🚅 LiteLLM

<p align="center">
    <p align="center">AI-шлюз LiteLLM
    </p>
    <p align="center">Открытый AI-шлюз для 100+ LLM. Самостоятельный хостинг. Готовность для Enterprise. Вызов любой LLM в формате OpenAI.</p>
    <p align="center">
    <a href="https://render.com/deploy?repo=https://github.com/BerriAI/litellm" target="_blank" rel="nofollow"><img src="https://render.com/images/deploy-to-render-button.svg" alt="Deploy to Render"></a>
    <a href="https://railway.com/deploy/RhvhdC?referralCode=7mRv9K&utm_medium=integration&utm_source=template&utm_campaign=generic">

Прокси-сервер LiteLLM (AI-шлюз) | Хостинговый прокси | Enterprise уровень | Веб-сайт

Что такое LiteLLM

LiteLLM — это открытый AI-шлюз, которыйпредоставляет единый, унифицированный интерфейс для вызова более 100 провайдеров LLM — OpenAI, Anthropic, Gemini, Bedrock, Azure и других — с использованием формата OpenAI.

Используйте его как Python SDK для прямой интеграции с библиотекой или развёртывайте AI-шлюз (прокси-сервер) в качестве централизованной службы для вашей команды или организации.

Перейти к документации Прокси LiteLLM (Шлюз LLM)
Перейти к поддерживаемым провайдерам LLM

Зачем нужен LiteLLM

Управление вызовами LLM от разных провайдеров быстро становится сложным — разные SDK, схемы аутентификации, форматы запросов и типы ошибок для каждой модели. LiteLLM устраняет это неудобство:

• Единый API — один интерфейс для 100+ LLM, без необходимости переключаться между SDK разных провайдеров.
• Замена с совместимостью OpenAI — меняйте провайдеров без переписывания кода.
• Готовый к продакшну шлюз — виртуальные ключи, отслеживание расходов, защитные ограничения (guardrails), балансировка нагрузки и панель администратора из коробки.
• Латентность 8 мс (P95) при 1k RPS (бенчмарки).

Пользователи Open Source

Netflix

Возможности

LLM - Вызов 100+ LLM (Python SDK + AI-шлюз)

Все поддерживаемые эндпоинты - /chat/completions, /responses, /embeddings, /images, /audio, /batches, /rerank, /a2a, /messages и другие.

Python SDK

uv add litellm

from litellm import completion
import os

os.environ["OPENAI_API_KEY"] = "your-openai-key"
os.environ["ANTHROPIC_API_KEY"] = "your-anthropic-key"

# OpenAI
response = completion(model="openai/gpt-4o", messages=[{"role": "user", "content": "Hello!"}])

# Anthropic  
response = completion(model="anthropic/claude-sonnet-4-20250514", messages=[{"role": "user", "content": "Hello!"}])

AI-шлюз (Прокси-сервер)

Начало работы - Пошаговый урок - Настройка виртуальных ключей, первый запрос

uv tool install 'litellm[proxy]'
litellm --model gpt-4o

import openai

client = openai.OpenAI(api_key="anything", base_url="http://0.0.0.0:4000")
response = client.chat.completions.create(
  model="gpt-4o",
  messages=[{"role": "user", "content": "Hello!"}]
)

Документация: Провайдеры LLM

Агенты - Вызов A2A-агентов (Python SDK + AI-шлюз)

Поддерживаемые провайдеры - LangGraph, Vertex AI Agent Engine, Azure AI Foundry, Bedrock AgentCore, Pydantic AI

Python SDK - Протокол A2A

from litellm.a2a_protocol import A2AClient
from a2a.types import SendMessageRequest, MessageSendParams
from uuid import uuid4

client = A2AClient(base_url="http://localhost:10001")

request = SendMessageRequest(
  id=str(uuid4()),
  params=MessageSendParams(
      message={
          "role": "user",
          "parts": [{"kind": "text", "text": "Hello!"}],
          "messageId": uuid4().hex,
      }
  )
)
response = await client.send_message(request)

AI-шлюз (Прокси-сервер)

Шаг 1. Добавьте вашего агента в AI-шлюз

Шаг 2. Вызовите агента через A2A SDK

from a2a.client import A2ACardResolver, A2AClient
from a2a.types import MessageSendParams, SendMessageRequest
from uuid import uuid4
import httpx

base_url = "http://localhost:4000/a2a/my-agent"  # Прокси LiteLLM + имя агента
headers = {"Authorization": "Bearer sk-1234"}    # Виртуальный ключ LiteLLM

async with httpx.AsyncClient(headers=headers) as httpx_client:
  resolver = A2ACardResolver(httpx_client=httpx_client, base_url=base_url)
  agent_card = await resolver.get_agent_card()
  client = A2AClient(httpx_client=httpx_client, agent_card=agent_card)

  request = SendMessageRequest(
      id=str(uuid4()),
      params=MessageSendParams(
          message={
              "role": "user",
              "parts": [{"kind": "text", "text": "Hello!"}],
              "messageId": uuid4().hex,
          }
      )
  )
  response = await client.send_message(request)

Документация: A2A-шлюз для агентов

MCP-инструменты - Подключение MCP-серверов к любой LLM (Python SDK + AI-шлюз)

Python SDK - MCP-мост

from mcp import ClientSession, StdioServerParameters
from mcp.client.stdio import stdio_client
from litellm import experimental_mcp_client
import litellm

server_params = StdioServerParameters(command="python", args=["mcp_server.py"])

async with stdio_client(server_params) as (read, write):
  async with ClientSession(read, write) as session:
      await session.initialize()

      # Загрузка MCP-инструментов в формате OpenAI
      tools = await experimental_mcp_client.load_mcp_tools(session=session, format="openai")

      # Использование с любой моделью LiteLLM
      response = await litellm.acompletion(
          model="gpt-4o",
          messages=[{"role": "user", "content": "What's 3 + 5?"}],
          tools=tools
      )

AI-шлюз - MCP-шлюз

Шаг 1. Добавьте ваш MCP-сервер в AI-шлюз

Шаг 2. Вызовите MCP-инструменты через /chat/completions

curl -X POST 'http://0.0.0.0:4000/v1/chat/completions' \
-H 'Authorization: Bearer sk-1234' \
-H 'Content-Type: application/json' \
-d '{
  "model": "gpt-4o",
  "messages": [{"role": "user", "content": "Summarize the latest open PR"}],
  "tools": [{
    "type": "mcp",
    "server_url": "litellm_proxy/mcp/github",
    "server_label": "github_mcp",
    "require_approval": "never"
  }]
}'

Использование с Cursor IDE

{
"mcpServers": {
  "LiteLLM": {
    "url": "http://localhost:4000/mcp/",
    "headers": {
      "x-litellm-api-key": "Bearer sk-1234"
    }
  }
}
}

Документация: MCP-шлюз

Поддерживаемые провайдеры (Модели на сайте | Документация)