一个名为 Orchestral AI 的全新 Python 框架本周在 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。据 VentureBeat 报道，Orchestral 由理论物理学家 Alexander Roman 和软件工程师 Jacob Roman 开发，旨在为像 LangChain 这样复杂的 AI 生态系统以及 Anthropic 和 OpenAI 等供应商提供的单一供应商软件开发工具包 (SDK) 提供一种更具可重复性和成本效益的替代方案。

该框架解决了科学家和开发者日益增长的担忧，他们发现现有的 AI 工具要么过于笨重，要么过于受限。Alexander Roman 表示，Orchestral 优先考虑“确定性执行和调试清晰度”，而不是其他编排方法的异步且通常不可预测的特性。这种关注对于科学研究尤为重要，因为可重复性至关重要。

Orchestral 的架构建立在一种“反框架”理念之上，有意拒绝了当前 AI 领域中普遍存在的复杂性。该框架强调同步操作和类型安全，旨在使 AI 工作流程更易于理解和调试。这种方法与日益复杂和不透明的 AI 系统趋势形成对比。

LLM 的兴起催生了对能够有效管理和编排这些模型以执行各种任务的工具的需求。例如，LangChain 已经成为构建由 LLM 驱动的应用程序的流行框架。然而，它的复杂性可能会成为某些用户的入门障碍，特别是那些需要更大控制和透明度的科学学科的用户。

单一供应商 SDK 虽然易于使用，但可能会将用户锁定在特定供应商的生态系统中，从而限制他们的灵活性并可能增加成本。Orchestral 旨在提供一种中间方案，提供一种与供应商无关的解决方案，允许用户利用不同的 LLM，而不受单一供应商的束缚。

Orchestral 的影响不仅限于科学研究。随着 AI 越来越融入社会的各个方面，对可重复和可理解的 AI 系统的需求只会增加。像 Orchestral 这样优先考虑清晰度和控制的框架，可以在培养对 AI 的信任和责任方面发挥关键作用。

Orchestral 的开发反映了更广泛的趋势，即开发更易于访问和更透明的 AI 工具。随着 AI 技术的成熟，人们越来越认识到复杂性并不总是与进步同义。在某些情况下，简单性和控制可能更有价值，尤其是在可重复性和可靠性至关重要的领域。该框架可在 Github 上获得，其创建者鼓励开源社区做出贡献。接下来的步骤包括扩展框架的功能，并将其与更广泛的 LLM 和科学计算工具集成。