one. Half a count is reported as far as it goes.

The cost of a model call was the one part of the audit question
"which model produced this, and what did it cost" that nothing
answered (model pool M3).

Signed-off-by: flemming-it <sf@flemming.it>
2026-10-26 03:54:39 +01:00

7.6 KiB

llm.chat

Generischer LLM-Chat-Adapter. Das Baustein-Modul für jeden Flow, der eine LLM-Einzelantwort braucht — klassifizieren, Felder extrahieren, umformulieren, entscheiden — ohne einen eigenen HTTP-Client zu bauen. Spricht drei Wire-Formate, wählbar über die optionale Eingabe api: Ollama (Default), OpenAI Chat Completions (OpenAI, vLLM, kompatible Server) und die Anthropic Messages API.

Capability

  • llm.chat@0.3.0

Eingaben

Name Typ Beschreibung
prompt text Der User-Prompt.
endpoint text Chat-Endpunkt-URL passend zur gewählten api (siehe unten).
model text Modell-ID (z. B. qwen2.5:14b, claude-fable-5).
api_key text Optionaler API-Key. Erscheint nie in Ausgaben, Logs oder Events.
keep_alive text Nur Ollama: wie lange der Server das Modell nach dieser Anfrage geladen lässt (4h, 30m, -1 = unbegrenzt). Leer = Server-Voreinstellung, die nach fünf Minuten entlädt. Mit anderer api abgelehnt.
system_prompt text Optionale System-Nachricht. Leer = Default des Modells.
api text Optionales Wire-Format: ollama (Default), openai, anthropic.

Wire-Formate (api)

api Endpunkt-Form Auth-Header Hinweise
ollama http://localhost:11434/api/chat Authorization: Bearer (optional) Verhalten wie v0.1.0, unverändert. Modell-Digest-Probe via /api/show.
openai https://.../v1/chat/completions Authorization: Bearer OpenAI-Chat-Completions-Format — sprechen auch vLLM und die meisten selbst gehosteten Inferenz-Server.
anthropic https://api.anthropic.com/v1/messages x-api-key + anthropic-version Messages API: system ist Top-Level-Feld; max_tokens ist Pflicht und steht fest auf 4096.

Ausgaben

Name Typ Beschreibung
response text Die Antwort des Assistants als Plain-Text.
model_endpoint text URL, gegen die die Antwort erzeugt wurde.
model_name text Modell-ID wie an die LLM-API gesendet.
model_digest text SHA-256-Digest des bedienenden Ollama-Modells. Leer bei openai/anthropic — diese APIs bieten keinen Digest; das Feld bleibt leer statt erfunden.
tokens_prompt text Was die Anfrage gekostet hat, nach der Zählung des Backends. Leer, wenn die Antwort keine Zählung enthielt.
tokens_completion text Was die Antwort gekostet hat, gleiche Regel. Ollama zählt in eval_count, das OpenAI-Format in usage.completion_tokens, Anthropic in usage.output_tokens.

Zusammen beantworten die drei model_*-Ausgaben die Audit- Frage: „Welches genaue Modell hat diese Antwort erzeugt?" — diese Spur ist der Grund, warum Flows dieses Modul nutzen statt eigene HTTP-Calls zu sprechen.

Berechtigungen

permissions:
  - "net: localhost"
  - "net: 127.0.0.1"
  - "net: api.openai.com"
  - "net: api.anthropic.com"

Loopback (lokales Ollama / vLLM) per Default. Cloud-Endpunkte brauchen einen Operator-Policy-Override in ~/.chain/config.yaml#security.max_permissions.

Warum dieses Modul statt Inline-HTTP

Drei Gründe:

  1. Audit. Jeder LLM-Aufruf erzeugt model_endpoint, model_name, model_digest als separate Ausgaben, die im hash-verketteten Audit-Log neben der Response landen. Eine Aufsichts-Reproduzierbarkeits-Prüfung vergleicht einfach das Digest-Feld mit dem Modell-Snapshot.
  2. Permission-Posture. Operator:innen sehen llm.chat in den installierten Modulen + dessen deklarierte net:-Liste. Ein hausgemachtes HTTP-Modul würde seine Endpunkte entweder verstecken oder bei jeder Installation eine frische Review-Oberfläche schaffen.
  3. Endpunkt-Portabilität. Endpunkt, Modell und Wire-Format sind Flow-Inputs, keine Compile-Time-Konstanten. Derselbe Flow läuft in der Entwicklung gegen localhost:11434 und in Produktion gegen ein vLLM-Cluster — nur die Eingaben wechseln.

Grenzen in v0.2.0

  • Kein Streaming. Die ganze Antwort wird gepuffert, bevor der Output-Step feuert.
  • Keine Tool-Call- / Function-Call-Oberfläche. Ein Flow, der Tool-Use braucht, kombiniert mehrere llm.chat-Schritte mit Prompt-Engineering oder nutzt MCP via Bridge.
  • Anthropic-max_tokens steht fest auf 4096 (die API verlangt das Feld; eine konfigurierbare Eingabe kommt, sobald ein Flow sie braucht).

Beispiel-Flows

name: classify-incoming
inputs:
  text: text
steps:
  - id: classify
    use: llm.chat@^0
    with:
      prompt: $inputs.text
      system_prompt: |
        Klassifiziere den Text als: question, complaint,
        feedback, spam. Antworte nur mit dem Label.
      endpoint: "http://localhost:11434/api/chat"
      model: "qwen2.5:14b"
outputs:
  category: $classify.response
  audit_model: $classify.model_digest

Gegen einen vLLM-Server (OpenAI-kompatibel):

steps:
  - id: classify
    use: llm.chat@^0
    with:
      api: "openai"
      endpoint: "http://inference.internal:8000/v1/chat/completions"
      model: "meta-llama/Llama-3.1-8B-Instruct"
      prompt: $inputs.text

Gegen die Anthropic Messages API:

steps:
  - id: classify
    use: llm.chat@^0
    with:
      api: "anthropic"
      endpoint: "https://api.anthropic.com/v1/messages"
      model: "claude-fable-5"
      api_key: $inputs.anthropic_key
      prompt: $inputs.text

Build

cargo build --release --target wasm32-wasip2
# Ausgabe: target/wasm32-wasip2/release/llm_chat.wasm

Ein lokales Modell geladen halten

Ollama entlädt ein Modell fünf Minuten nach der letzten Anfrage. Die nächste Anfrage zahlt dann den vollen Ladevorgang, bei einem großen lokalen Modell 30 bis 40 Sekunden: lang genug, dass ein Bediener einen Defekt vermutet.

keep_alive setzt dieses Fenster je Anfrage:

- id: antwort
  use: llm.chat@^0.2
  with:
    endpoint: http://localhost:11434/api/chat
    model: qwen2.5:7b
    keep_alive: "4h"
    prompt: $inputs.frage

Gegen ein laufendes Ollama gemessen (07.10.2026): ohne den Eingang lief das Modell 5:02 nach der Anfrage ab, mit keep_alive: "90s" nach 92 Sekunden. Zu beachten: Ollama behält den Wert für die geladene Instanz, eine spätere Anfrage ohne keep_alive fällt also erst dann wieder auf fünf Minuten zurück, wenn das Modell zwischendurch entladen wurde.

-1 wird als Zahl gesendet, nicht als Zeichenkette, weil Ollama nur die numerische Form als „nie entladen" liest.

Diese Einstellung gibt es nur bei Ollama. Mit api: openai, vllm oder anthropic wird der Eingang abgelehnt statt ignoriert: er drückt eine Erwartung an den Server aus, und ein stilles Verwerfen würde Sie den Ladevorgang zahlen lassen, während Sie ihn für erledigt halten. Bei vLLM und OpenAI-kompatiblen Servern wird die Verweildauer am Server eingestellt.