На панель добавлен блок «Доступы по сервисам» из аудита (коллекция identity). llm_selftest.py прогоняет 13 фраз через адаптер и проверяет выбор команды. Заглушка научена понимать фразы по ключевым словам, поэтому тест проверяет весь путь: реестр инструментов, выбор, выполнение. Результат: 13 из 13. Когда появится ключ, тот же тест покажет качество настоящей модели без --mock.
LLM-адаптер
Понимает свободные фразы и решает, какую команду бота вызвать.
Настройка
/etc/hub-core/llm.env (права 600), подключён к службе ботов через
EnvironmentFile:
LLM_BASE_URL=https://api.deepseek.com/v1
LLM_API_KEY=sk-...
LLM_MODEL=deepseek-chat
Подходит любой OpenAI-совместимый API: DeepSeek, Qwen
(https://dashscope.aliyuncs.com/compatible-mode/v1, модель qwen-plus),
локальный сервер.
Как работает
- Бот не распознал фразу правилами → спрашивает модель.
- Модель получает список инструментов = команд бота с описаниями.
- Если выбрала инструмент — бот выполняет и возвращает результат.
- Если ответила текстом — бот отдаёт текст и пишет пару в
/var/lib/hub-bots/dialog.jsonl.
Без ключа (LLM_BASE_URL пуст) адаптер молчит, боты работают по правилам.
Проверено на заглушке
Локальный mock OpenAI-сервера (mock_llm.py) подтвердил весь путь:
- «покажи статистику по медиа» → модель выбрала инструмент
stats→ бот выполнил и вернул медиатеку; - «расскажи как дела у нашей медиатеки» → модель ответила текстом → бот отдал ответ и записал диалог в журнал;
health()возвращает{'enabled': True, 'ok': True}.
Когда появится ключ
Вписать три строки в /etc/hub-core/llm.env и перезапустить ботов:
systemctl restart hub-bots. Больше ничего менять не нужно.