本周，一个名为 Orchestral AI 的全新 Python 框架在 Github 上发布，该框架旨在简化大型语言模型 (LLM) 的编排，以用于科学研究和其他应用。Orchestral 由理论物理学家 Alexander Roman 和软件工程师 Jacob Roman 开发，旨在为现有且通常复杂的 AI 编排工具（如 LangChain）以及来自 Anthropic 和 OpenAI 等供应商的特定于供应商的软件开发工具包 (SDK) 提供一种更具可重复性和成本意识的替代方案。

Orchestral AI 的开发者认为，当前的 LLM 编排工具给用户带来了一个艰难的选择。他们要么将控制权交给复杂的生态系统，要么被锁定在单一供应商的解决方案中。对于需要可重复结果的科学家来说，这尤其成问题。根据 Romans 的说法，Orchestral 被设计为一种“科学计算”解决方案，优先考虑确定性执行和调试清晰度。

Orchestral 的核心理念是有意拒绝当前许多 AI 工具中存在的复杂性。该框架强调同步操作和类型安全，旨在提高可重复性。这与其他流行的框架的异步且有时不太可预测的性质形成对比。

LLM 的兴起导致了旨在帮助开发者管理和编排这些强大模型的工具的激增。例如，LangChain 为构建 AI 代理提供了一个全面的生态系统。然而，它的复杂性可能成为某些用户的入门障碍。同样，虽然特定于供应商的 SDK 为其各自的模型提供了优化的性能，但它们限制了灵活性和可移植性。

对可重复 AI 的需求正变得越来越重要，尤其是在科学研究中。传统的科学方法依赖于复制实验和验证结果的能力。然而，LLM 中固有的不确定性可能使实现这种程度的可重复性变得困难。Orchestral 旨在通过为 LLM 编排提供一个更受控和可预测的环境来应对这一挑战。

可重复 AI 的影响超越了科学研究。随着 AI 越来越融入社会的各个方面，确保 AI 系统的透明、可靠和负责任至关重要。可重复 AI 可以帮助建立对 AI 系统的信任，并促进其负责任的部署。

Orchestral AI 的发布代表着朝着解决 LLM 编排中的复杂性和可重复性挑战迈出了一步。该框架的普及程度还有待观察，但其对确定性执行和调试清晰度的关注可能会使其成为需要可靠和可重复的 AI 结果的科学家和其他用户的宝贵工具。开发者计划根据社区的反馈和贡献继续改进 Orchestral。