メインコンテンツへスキップ
Modelタイプのプラグインを作成する最初のステップは、プラグインプロジェクトを初期化し、モデルプロバイダーファイルを作成することです。その後、具体的な事前定義済み/カスタムモデルのコードを記述します。既存のモデルプロバイダーに新しいモデルを追加したいだけの場合は、新しいモデルの迅速な統合を参照してください。

​
事前準備

  • Dify プラグインスケルトンツール
  • Python 環境、バージョン ≥ 3.12
プラグイン開発用のスケルトンツールを準備する方法の詳細については、開発ツールの初期化を参照してください。開始する前に、モデルプラグインの基本的な概念と構造を理解することをお勧めします。

​
新規プロジェクトの作成

スケルトンコマンドラインツールのパスで、新しい Dify プラグインプロジェクトを作成します。 
./dify-plugin-darwin-arm64 plugin init
このバイナリファイルを dify にリネームし、/usr/local/bin パスにコピーした場合、次のコマンドを実行して新しいプラグインプロジェクトを作成できます： 
dify plugin init

​
モデルプラグインテンプレートの選択

スケルトンツール内のすべてのテンプレートには、完全なコードプロジェクトが提供されています。LLM タイプのプラグインテンプレートを選択します。 プラグインタイプ: llm

​
プラグイン権限の設定

このLLMプラグインに次の権限を設定します：
  • Models
  • LLM
  • Storage
モデルプラグイン権限

​
モデルタイプ設定の説明

モデルプロバイダーは、以下の2つのモデル設定方法をサポートしています：
  • predefined-model 事前定義済みモデル 一般的な大規模モデルタイプで、統一されたプロバイダーの認証情報を設定するだけで、プロバイダー下の事前定義済みモデルを使用できます。例えば、OpenAI モデルプロバイダーは gpt-3.5-turbo-0125 や gpt-4o-2024-05-13 などの一連の事前定義済みモデルを提供しています。詳細な開発手順については、事前定義済みモデルの統合を参照してください。
  • customizable-model カスタムモデル 各モデルの認証情報設定を手動で追加する必要があります。例えば Xinference は、LLMとText Embeddingの両方をサポートしていますが、各モデルには一意の model_uid があります。両方を同時に統合したい場合は、各モデルに model_uid を設定する必要があります。詳細な開発手順については、カスタムモデルの統合を参照してください。
2つの設定方法は共存をサポートしており、つまり、プロバイダーが predefined-model + customizable-model または predefined-model などをサポートする場合、プロバイダーの統一された認証情報を設定することで、事前定義済みモデルとリモートから取得したモデルを使用できます。新しいモデルを追加した場合は、これに加えてカスタムモデルを使用できます。

​
新しいモデルプロバイダーの追加

新しいモデルプロバイダーを追加するには、主に次の手順が含まれます：
  1. モデルプロバイダー設定YAMLファイルの作成 プロバイダーディレクトリに新しいYAMLファイルを追加し、プロバイダーの基本情報とパラメータ設定を記述します。ProviderSchemaの要件に従って内容を記述し、システム仕様との一貫性を確保します。
  2. モデルプロバイダーコードの記述 プロバイダーのクラスコードを作成し、システムのインターフェース要件に準拠したPythonクラスを実装して、プロバイダーのAPIと連携し、コア機能を実現します。
以下は、各ステップの完全な操作詳細です。

​
1. モデルプロバイダー設定ファイルの作成

ManifestはYAML形式のファイルであり、モデルプロバイダーの基本情報、サポートされるモデルタイプ、設定方法、認証情報ルールを宣言します。プラグインプロジェクトテンプレートは、/providers パスに設定ファイルを自動的に生成します。 以下は、Anthropic モデル設定ファイル anthropic.yaml のサンプルコードです： 
provider: anthropic
label:
  en_US: Anthropic
description:
  en_US: Anthropic's powerful models, such as Claude 3.
  zh_Hans: Anthropic の強力なモデル、例えば Claude 3。
icon_small:
  en_US: icon_s_en.svg
icon_large:
  en_US: icon_l_en.svg
background: "#F0F0EB"
help:
  title:
    en_US: Get your API Key from Anthropic
    zh_Hans: Anthropic から API キーを取得
  url:
    en_US: https://console.anthropic.com/account/keys
supported_model_types:
  - llm
configurate_methods:
  - predefined-model
provider_credential_schema:
  credential_form_schemas:
    - variable: anthropic_api_key
      label:
        en_US: API Key
      type: secret-input
      required: true
      placeholder:
        zh_Hans: ここに API キーを入力してください
        en_US: Enter your API Key
    - variable: anthropic_api_url
      label:
        en_US: API URL
      type: text-input
      required: false
      placeholder:
        zh_Hans: ここに API URL を入力してください
        en_US: Enter your API URL
models:
  llm:
    predefined:
      - "models/llm/*.yaml"
    position: "models/llm/_position.yaml"
extra:
  python:
    provider_source: provider/anthropic.py
    model_sources:
      - "models/llm/llm.py"
接続するプロバイダーがカスタムモデルを提供する場合、例えばOpenAIがファインチューニングモデルを提供する場合、model_credential_schema フィールドを追加する必要があります。 以下は OpenAI ファミリーモデルのサンプルコードです： 
model_credential_schema:
  model: # ファインチューニングモデル名
    label:
      en_US: Model Name
      zh_Hans: モデル名
    placeholder:
      en_US: Enter your model name
      zh_Hans: モデル名を入力
  credential_form_schemas:
  - variable: openai_api_key
    label:
      en_US: API Key
    type: secret-input
    required: true
    placeholder:
      zh_Hans: ここに API キーを入力してください
      en_US: Enter your API Key
  - variable: openai_organization
    label:
        zh_Hans: 組織 ID
        en_US: Organization
    type: text-input
    required: false
    placeholder:
      zh_Hans: ここに組織 ID を入力してください
      en_US: Enter your Organization ID
  - variable: openai_api_base
    label:
      zh_Hans: API ベース
      en_US: API Base
    type: text-input
    required: false
    placeholder:
      zh_Hans: ここに API ベースを入力してください
      en_US: Enter your API Base
より完全なモデルプロバイダーYAML仕様については、モデルスキーマドキュメントを参照してください。

​
2. モデルプロバイダーコードの記述

/providers フォルダに同名の Python ファイルを作成します。例えば anthropic.py とし、__base.provider.Provider 基本クラスを継承する class を実装します。例えば AnthropicProvider です。 以下は Anthropic のサンプルコードです： 
import logging
from dify_plugin.entities.model import ModelType
from dify_plugin.errors.model import CredentialsValidateFailedError
from dify_plugin import ModelProvider

logger = logging.getLogger(__name__)


class AnthropicProvider(ModelProvider):
    def validate_provider_credentials(self, credentials: dict) -> None:
        """
        Validate provider credentials

        if validate failed, raise exception

        :param credentials: provider credentials, credentials form defined in `provider_credential_schema`.
        """
        try:
            model_instance = self.get_model_instance(ModelType.LLM)
            model_instance.validate_credentials(model="claude-3-opus-20240229", credentials=credentials)
        except CredentialsValidateFailedError as ex:
            raise ex
        except Exception as ex:
            logger.exception(f"{self.get_provider_schema().provider} credentials validate failed")
            raise ex
プロバイダーは __base.model_provider.ModelProvider 基本クラスを継承し、validate_provider_credentials プロバイダー統一認証情報検証メソッドを実装するだけで済みます。 
def validate_provider_credentials(self, credentials: dict) -> None:
    """
    Validate provider credentials
    You can choose any validate_credentials method of model type or implement validate method by yourself,
    such as: get model list api

    if validate failed, raise exception

    :param credentials: provider credentials, credentials form defined in `provider_credential_schema`.
    """
もちろん、validate_provider_credentials の実装を一旦プレースホルダとして残しておき、モデル認証情報検証メソッドの実装後に直接再利用することも可能です。

​
カスタムモデルプロバイダー

他のタイプのモデルプロバイダーについては、以下の設定方法を参照してください。 Xinference のようなカスタムモデルプロバイダーの場合、完全な実装手順をスキップできます。XinferenceProvider という名前の空のクラスを作成し、その中に空の validate_provider_credentials メソッドを実装するだけです。 詳細説明： • XinferenceProvider は、カスタムモデルプロバイダーを識別するためのプレースホルダクラスです。 • validate_provider_credentials メソッドは実際には呼び出されませんが、存在する必要があります。これは、その親クラスが抽象クラスであり、すべてのサブクラスにこのメソッドの実装を要求するためです。空の実装を提供することで、抽象メソッドが未実装であることによるインスタンス化エラーを回避できます。 
class XinferenceProvider(Provider):
    def validate_provider_credentials(self, credentials: dict) -> None:
        pass
モデルプロバイダーを初期化した後、次にプロバイダーが提供する具体的なLLMモデルを統合する必要があります。詳細については、以下の内容を参照してください：

​
参考リソース

このページを編集する | 問題を報告する