Orqestria Letöltés
← Vissza a katalógushoz

Skill · 1.0.0 verzió

LLM-szolgáltatói adapterek

Egységes alkalmazási szerződést ad az LLM API-k elé, megőrizve a helyes visszajátszáshoz és elszámoláshoz szükséges szolgáltatói részleteket.

llm-provider-adapters

Nézd meg, miben segít

Mikor hasznos?

Akkor használd, ha új modellszolgáltatót vagy CLI-hátteret kapcsolsz be szolgáltatói részletek szétszórása nélkül.

Miben segít neked?

  • Egységesíti a tartalomblokkokat, eszközöket, leállási okot és tokenhasználatot.
  • Megőrzi a szolgáltatói érvelésaláírást és streamjelentést.
  • Osztályozza az újrapróbálható hibákat, lezárja a becsomagolt CLI-folyamatot.

Például ezt kérheted

Adj hozzá szolgáltatót eszközeredmény-vesztés és tokenkorlát miatti hamis befejezés nélkül. Mindkét adapteren játssz vissza eszközhívást, félbeszakadt streamet és tokenkorlátot. Egyezzen az üzenetazonosság, a hiányos válasz legyen jelölt.

Részletes dokumentáció

Itt a skill eredeti útmutatóját, példáit és ellenőrzési szempontjait olvashatod az eredeti nyelven.

Részletek…Összecsukás

LLM Provider Adapters & Fallbacks

Isolate provider-specific wire formats, SDK quirks, and CLI flags behind a narrow, canonical internal interface so application workflows never depend on a single vendor's message schema or streaming protocol.

Canonical Internal Domain Model

Define a provider-neutral contract at the boundary of your LLM gateway:

  • Canonical Message & Content Blocks: Represent turns as ordered blocks (text, thinking / reasoning with opaque cryptographic signature preserved for multi-turn replay, tool_use, tool_result, and image / document attachments).
  • Canonical Tool Definition: JSON Schema inputSchema, description, and behavioral hints (strict, defer_loading, cache_control) translated by each provider adapter into its native format.
  • Canonical Stop Reasons: Normalize provider stop reasons (end_turn/stop, tool_use/tool_calls, max_tokens/length, content_filter/safety, pause_turn) so the runtime state machine handles every model uniformly.
  • Canonical Usage Ledger: Always normalize inputTokens, outputTokens, cacheReadInputTokens, cacheCreationInputTokens, and reasoningTokens into a single TokenUsage struct on every turn.

Provider-Specific Translation Pitfalls

Guard against subtle cross-provider incompatibilities inside the adapter layer:

Area Anthropic Claude OpenAI Responses / Chat Google Gemini Adapter Requirement
System Prompt Top-level system array of blocks with cache_control developer / system role items or instructions systemInstruction content object Keep system instructions separate from the messages array in the canonical request; let the adapter place them.
Tool Results user message containing tool_result content blocks ordered before text Dedicated function_call_output / tool role items per call_id functionResponse parts grouped in a user/function turn Enforce strict 1-to-1 pairing between tool_use.id and tool_result.tool_use_id; coalesce adjacent tool results when a provider requires a single turn.
Thinking / Reasoning Blocks thinking & redacted_thinking blocks with signature must be echoed unmodified during tool loops reasoning items with encrypted content or summary thought: true parts with thoughtSignature Store reasoning blocks verbatim in turn history; if switching providers mid-run, strip vendor-specific signatures and keep only plain-text summaries if permitted.
Strict JSON Schemas Requires explicit "additionalProperties": false on objects Strict mode requires all properties in required (use nullable types for optional fields) Subset of OpenAPI/JSON Schema keywords supported Run a schema normalizer per provider before sending tool or structured-output definitions.

Resilient Retries, Circuit Breakers & Model Fallbacks

  1. Classify errors before retrying:
    • Retryable transient: HTTP 408, 429 (respect Retry-After / x-ratelimit-reset-* headers), 500, 502, 503, 529 (overloaded), or mid-stream socket reset before irreversible side effects. Use exponential backoff with full jitter.
    • Context window overflow (400 context_length_exceeded): Do not blind-retry or switch to a smaller model. Trigger emergency context compaction or tool-output truncation and retry once.
    • Non-retryable client error (400 invalid_request, 401, 403): Fail immediately with a structured diagnostic error; inspect schema translation bugs.
  2. Safe cross-model fallback:
    • Maintain an ordered fallback chain (primaryModel $\rightarrow$ fallbackModels) with capability tags (supportsTools, supportsVision, supportsStructuredOutput, maxContextTokens).
    • Only fall back to a model that satisfies all capabilities required by the current turn (e.g., never fall back to a model without tool support during an active tool loop).
    • When switching providers mid-conversation, re-serialize the canonical transcript through the target provider's adapter so vendor-specific blocks (thinking signatures, cache markers, tool ID formats matching ^[a-zA-Z0-9_-]+$) are sanitized cleanly.
  3. CLI Agent Wrappers: When wrapping headless CLI agents (e.g., Claude Code, Codex CLI, Gemini CLI), communicate via structured JSONL streams (--output-format stream-json), enforce process-group cleanup (kill(-pid)), isolate working directories, and parse exit codes and stderr into the same canonical AgentRunResult.

Csomagban lévő fájlok 1

  • SKILL.md

A skillcsomag bemutatása

llm-provider-adapters

llm-provider-adapters: AI-ügynökfunkciókat épít egyértelmű eszközszerződésekkel, szabályozott jogosultságokkal, tartós állapottal és követhető modellműködéssel.

Részletek…Összecsukás

llm-provider-adapters

llm-provider-adapters: AI-ügynökfunkciókat épít egyértelmű eszközszerződésekkel, szabályozott jogosultságokkal, tartós állapottal és követhető modellműködéssel.

A teljes skillt és a hozzá tartozó fájlokat tartalmazza (1 fájl). Az alábbi eredeti leírás rögzíti a pontos alkalmazási területét.

A skill eredeti leírása (a forrás nyelvén)

Use when integrating LLM APIs (Anthropic, OpenAI, Google Gemini, local/open-weight models) or agent CLIs, designing provider-agnostic message and tool abstractions, or implementing model routing, retries, and fallbacks.

Telepítsd a skillt, nézd át a forrását és a megbízhatósági beállításait, majd engedélyezd a megfelelő projektben vagy ügynöknél.

Előfeltételek

  • A számítógépedre telepített Orqestria.