Partilhar via

Limitar o uso de token de API de modelo de linguagem grande

  • Artigo

APLICA-SE A: Developer | Básico | Básico v2 | Padrão | Padrão v2 | Prémio

A llm-token-limit política impede picos de uso de API de modelo de linguagem grande (LLM) por chave, limitando o consumo de tokens LLM a um número especificado por minuto. Quando o uso do token é excedido, o chamador recebe um código de status de 429 Too Many Requests resposta.

Ao confiar em métricas de uso de token retornadas do ponto de extremidade LLM, a política pode monitorar e impor limites com precisão em tempo real. A política também permite o pré-cálculo de tokens de prompt pelo Gerenciamento de API, minimizando solicitações desnecessárias para o back-end LLM se o limite já for excedido.

Nota

Atualmente, esta política está em pré-visualização.

Nota

Defina os elementos da política e os elementos filho na ordem fornecida na declaração de política. Saiba mais sobre como definir ou editar políticas de Gerenciamento de API.

Modelos suportados

Use a política com APIs LLM adicionadas ao Gerenciamento de API do Azure que estão disponíveis por meio da API de Inferência de Modelo de IA do Azure.

Declaração de política

<llm-token-limit counter-key="key value"
        tokens-per-minute="number"
        estimate-prompt-tokens="true | false"    
        retry-after-header-name="custom header name, replaces default 'Retry-After'" 
        retry-after-variable-name="policy expression variable name"
        remaining-tokens-header-name="header name"  
        remaining-tokens-variable-name="policy expression variable name"
        tokens-consumed-header-name="header name"
        tokens-consumed-variable-name="policy expression variable name" />

Atributos

Atributo Description Necessário Predefinição
contra-chave A chave a ser usada para a política de limite de token. Para cada valor de chave, um único contador é usado para todos os escopos nos quais a política está configurada. São permitidas expressões de política. Sim N/A
tokens por minuto O número máximo de tokens consumidos por prompt e conclusão por minuto. Sim N/A
estimativa-prompt-tokens Valor booleano que determina se deve estimar o número de tokens necessários para um prompt:
- true: estimar o número de tokens com base no esquema de prompt na API; pode reduzir o desempenho.
- false: não estime tokens de prompt.

Quando definido como false, os tokens restantes por counter-key são calculados usando o uso real do token da resposta do modelo. Isso pode resultar no envio de prompts para o modelo que excedem o limite de token. Nesse caso, isso será detetado na resposta e todas as solicitações subsequentes serão bloqueadas pela política até que o limite de token seja liberado novamente.		 Sim N/A
retry-after-header-name O nome de um cabeçalho de resposta personalizado cujo valor é o intervalo de repetição recomendado em segundos após o especificado tokens-per-minute ser excedido. Expressões de política não são permitidas. Não Retry-After
retry-after-variable-name O nome de uma variável que armazena o intervalo de repetição recomendado em segundos após o especificado tokens-per-minute ser excedido. Expressões de política não são permitidas. No N/A
remaining-tokens-header-name O nome de um cabeçalho de resposta cujo valor após cada execução de política é o número de tokens restantes permitidos para o intervalo de tempo. Expressões de política não são permitidas. No N/A
remaining-tokens-variable-name O nome de uma variável que, após cada execução de política, armazena o número de tokens restantes permitidos para o intervalo de tempo. Expressões de política não são permitidas. No N/A
tokens-consumed-header-name O nome de um cabeçalho de resposta cujo valor é o número de tokens consumidos pelo prompt e pela conclusão. O cabeçalho é adicionado à resposta somente depois que a resposta é recebida do back-end. Expressões de política não são permitidas. No N/A
tokens-consumed-variable-name O nome de uma variável inicializada para o número estimado de tokens no prompt na backend seção do pipeline se estimate-prompt-tokens for true e zero caso contrário. A variável é atualizada com a contagem relatada ao receber a resposta na outbound seção. No N/A

Utilização

Notas de utilização

  • Essa política pode ser usada várias vezes por definição de política.
  • Quando disponível quando estimate-prompt-tokens definido como false, os valores na seção de uso da resposta da API LLM são usados para determinar o uso do token.
  • Alguns endpoints LLM suportam streaming de respostas. Quando stream definido como true na solicitação de API para habilitar o streaming, os tokens de prompt são sempre estimados, independentemente do valor do estimate-prompt-tokens atributo.
  • O Gerenciamento de API usa um único contador para cada counter-key valor especificado na política. O contador é atualizado em todos os escopos nos quais a política é configurada com esse valor de chave. Se desejar configurar contadores separados em escopos diferentes (por exemplo, uma API ou produto específico), especifique valores de chave diferentes nos escopos diferentes. Por exemplo, acrescente uma cadeia de caracteres que identifique o escopo ao valor de uma expressão.

Exemplo

No exemplo a seguir, o limite de token de 5000 por minuto é digitado pelo endereço IP do chamador. A política não estima o número de tokens necessários para um prompt. Após cada execução de política, os tokens restantes permitidos para esse endereço IP do chamador no período de tempo são armazenados na variável remainingTokens.

<policies>
    <inbound>
        <base />
        <llm-token-limit
            counter-key="@(context.Request.IpAddress)"
            tokens-per-minute="5000" estimate-prompt-tokens="false" remaining-tokens-variable-name="remainingTokens" />
    </inbound>
    <outbound>
        <base />
    </outbound>
</policies>

Conteúdos relacionados

Para obter mais informações sobre como trabalhar com políticas, consulte: