docs: 添加项目 README 文档

内容:
- 项目背景: LLM 路由的必要性，灵感来源 tx402.ai
- 核心方法: NVIDIA 多头分类器 8 维度分析 + 综合评分公式
- 技术架构: FastAPI + NVIDIA Classifier + LiteLLM 分层架构
- Apple Silicon 优化: MPS + FP16 加速说明
- 实现效果: 路由准确性表格、成本优化数据（16次调用$0.011）
- 路由延迟: M4 Pro 稳态 60-90ms，占 LLM 调用 < 2%
- 快速开始: 安装/配置/启动完整指南
- API 使用: Python OpenAI SDK 示例和响应格式说明
- 项目结构和后续计划

README.md

@@ -0,0 +1,281 @@
+# LLM Compass
+
+智能 LLM 路由服务，基于 NVIDIA 多头分类器和 Apple Silicon MPS 加速，为查询自动选择最优模型，兼顾质量与成本。
+
+---
+
+## 项目背景
+
+在大规模使用 LLM 的场景中，不同复杂度的查询适合不同规格的模型：
+- 简单问候用 `qwen-flash` 即可，成本低、延迟小
+- 代码生成需要 `qwen-plus` 保证质量
+- 复杂分析任务才值得调用 `qwen-max`
+
+手动选择模型效率低下，而全部使用最强模型又浪费成本。**LLM Compass** 的目标是自动为每个查询选择"刚刚好"的模型。
+
+灵感来源于 [tx402.ai](https://tx402.ai) 的三层路由架构，本项目采用开源 NVIDIA 多头分类器实现了类似能力。
+
+---
+
+## 核心方法
+
+### NVIDIA 多头分类器
+
+采用 [nvidia/prompt-task-and-complexity-classifier](https://huggingface.co/nvidia/prompt-task-and-complexity-classifier)（184M 参数，DeBERTa-v3-base 架构）：
+
+```
+用户查询 → DeBERTa Backbone → 8个分类头 → 综合评分 → 3-tier路由
+                                    ↓
+                    task_type (12类)
+                    creativity (3类)
+                    reasoning (2类)
+                    domain_knowledge (4类)
+                    contextual_knowledge
+                    number_of_few_shots
+                    no_label_reason
+                    constraint_ct
+```
+
+### 复杂度评分公式
+
+```python
+score = (
+    0.4 * domain_knowledge  +  # High=1.0, Medium=0.6, Low=0.3, No=0.0
+    0.3 * reasoning         +  # Yes=1.0, No=0.0
+    0.2 * creativity        +  # High=1.0, Low=0.4, No=0.0
+    0.1 * task_type            # Code=0.8, QA=0.5, Chatbot=0.2, ...
+)
+
+# 3-tier 路由
+score < 0.35   → simple  → qwen-flash
+0.35 ≤ score < 0.65 → medium → qwen-plus
+score ≥ 0.65   → complex → qwen-max
+```
+
+---
+
+## 技术架构
+
+```
+┌──────────────────────────────────────────────────────────┐
+│                    LLM Compass                            │
+├──────────────────────────────────────────────────────────┤
+│  API Layer: FastAPI (OpenAI 兼容)                        │
+│  ├─ POST /v1/chat/completions (流式/非流式)              │
+│  ├─ GET  /v1/models                                      │
+│  ├─ GET  /stats                                          │
+│  └─ GET  /docs (Swagger UI)                              │
+├──────────────────────────────────────────────────────────┤
+│  Routing Layer: NVIDIA Multi-Head Classifier (184M)      │
+│  ├─ 8 维度查询分析                                       │
+│  ├─ 综合复杂度评分                                       │
+│  └─ 3-tier 智能路由                                      │
+├──────────────────────────────────────────────────────────┤
+│  LLM Backend: LiteLLM (多提供商统一接口)                 │
+│  ├─ DashScope (Qwen)                                     │
+│  ├─ OpenAI (GPT)                                         │
+│  ├─ Anthropic (Claude)                                   │
+│  └─ Google (Gemini)                                      │
+└──────────────────────────────────────────────────────────┘
+```
+
+### Apple Silicon 优化 (M4 Pro)
+
+- **MPS 加速**: 使用 Metal Performance Shaders GPU 后端
+- **FP16 推理**: 半精度浮点，避免 MPS 矩阵乘法类型冲突
+- **统一内存**: M4 Pro 64GB 统一内存，模型加载零拷贝
+
+---
+
+## 实现效果
+
+### 路由准确性
+
+| 查询示例 | Tier | Score | 路由模型 |
+|---------|------|-------|---------|
+| "你好" | simple | 0.17 | qwen-flash |
+| "1+1等于几" | simple | 0.17 | qwen-flash |
+| "Write quicksort in Python" | medium | 0.45 | qwen-plus |
+| "分析深度学习的注意力机制原理" | medium | 0.47 | qwen-plus |
+| "请详细分析量子计算对密码学的影响" | complex | 0.72 | qwen-max |
+
+### 成本优化
+
+根据实际调用统计：
+- **16 次调用总成本**: $0.011
+- **模型分布**: qwen-flash 87.5% (14次), qwen-plus 12.5% (2次)
+- **任务类型**: 主要为 Open QA (13次)
+- **复杂度分布**: simple 73%, medium 13%
+
+---
+
+## 路由延迟
+
+| 环境 | 首次加载 | 稳态延迟 | 备注 |
+|------|---------|---------|------|
+| **M4 Pro MPS + FP16** | ~2s (模型加载) | **~60-90ms** | 当前生产环境 |
+| x86 CPU | ~3s | ~100-150ms | Docker 容器 |
+| NVIDIA 官方报告 | - | 5-15ms | 数据中心 CPU |
+
+**说明**：
+- 首次加载包含模型下载和 MPS kernel 编译，后续请求无需重新加载
+- 稳态延迟约 60-90ms，其中分类器推理 ~53ms，其余为 FastAPI 开销
+- 对于 LLM 调用本身（通常 2-10s），路由开销占比 < 2%
+
+---
+
+## 快速开始
+
+### 前置要求
+
+- Python 3.12+
+- macOS (Apple Silicon 推荐，支持 MPS 加速)
+- DashScope API Key（阿里云 Qwen）
+
+### 安装
+
+```bash
+# 1. 克隆项目
+git clone <repo-url>
+cd llm-compass
+
+# 2. 创建虚拟环境
+python3 -m venv .venv
+source .venv/bin/activate
+
+# 3. 安装依赖
+pip install -r requirements.txt
+
+# 4. 配置 API Key
+cp .env.example .env
+# 编辑 .env 填入 DASHSCOPE_API_KEY
+```
+
+### 启动服务
+
+```bash
+./start.sh           # 默认端口 8402
+./start.sh 9000      # 自定义端口
+```
+
+### 测试
+
+```bash
+# 健康检查
+curl http://localhost:8402/health
+
+# API 测试 (自动路由)
+curl http://localhost:8402/v1/chat/completions \
+  -H "Content-Type: application/json" \
+  -d '{"messages":[{"role":"user","content":"你好"}]}'
+
+# Swagger UI
+# 访问 http://localhost:8402/docs
+```
+
+---
+
+## API 使用
+
+### OpenAI 兼容接口
+
+```python
+from openai import OpenAI
+
+client = OpenAI(
+    base_url="http://localhost:8402/v1",
+    api_key="not-needed"  # 可选
+)
+
+# 自动路由（推荐）
+response = client.chat.completions.create(
+    messages=[{"role": "user", "content": "解释量子计算"}]
+)
+print(response.choices[0].message.content)
+print(response.routing)  # 路由详情
+
+# 指定模型
+response = client.chat.completions.create(
+    model="qwen-plus",
+    messages=[{"role": "user", "content": "写一个排序算法"}]
+)
+```
+
+### 响应格式
+
+```json
+{
+  "id": "chatcmpl-xxx",
+  "model": "qwen-flash",
+  "choices": [{"message": {"content": "..."}}],
+  "usage": {"prompt_tokens": 13, "completion_tokens": 25, "total_tokens": 38},
+  "routing": {
+    "method": "nvidia_classifier",
+    "tier": "simple",
+    "complexity_score": 0.17,
+    "task_type": "Open QA",
+    "domain_knowledge": "Low",
+    "reasoning": false,
+    "creativity": "No",
+    "routing_latency_ms": 63.27
+  }
+}
+```
+
+---
+
+## 技术栈
+
+- **Web 框架**: FastAPI + Uvicorn
+- **路由模型**: NVIDIA Multi-Head Classifier (DeBERTa-v3-base)
+- **LLM 调用**: LiteLLM (多提供商统一接口)
+- **GPU 加速**: PyTorch MPS (Metal Performance Shaders)
+- **Token 计算**: tiktoken
+
+---
+
+## 项目结构
+
+```
+llm-compass/
+├── main.py                 # FastAPI 主服务
+├── nvidia_router.py        # NVIDIA 分类器实现
+├── config.py               # 模型配置和路由阈值
+├── start.sh                # 启动脚本
+├── .env                    # 环境变量（不提交到 Git）
+├── .env.example            # 环境变量模板
+├── requirements.txt        # Python 依赖
+├── Dockerfile              # Docker 构建文件
+├── docker-compose.yml      # Docker Compose 配置
+├── data/                   # 调用历史日志（自动创建）
+└── docs/                   # 技术文档
+    └── llm-router-open-source-research.md
+```
+
+---
+
+## 已知限制
+
+1. **路由维度**: 当前仅支持 3 个 Qwen 模型，可扩展至 40+ 模型
+2. **在线学习**: 缺少多臂老虎机等在线学习机制
+3. **语义缓存**: 未实现查询缓存优化
+4. **Docker MPS**: macOS Docker 容器无法使用 Metal GPU，需原生运行
+
+---
+
+## 后续计划
+
+- [ ] Layer 2: 多臂老虎机在线学习 (Thompson Sampling)
+- [ ] Layer 3: 语义缓存 + 批量优化
+- [ ] 扩展模型池至 40+ 模型
+- [ ] 基于业务数据微调 NVIDIA 分类器
+
+---
+
+## 许可证
+
+Apache 2.0
+
+---
+
+**LLM Compass** - 让每个查询都找到最优的模型。

docker-compose.yml

@@ -3,11 +3,11 @@ services:
     build: .
     container_name: llm-compass
     ports:
-      - "8000:8000"
+      - "402:8000"
     environment:
       - DASHSCOPE_API_KEY=${DASHSCOPE_API_KEY}
     volumes:
-      - compass-data:/app/data
+      - ./data:/app/data
     restart: unless-stopped
     healthcheck:
       test: ["CMD", "python", "-c", "import urllib.request; urllib.request.urlopen('http://localhost:8000/health')"]

main.py

@@ -58,23 +58,33 @@ _load_history()
 
 
 # ── OpenAI 兼容请求/响应模型 ────────────────────────────────
+from pydantic import BaseModel, Field
 class ChatMessage(BaseModel):
-    role: str
-    content: Optional[str] = None
-    name: Optional[str] = None
+    role: str = Field(..., description="角色：system, user, assistant", example="user")
+    content: Optional[str] = Field(None, description="消息内容", example="你好，介绍一下你自己")
+    name: Optional[str] = Field(None, description="可选的名称")
 
 class ChatCompletionRequest(BaseModel):
-    model: Optional[str] = None
-    messages: List[ChatMessage]
-    temperature: Optional[float] = 0.7
-    max_tokens: Optional[int] = None
-    stream: Optional[bool] = False
-    top_p: Optional[float] = 1.0
-    n: Optional[int] = 1
-    stop: Optional[Any] = None
-    presence_penalty: Optional[float] = 0.0
-    frequency_penalty: Optional[float] = 0.0
-    user: Optional[str] = None
+    model: Optional[str] = Field(
+        None, 
+        description="模型名称（留空时自动使用 NVIDIA 分类器智能路由）",
+        example="qwen-plus",
+        json_schema_extra={"examples": ["", "qwen-flash", "qwen-plus", "qwen-max"]}
+    )
+    messages: List[ChatMessage] = Field(
+        ..., 
+        description="对话消息列表",
+        example=[{"role": "user", "content": "你好，介绍一下你自己"}]
+    )
+    temperature: Optional[float] = Field(0.7, ge=0, le=2, description="随机性 (0-2)")
+    max_tokens: Optional[int] = Field(None, description="最大生成 token 数（留空时使用模型默认值）", example=2048)
+    stream: Optional[bool] = Field(False, description="是否使用流式输出")
+    top_p: Optional[float] = Field(1.0, ge=0, le=1, description="核采样参数")
+    n: Optional[int] = Field(1, ge=1, le=10, description="生成回复数量")
+    stop: Optional[Any] = Field(None, description="停止词")
+    presence_penalty: Optional[float] = Field(0.0, ge=-2, le=2, description="存在惩罚")
+    frequency_penalty: Optional[float] = Field(0.0, ge=-2, le=2, description="频率惩罚")
+    user: Optional[str] = Field(None, description="用户标识")
 
 
 # ── FastAPI App ──────────────────────────────────────────────
@@ -281,13 +291,18 @@ async def chat_completions(request: ChatCompletionRequest):
     
     # 3. 非流式响应
     start_time = time.time()
+    
+    # 构建请求参数（过滤掉 None 和 0 的 max_tokens）
+    completion_kwargs = {
+        "model": provider_model,
+        "messages": messages_raw,
+        "temperature": request.temperature,
+    }
+    if request.max_tokens and request.max_tokens > 0:
+        completion_kwargs["max_tokens"] = request.max_tokens
+    
     try:
-        response = await acompletion(
-            model=provider_model,
-            messages=messages_raw,
-            temperature=request.temperature,
-            max_tokens=request.max_tokens,
-        )
+        response = await acompletion(**completion_kwargs)
         latency_ms = (time.time() - start_time) * 1000
         
         input_tokens = response.usage.prompt_tokens
@@ -328,13 +343,17 @@ async def _stream_response(
     output_tokens = 0
     
     try:
-        response = await acompletion(
-            model=provider_model,
-            messages=messages_raw,
-            temperature=request.temperature,
-            max_tokens=request.max_tokens,
-            stream=True,
-        )
+        # 构建请求参数（过滤掉 None 和 0 的 max_tokens）
+        completion_kwargs = {
+            "model": provider_model,
+            "messages": messages_raw,
+            "temperature": request.temperature,
+            "stream": True,
+        }
+        if request.max_tokens and request.max_tokens > 0:
+            completion_kwargs["max_tokens"] = request.max_tokens
+        
+        response = await acompletion(**completion_kwargs)
         
         async for chunk in response:
             delta = chunk.choices[0].delta

nvidia_router.py

@@ -10,11 +10,12 @@ NVIDIA Prompt Task & Complexity Classifier Router
 
 import torch
 import torch.nn as nn
-from transformers import AutoTokenizer, DebertaV2Model, AutoConfig
+from transformers import AutoTokenizer, DebertaV2Model, DebertaV2Config
 from safetensors.torch import load_file
 from huggingface_hub import hf_hub_download
 from typing import Dict, Optional
 import logging
+import json
 
 logger = logging.getLogger(__name__)
 
@@ -115,7 +116,16 @@ class NvidiaComplexityRouter:
     # Creativity 映射
     CREATIVITY_MAP = {0: "High", 1: "Low", 2: "No"}
     
-    def __init__(self, device: str = "cpu"):
+    def __init__(self, device: str = "auto"):
+        if device == "auto":
+            if torch.backends.mps.is_available():
+                device = "mps"
+                logger.info("MPS (Metal GPU) detected, using MPS acceleration")
+            elif torch.cuda.is_available():
+                device = "cuda"
+            else:
+                device = "cpu"
+                logger.info("No GPU detected, using CPU")
         self.device = device
         self.tokenizer = None
         self.model = None
@@ -129,8 +139,18 @@ class NvidiaComplexityRouter:
         
         logger.info(f"Loading NVIDIA classifier: {self.MODEL_NAME}")
         
-        # 1. 加载 config
-        self.config = AutoConfig.from_pretrained(self.MODEL_NAME)
+        # 1. 手动加载自定义 config.json（该模型无 model_type，AutoConfig 不兼容）
+        config_path = hf_hub_download(self.MODEL_NAME, "config.json")
+        with open(config_path, "r") as f:
+            custom_config = json.load(f)
+        
+        # 构建 backbone 的 DeBERTa config（从 base_model 加载）
+        base_model = custom_config.get("base_model", "microsoft/DeBERTa-v3-base")
+        self.config = DebertaV2Config.from_pretrained(base_model)
+        # 保存自定义分类头参数
+        self.config.target_sizes = custom_config["target_sizes"]
+        self.config.fc_dropout = custom_config.get("fc_dropout", 0.2)
+        self.config.base_model = base_model
         
         # 2. 加载 tokenizer (slow模式，兼容性好)
         self.tokenizer = AutoTokenizer.from_pretrained(self.MODEL_NAME, use_fast=False)
@@ -143,9 +163,13 @@ class NvidiaComplexityRouter:
         self.model.load_state_dict(state_dict, strict=False)
         
         self.model.to(self.device)
+        # MPS 需要 float16 以避免矩阵乘法数据类型冲突
+        if self.device == "mps":
+            self.model.half()
         self.model.eval()
         self._initialized = True
-        logger.info("NVIDIA classifier loaded successfully")
+        dtype = "float16" if self.device == "mps" else "float32"
+        logger.info(f"NVIDIA classifier loaded successfully on {self.device} ({dtype})")
     
     def predict(self, query: str) -> Dict:
         """

start.sh

@@ -0,0 +1,48 @@
+#!/bin/bash
+# LLM Compass 启动脚本
+# 用法: ./start.sh [端口号]
+
+set -e
+
+# 默认端口
+PORT=${1:-8402}
+
+# 获取脚本所在目录
+SCRIPT_DIR="$(cd "$(dirname "$0")" && pwd)"
+cd "$SCRIPT_DIR"
+
+# 检查虚拟环境
+if [ ! -d ".venv" ]; then
+    echo "❌ 虚拟环境不存在，请先运行:"
+    echo "   python3 -m venv .venv"
+    echo "   .venv/bin/pip install -r requirements.txt"
+    exit 1
+fi
+
+# 检查 .env 文件
+if [ ! -f ".env" ]; then
+    echo "❌ .env 文件不存在，请创建并配置 API Key"
+    echo "   cp .env.example .env"
+    echo "   编辑 .env 填入 DASHSCOPE_API_KEY"
+    exit 1
+fi
+
+# 加载环境变量
+export DASHSCOPE_API_KEY=$(grep DASHSCOPE_API_KEY .env | cut -d= -f2)
+
+if [ -z "$DASHSCOPE_API_KEY" ]; then
+    echo "❌ DASHSCOPE_API_KEY 未设置，请检查 .env 文件"
+    exit 1
+fi
+
+echo "🚀 启动 LLM Compass 服务..."
+echo "📍 地址: http://localhost:${PORT}"
+echo "📖 API 文档: http://localhost:${PORT}/docs"
+echo "🔧 路由方式: NVIDIA MPS 加速 (M4 Pro GPU)"
+echo ""
+
+# 启动服务
+exec .venv/bin/python -m uvicorn main:app \
+    --host 0.0.0.0 \
+    --port "$PORT" \
+    --log-level info