3.3 LLM服务集成与凭证配置

3.3 LLM服务集成与凭证配置

凭证这东西，放错地方就是事故

Cognee 抽取三元组要调 LLM，而 LLM 的 API key 是最不该写进代码的东西。这一节讲清凭证该怎么注入、支持哪些服务商、以及多模型怎么切换。

这是第三章第三站，装好了框架，还差"让它能调模型"这把钥匙。钥匙怎么放，决定了安全底线。

用环境变量注入，绝不硬编码

正确做法是通过环境变量把 key 交给 Cognee，代码里只读取变量名。这样代码能安全进仓库，key 留在本地或部署平台的密钥管理里。

# 在终端导出环境变量（临时，仅当前会话）
export OPENAI_API_KEY="sk-你的密钥"
export LLM_PROVIDER="openai"

# LLM_PROVIDER=openai
​

# 代码里只读取变量，不写死密钥
import os
from cognee import configure

configure(
    llm_provider=os.getenv("LLM_PROVIDER", "openai"),
    api_key=os.getenv("OPENAI_API_KEY"),
)
print("模型提供方:", os.getenv("LLM_PROVIDER"))
# 模型提供方: openai
​

注意 configure 在导入 cognee 后调用，把凭证和运行参数设进去。真正项目里，.env 应加进 .gitignore，并在部署平台配置同名环境变量。

多服务商与多模型切换

Cognee 不绑定某一家 LLM。你可以按任务换模型：抽取用强模型保质量，简单分类用便宜模型省钱。下面示意双模型配置（思想代码）。

# 按任务切换模型（示意）
import os
from cognee import configure

# 抽取任务：用强模型保质量
configure(llm_model="gpt-4o", api_key=os.getenv("OPENAI_API_KEY"))

# 简单分类任务：换小模型省钱（若支持）
configure(llm_model="gpt-4o-mini", api_key=os.getenv("OPENAI_API_KEY"))
# ... 执行轻量任务 ...
​

工程取舍很清楚：抽取决定图谱质量上限，值得用强模型；而建图后的简单检索路由不必每次都调大模型。把钱花在刀刃上。

图数据库凭证同样要走环境变量

除了 LLM key，图数据库（如 Neo4j）的连接串也别硬编码。统一从环境变量读，部署时由平台注入。

export GRAPH_DATABASE_URL="bolt://localhost:7687"
export GRAPH_USER="neo4j"
export GRAPH_PASSWORD="你的密码"
​

案例：团队协作的密钥管理

背景：三人小组共用一个 Cognee 项目，但每个人不应把 key 提交到仓库。

操作：用 .env + .gitignore 隔离。

# 代码统一读变量
import os
from cognee import configure
configure(api_key=os.getenv("OPENAI_API_KEY"))
print("就绪" if os.getenv("OPENAI_API_KEY") else "缺少密钥")
# 就绪
​

结果：仓库里只有代码没有密钥，新人 clone 后填自己的 .env 即可，互不干扰。

解读：密钥管理的原则就一条——代码可公开，密钥不可公开。环境变量是实现这条原则最轻的方式。

变式：上生产后，.env 换成部署平台的密钥管理服务（如云厂商的 Secret 功能），原理不变：代码读变量名，值由环境给。

一个多模型策略：抽取与生成分开选

凭证配置不只是"把 key 填上"。实务里建议抽取和最终生成用不同模型：抽取要稳准、可用强模型；生成回答可用 cheaper 模型。两者通过配置分离，互不绑架。类比到交通——货车和客车走不同车道，各按各的限速，整体效率最高。

# 抽取与生成用不同模型（示意）
import cognee, os

cognee.configure(
    llm_provider="openai",
    llm_model="gpt-4o",            # 抽取：强模型保三元组质量
    api_key=os.getenv("OPENAI_API_KEY"),
)
# 生成回答可用另一配置，控制成本（详见第五章性能）
​

这样抽取质量不被成本压力拖累，生成侧又能按量调便宜模型。

⚠️ 别把 API key 写进笔记本或提交到代码仓库——哪怕私有仓库，泄露一次就是事故。

💡 多服务商切换用环境变量隔离：一套代码，换 OPENAI_API_KEY / 本地模型地址即可切提供方，不改业务。

一个容灾：主备模型切换

生产里 LLM 服务可能抖动。建议在配置里预备备模型，主模型限流或故障时切备，建图不中断。类比到交通——主干道施工就走辅路，总比全堵死强。切换是配置级动作，不必改业务代码。

⚠️ 备模型别和主模型同一提供方同区域——它挂你也挂，容灾变摆设。

💡 切换逻辑加自动探测：连续失败 N 次自动切备，恢复后切回，人工少救火。

一个边界：本地模型也是选项

不是所有场景都要云端 LLM。涉密数据可在本地模型跑抽取，凭证问题转化为算力问题。Cognee 配置切 provider 即可，业务代码不变。

⚠️ 别默认"上云最快"——涉密场景本地模型虽慢但合规，安全红线不能让位便利。

💡 抽选用本地还是云端，按数据敏感度分：公开的用云端快，机密的走本地。

本节要点回顾

• 密钥通过环境变量注入，绝不写进代码或提交仓库。
• Cognee 支持多服务商，可按任务切换模型省成本。
• 图库连接串同样走环境变量，统一隔离。

⚠️ 一旦把 API key 提交进 git，立刻作废并轮换。历史提交里的密钥也能被爬取。

💡 项目初始化就把 .env 加进 .gitignore，比事后补救省心得多。