LLM e integraciones

Esta página presenta las interfaces abstractas utilizadas para conectar LLM y embebedores a la memoria del agente de Oracle.

Interfaz de LLM

clase `oracleagentmemory.apis.llms.ILlm`

Bases: ABC

Interfaz abstracta para la llamada de LLM.

method `generate` (resumen)

Generar una respuesta de un LLM de forma síncrona.

Parámetros:
- prompt str | Sequence[dict[str, str]]: una petición de datos de texto sin formato (tratada como un único mensaje de usuario) o una lista de mensajes de estilo de chat, donde cada mensaje es una asignación con al menos una clave "content" y, opcionalmente, un "role".
- response_json_schema dict[str, Any] | None: esquema JSON opcional que describe el formato de respuesta esperado.
- **kwargs (Cualquiera): argumentos de palabra clave específicos del proveedor reenviados al backend subyacente.
Devoluciones: salida del LLM normalizada.
Tipo de retorno: LlmResponse

method `generate_async` (abstract, async)

Generar una respuesta de forma asíncrona desde un LLM.

Parámetros:
- prompt str | Sequence[dict[str, str]]: una petición de datos de texto sin formato (tratada como un único mensaje de usuario) o una lista de mensajes de estilo de chat, donde cada mensaje es una asignación con al menos una clave "content" y, opcionalmente, un "role".
- response_json_schema dict[str, Any] | None: esquema JSON opcional que describe el formato de respuesta esperado.
- **kwargs (Cualquiera): argumentos de palabra clave específicos del proveedor reenviados al backend subyacente.
Devoluciones: salida del LLM normalizada.
Tipo de retorno: LlmResponse

Respuestas de LLM

clase `oracleagentmemory.apis.llms.LlmResponse`

Bases: object

Una pequeña respuesta normalizada devuelta por ILlm.

Parámetros: text str

texto

Contenido de texto generado principal.

Tipo: str

Interfaz de incrustación

clase `oracleagentmemory.apis.IEmbedder`

Bases: ABC

Interfaz abstracta para incrustadores de texto.

method `embed` (resumen)

Embeber un lote de textos en una matriz 2D float32 NumPy.

Parámetros:
- textos list[str]: lote de textos que se incrustarán.
- is_query bool: indica si el lote se está embebiendo para la recuperación de tiempo de consulta.
Devoluciones: matriz 2D con forma de (len(texts), dim) con dtype=float32.
Tipo de retorno: numpy.ndarray

method `embed_async` (abstract, async)

Embeber un lote de textos en una matriz 2D float32 NumPy.

Parámetros:
- textos list[str]: lote de textos que se incrustarán.
- is_query bool: indica si el lote se está embebiendo para la recuperación de tiempo de consulta.
Devoluciones: matriz 2D con forma de (len(texts), dim) con dtype=float32.
Tipo de retorno: numpy.ndarray

propiedad `embedding_dimension`

Tipo de devolución: int
Descripción: devuelve el tamaño de las incrustaciones producidas por este embebido.

Las subclases pueden sustituir esta propiedad cuando el ancho de embebido se conoce a partir de la configuración o los metadatos del proveedor. La implantación por defecto sondea embed() una vez y almacena en caché el tamaño del resultado.

Devoluciones: número positivo de valores de coma flotante en cada vector de incrustación.
Tipo de devolución: int

propiedad `max_input_tokens`

Tipo de devolución: int
Descripción: devuelve el máximo de tokens de entrada admitidos.

Las subclases pueden sustituir esta propiedad cuando el presupuesto de entrada del modelo se conoce a partir de metadatos de configuración o proveedor. La implantación por defecto valida un sondeo con un tamaño estimado de tokens de entrada 512 una vez y almacena en caché 512 como una reserva conservadora. No ejecuta un tokenizador de modelo localmente, por lo que los emisores de llamadas deben definir max_input_tokens manualmente cuando se conozca el presupuesto de entrada real del modelo.

Devoluciones: recuento máximo positivo de tokens de entrada para una carga útil de texto.
Tipo de devolución: int

Adaptadores LiteLLM

clase `oracleagentmemory.core.llms.LlmApiType`

Bases: str, Enum

Familias de API compatibles con OpenAI admitidas para Llm.

CHAT_COMPLETIONS = 'CHAT_COMPLETIONS'

RESPONSES = 'respuestas'

clase `oracleagentmemory.core.llms.Llm`

Bases: ILlm

Adaptador para generar respuestas de modelo.

Cree un adaptador de LLM.

Parámetros:
- model str: identificador de modelo enviado al proveedor de modelos subyacente.
- api_base str | None: URL base opcional para un punto final compatible con OpenAI.
- api_key str | None: clave de API opcional que se utiliza al ponerse en contacto con el proveedor.
- api_type LlmApiType: familia de API a la que llamar. Utilice LlmApiType.CHAT_COMPLETIONS para finalizaciones de chat o LlmApiType.RESPONSES para la API de respuestas. El valor por defecto es LlmApiType.CHAT_COMPLETIONS.
- stream bool: indica si se debe solicitar una salida de flujo. El flujo se consume internamente y se devuelve como un único LlmResponse.
- temperatura float | None: temperatura de muestreo opcional.
- max_tokens int | None: límite de token de salida opcional. Con api_type=LlmApiType.CHAT_COMPLETIONS, se envía como max_tokens. Esto no está soportado por la familia de modelos "oci/openai.gpt-5".
- reasoning_effort str | None: esfuerzo de razonamiento opcional. Con api_type=LlmApiType.CHAT_COMPLETIONS, se envía como reasoning_effort. Con api_type=LlmApiType.RESPONSES, se convierte en reasoning={"effort": ...}.
- **default_kwargs (Cualquiera): argumentos avanzados de palabras clave predeterminados aplicados a cada llamada. Preferir los parámetros explícitos anteriores para la configuración común de conexión y generación. Cuando se proporciona el mismo valor de forma explícita y en default_kwargs, el parámetro explícito tiene prioridad.

Ejemplos

Los modelos de OCI Generative AI utilizan los identificadores de modelo "oci/..." de LiteLLM. Una configuración común es transferir los detalles de autenticación de clave de API de OCI del archivo de configuración de OCI estándar a través de argumentos de palabra clave específicos de LiteLLM. El SDK de Python de OCI no está instalado en este paquete; las aplicaciones que ya dependen de él también pueden transferir un objeto oci_signer.

import configparser
from pathlib import Path
parser = configparser.RawConfigParser()
parser.read(Path("~/.oci/config").expanduser())
cfg = parser["DEFAULT"]
key_file = Path(cfg["key_file"]).expanduser()
oci_llm = Llm(
    model="oci/openai.gpt-oss-120b",
    oci_compartment_id="ocid1.compartment.oc1..example",
    oci_region=cfg.get("region", "us-chicago-1"),
    oci_user=cfg["user"],
    oci_fingerprint=cfg["fingerprint"],
    oci_tenancy=cfg["tenancy"],
    oci_key_file=str(key_file),
)
oci_llm.generate("Reply with OK.")

Los modelos alojados en OpenAI utilizan identificadores de modelo LiteLLM como "openai/gpt-5.1" y una clave de API de OpenAI. Chat Completions es la familia de API por defecto.

openai_llm = Llm(
    model="openai/gpt-5.1",
    api_key="sk-example",
    temperature=0,
    max_tokens=128,
)
openai_llm.model
'openai/gpt-5.1'
openai_llm.generate("Reply with OK.")

Utilice api_type=LlmApiType.RESPONSES cuando se deba llamar al modelo de destino a través de la API de respuestas de OpenAI en lugar de las finalizaciones de chat.

responses_llm = Llm(
    model="openai/gpt-5.4",
    api_key="sk-example",
    api_type=LlmApiType.RESPONSES,
    reasoning_effort="high",
    stream=True,
)
responses_llm.model
'openai/gpt-5.4'

Los servidores compatibles con OpenAI autoalojados, incluida la vLLM, se llaman con un identificador de modelo "openai/..." más la URL base /v1 del servidor. Transfiera un valor api_key nominal, como "none", cuando el punto final no aplique la autenticación.

vllm_llm = Llm(
    model="openai/openai/gpt-oss-120b",
    api_base="http://localhost:8000/v1",
    api_key="none",
    stream=True,
)
vllm_llm.model
'openai/openai/gpt-oss-120b'
vllm_llm.generate("Reply with OK.")

método `generate`

Generación de una respuesta.

Parámetros:
- prompt str | Sequence[dict[str, str]]: cadena de petición de datos o mensajes de chat. Una cadena se trata como un mensaje de usuario único.
- response_json_schema dict[str, Any] | None: esquema JSON opcional que describe el formato de respuesta esperado. Cuando se proporciona, este método utiliza el mecanismo de salida estructurado nativo del proveedor a través de response_format compatible con OpenAI.
- **kwargs (cualquiera): parámetros de llamada adicionales enviados con esta solicitud. Transfiera api_type=LlmApiType.RESPONSES para enrutar esta llamada a través de la API de respuestas.
Devoluciones: salida del LLM normalizada.
Tipo de retorno: LlmResponse

method `generate_async` (async)

Generar una respuesta de forma asíncrona.

Parámetros:
- prompt str | Sequence[dict[str, str]]: cadena de petición de datos o mensajes de chat. Una cadena se trata como un mensaje de usuario único.
- response_json_schema dict[str, Any] | None: esquema JSON opcional que describe el formato de respuesta esperado. Cuando se proporciona, este método utiliza el mecanismo de salida estructurado nativo del proveedor a través de response_format compatible con OpenAI.
- **kwargs (cualquiera): parámetros de llamada adicionales enviados con esta solicitud. Transfiera api_type=LlmApiType.RESPONSES para enrutar esta llamada a través de la API de respuestas.
Devoluciones: salida del LLM normalizada.
Tipo de retorno: LlmResponse

clase `oracleagentmemory.core.embedders.Embedder`

Bases: IEmbedder

Embebido respaldado por el profesional asistencial.

Cree un embebido respaldado por un proveedor.

Parámetros:
- model str: identificador de modelo enviado al proveedor de incrustación subyacente.
- api_base str | None: URL base opcional para un punto final compatible con OpenAI.
- api_key str | None: clave de API opcional que se utiliza al ponerse en contacto con el proveedor.
- embedding_dimension int | None: dimensión de vector de incrustación opcional. Cuando se proporciona, los clientes respaldados por base de datos pueden crear o validar esquemas vectoriales sin enviar un sondeo de proveedor. Cuando se omite, embedding_dimension infiere la dimensión perezosamente con un pequeño sondeo de reserva.
- max_input_tokens int: recuento máximo de tokens de entrada admitido por el modelo de incrustación. Cuando se omite, la propiedad max_input_tokens valida un sondeo de proveedor con un tamaño estimado de tokens de entrada 512 y almacena en caché 512 como una reserva conservadora. No ejecuta un tokenizador de modelo localmente, por lo que debe definir max_input_tokens manualmente según el presupuesto de entrada documentado del modelo.
- normalize bool: indica si el proveedor debe normalizar o no las incrustaciones devueltas por el proveedor.
- query_prefix str | None: prefijo opcional agregado solo al incrustar textos de consulta.
- document_prefix str | None: prefijo opcional agregado solo al incrustar textos que no sean de consulta.
- truncate_prompt_tokens int | None: límite de token de entrada opcional reenviado a los proveedores que admiten el truncamiento de peticiones de datos de incrustación largas.
- **default_kwargs (Cualquiera): argumentos de palabra clave predeterminados avanzados aplicados a cada llamada incrustada. Preferir los parámetros explícitos anteriores para la configuración común.

Ejemplos

Los modelos de integración de OCI Generative AI utilizan identificadores de modelo "oci/...". Una configuración común es transferir los detalles de autenticación de clave de API de OCI del archivo de configuración de OCI estándar a través de argumentos de palabra clave específicos de LiteLLM. El SDK de Python de OCI no está instalado en este paquete; las aplicaciones que ya dependen de él también pueden transferir un objeto oci_signer.

import configparser
from pathlib import Path
parser = configparser.RawConfigParser()
parser.read(Path("~/.oci/config").expanduser())
cfg = parser["DEFAULT"]
key_file = Path(cfg["key_file"]).expanduser()
oci_embedder = Embedder(
    model="oci/cohere.embed-english-v3.0",
    oci_compartment_id="ocid1.compartment.oc1..example",
    oci_region=cfg.get("region", "us-chicago-1"),
    oci_user=cfg["user"],
    oci_fingerprint=cfg["fingerprint"],
    oci_tenancy=cfg["tenancy"],
    oci_key_file=str(key_file),
)
oci_embedder.embed(["hello world"])

Los modelos de incrustación alojados en OpenAI utilizan identificadores como "openai/text-embedding-3-small" con una clave de API de OpenAI.

openai_embedder = Embedder(
    model="openai/text-embedding-3-small",
    api_key="sk-example",
    truncate_prompt_tokens=8192,
)
openai_embedder.model
'openai/text-embedding-3-small'
openai_embedder.embed(["hello world"])

Los servidores embebidos compatibles con OpenAI autoalojados, incluida vLLM, utilizan el prefijo de proveedor "hosted_vllm/..." con la URL base /v1 del servidor.

vllm_embedder = Embedder(
    model="hosted_vllm/sentence-transformers/all-MiniLM-L6-v2",
    api_base="http://localhost:8000/v1",
)
vllm_embedder.model
'hosted_vllm/sentence-transformers/all-MiniLM-L6-v2'
vllm_embedder.embed(["hello world"])

método `embed`

Incruste un lote de textos con el profesional asistencial configurado.

Parámetros:
- textos list[str]: lote de cadenas de texto sin formato que se incrustarán.
- is_query bool: indica si el texto es una consulta. Los textos de consulta reciben query_prefix y los textos que no son de consulta reciben document_prefix cuando están configurados.
Devoluciones: matriz float32 bidimensional con los vectores de incrustación devueltos por el proveedor.
Tipo de retorno: numpy.ndarray
Elevaciones: RuntimeError: si la carga útil de respuesta del proveedor no incluye la incrustación de datos.

method `embed_async` (async)

Embeber de forma asíncrona un lote de textos mediante el proveedor configurado.

Parámetros:
- textos list[str]: lote de cadenas de texto sin formato que se incrustarán.
- is_query bool: indica si el texto es una consulta. Los textos de consulta reciben query_prefix y los textos que no son de consulta reciben document_prefix cuando están configurados.
Devoluciones: matriz float32 bidimensional con los vectores de incrustación devueltos por el proveedor.
Tipo de retorno: numpy.ndarray
Elevaciones: RuntimeError: si la carga útil de respuesta del proveedor no incluye la incrustación de datos.

propiedad `embedding_dimension`

Tipo de devolución: int
Descripción: devuelve la dimensión de embebido configurada o inferida.
Devoluciones: número positivo de dimensiones en cada vector de incrustación.
Tipo de devolución: int

Notas

Se devuelve un valor proporcionado por el constructor sin ponerse en contacto con el proveedor. De lo contrario, la propiedad sondea una vez y almacena en caché el resultado.

propiedad `max_input_tokens`

Tipo de devolución: int
Descripción: devuelve el límite de token de entrada de embebido configurado o inferido.
Devoluciones: recuento máximo positivo de tokens de entrada para una carga útil de texto.
Tipo de devolución: int

Notas

Se devuelve un valor proporcionado por el constructor sin ponerse en contacto con el proveedor. De lo contrario, la propiedad valida un sondeo de proveedor con un tamaño estimado de tokens de entrada 512 y almacena en caché 512 como una reserva conservadora. No ejecuta un tokenizador de modelo localmente, por lo que debe definir max_input_tokens manualmente desde el presupuesto de entrada documentado del modelo cuando sea importante la precisión.

Embebedores de Oracle DB

clase `oracleagentmemory.core.embedders.OracleDBEmbedder`

Bases: IEmbedder

Embeber texto llamando a Oracle Database embebiendo SQL.

Este embebido mantiene intacto el contrato de embebido existente del paquete al delegar la generación de embebido en la base de datos a través de SQL. La incrustación directa prefiere VECTOR_EMBEDDING para las configuraciones de modelo que residen en la base de datos y vuelve a DBMS_VECTOR_CHAIN.UTL_TO_EMBEDDING cuando la configuración del vectorizador necesita la superficie del parámetro del proveedor JSON.

Cree un embebido respaldado por la ejecución de SQL de Oracle Database.

Parámetros:
- connection object: conexión de Oracle DB u objeto similar a un pool con un método cursor() o acquire() que se puede llamar.
- model str: identificador SQL de Oracle sin comillas o identificador cualificado para el esquema para el modelo de embebido en la base de datos. El esquema conectado debe poder resolver este nombre de modelo en SQL.
- input_name str: nombre de entrada de modelo que utiliza VECTOR_EMBEDDING cuando la configuración del vectorizador tiene como destino un modelo que reside en la base de datos. El valor por defecto es "DATA", el nombre de entrada utilizado por los ejemplos y metadatos de modelo de embebido DBMS_VECTOR ONNX de Oracle. Transfiera el nombre de entrada del modelo real aquí si el modelo importado utiliza un atributo diferente.
- embedding_dimension int | None: dimensión de vector de incrustación opcional. Cuando se proporcionan, los clientes respaldados por base de datos pueden crear o validar esquemas vectoriales sin enviar una consulta de sondeo de dimensión. Cuando se omite, la dimensión se infiere perezosamente con una solicitud de embebido de sondeo.
- max_input_tokens int: presupuesto máximo de token de entrada utilizado por el fragmentador de tienda predeterminado. Cuando se omite, la propiedad max_input_tokens valida un sondeo de modelo de base de datos con un tamaño estimado de tokens de entrada 512 y almacena en caché 512 como una reserva conservadora. No ejecuta un tokenizador de modelo localmente, por lo que debe definir max_input_tokens manualmente según el presupuesto de entrada documentado del modelo.
- normalizar bool: si se normalizan las incrustaciones de L2 después de que se recuperen de la base de datos.
- query_prefix str | None: prefijo opcional agregado solo al incrustar textos de consulta.
- batch_size int: número máximo de textos agrupados en un viaje de ida y vuelta incrustado de SQL.

Ejemplos

Utilice un pool de conexiones de Oracle y un modelo de embebido que reside en la base de datos:

import oracledb
pool = oracledb.create_pool(
    user="scott",
    password="tiger",
    dsn="dbhost.example.com/orclpdb",
)
embedder = OracleDBEmbedder(
    connection=pool,
    model="DOC_MODEL",
    embedding_dimension=768,
)
embedder.embed(["hello world"])

Los nombres de modelo cualificados para el esquema se pueden utilizar cuando el esquema conectado tiene privilegios en un modelo propiedad de otro esquema:

shared_embedder = OracleDBEmbedder(
    connection=pool,
    model="MY_OTHER_SCHEMA.MY_ONNX_MODEL",
    embedding_dimension=768,
)
shared_embedder.embed(["hello world"])

Los prefijos específicos de la consulta se pueden configurar sin cambiar la API del almacén:

embedder = OracleDBEmbedder(
    connection=pool,
    model="DOC_MODEL",
    query_prefix="search_document: ",
)
embedder.embed(["pizza"], is_query=True)

método `embed`

Embeber un lote de textos ejecutando SQL en Oracle Database.

Parámetros:
- textos list[str]: lote de cadenas de texto sin formato que se incrustarán.
- is_query bool: indica si el texto es una consulta. Los textos de consulta reciben query_prefix cuando se configura uno.
Devoluciones: matriz float32 bidimensional con una fila por texto de entrada.
Tipo de retorno: numpy.ndarray

Ejemplos

embedder = OracleDBEmbedder(
    connection=pool,
    model="DOC_MODEL",
)
matrix = embedder.embed(["alpha", "beta"])
matrix.shape[0]
2

method `embed_async` (async)

Embeber de forma asíncrona un lote de textos con Oracle Database SQL.

Parámetros:
- textos list[str]: lote de cadenas de texto sin formato que se incrustarán.
- is_query bool: indica si el texto es una consulta. Los textos de consulta reciben query_prefix cuando se configura uno.
Devoluciones: matriz float32 bidimensional con una fila por texto de entrada.
Tipo de retorno: numpy.ndarray

Ejemplos

embedder = OracleDBEmbedder(
    connection=pool,
    model="DOC_MODEL",
)
matrix = await embedder.embed_async(["hello"])
matrix.shape
(1, 384)

propiedad `embedding_dimension`

Tipo de devolución: int
Descripción: devuelve la dimensión de embebido configurada o inferida.
Devoluciones: número positivo de dimensiones en cada vector de incrustación.
Tipo de devolución: int

Notas

Se devuelve un valor proporcionado por el constructor sin ponerse en contacto con el modelo de base de datos. De lo contrario, la propiedad sondea una vez y almacena en caché el resultado para accesos futuros.

Ejemplos

embedder = OracleDBEmbedder(
    connection=pool,
    model="DOC_MODEL",
    embedding_dimension=768,
)
embedder.embedding_dimension
768

método `get_vectorizer_config_json`

Devuelve JSON de preferencia del vectorizador de Oracle para este modelo de base de datos.

La misma configuración de modelo se utiliza mediante incrustación directa y mediante índices híbridos gestionados. La incrustación directa la utiliza para decidir si VECTOR_EMBEDDING puede representar el modelo de base de datos configurado o si DBMS_VECTOR_CHAIN.UTL_TO_EMBEDDING es necesario para el JSON del proveedor. La indexación híbrida la transfiere a DBMS_VECTOR_CHAIN.CREATE_PREFERENCE y, a continuación, el pipeline del vectorizador de Oracle posee el trabajo de embebido para ese índice.

Devoluciones: carga útil de JSON compacta adecuada para DBMS_VECTOR_CHAIN.CREATE_PREFERENCE con DBMS_VECTOR_CHAIN.VECTORIZER.
Tipo de devolución: str

Ejemplos

embedder = OracleDBEmbedder(
    connection=pool,
    model="DOC_MODEL",
    embedding_dimension=768,
)
embedder.get_vectorizer_config_json()
'{"model":"DOC_MODEL"}'
custom_embedder = OracleDBEmbedder(
    connection=pool,
    model="DOC_MODEL",
    input_name="TEXT",
    embedding_dimension=768,
)
custom_embedder.get_vectorizer_config_json()
'{"model":"DOC_MODEL","input_name":"TEXT"}'
shared_embedder = OracleDBEmbedder(
    connection=pool,
    model="MY_OTHER_SCHEMA.MY_ONNX_MODEL",
    embedding_dimension=768,
)
shared_embedder.get_vectorizer_config_json()
'{"model":"MY_OTHER_SCHEMA.MY_ONNX_MODEL"}'

propiedad `max_input_tokens`

Tipo de devolución: int
Descripción: devuelve el presupuesto de token de entrada configurado o inferido para la fragmentación.
Devoluciones: recuento máximo positivo de tokens de entrada para una carga útil de texto.
Tipo de devolución: int

Notas

Se devuelve un valor proporcionado por el constructor sin ponerse en contacto con el modelo de base de datos. De lo contrario, la propiedad valida un sondeo de modelo de base de datos con un tamaño estimado de tokens de entrada 512 y almacena en caché 512 como una reserva conservadora. No ejecuta un tokenizador de modelo localmente, por lo que debe definir max_input_tokens manualmente desde el presupuesto de entrada documentado del modelo cuando sea importante la precisión.

Ejemplos

embedder = OracleDBEmbedder(
    connection=pool,
    model="DOC_MODEL",
    max_input_tokens=2048,
)
embedder.max_input_tokens
2048

LLM e integraciones

Interfaz de LLM

clase oracleagentmemory.apis.llms.ILlm

method generate (resumen)

method generate_async (abstract, async)

Respuestas de LLM

clase oracleagentmemory.apis.llms.LlmResponse

texto

Interfaz de incrustación

clase oracleagentmemory.apis.IEmbedder

method embed (resumen)

method embed_async (abstract, async)

propiedad embedding_dimension

propiedad max_input_tokens

Adaptadores LiteLLM

clase oracleagentmemory.core.llms.LlmApiType

CHAT_COMPLETIONS = 'CHAT_COMPLETIONS'

RESPONSES = 'respuestas'

clase oracleagentmemory.core.llms.Llm

método generate

method generate_async (async)

clase oracleagentmemory.core.embedders.Embedder

método embed

method embed_async (async)

propiedad embedding_dimension

propiedad max_input_tokens

Embebedores de Oracle DB

clase oracleagentmemory.core.embedders.OracleDBEmbedder

método embed

method embed_async (async)

propiedad embedding_dimension

método get_vectorizer_config_json

propiedad max_input_tokens

clase `oracleagentmemory.apis.llms.ILlm`

method `generate` (resumen)

method `generate_async` (abstract, async)

clase `oracleagentmemory.apis.llms.LlmResponse`

clase `oracleagentmemory.apis.IEmbedder`

method `embed` (resumen)

method `embed_async` (abstract, async)

propiedad `embedding_dimension`

propiedad `max_input_tokens`

clase `oracleagentmemory.core.llms.LlmApiType`

clase `oracleagentmemory.core.llms.Llm`

método `generate`

method `generate_async` (async)

clase `oracleagentmemory.core.embedders.Embedder`

método `embed`

method `embed_async` (async)

propiedad `embedding_dimension`

propiedad `max_input_tokens`

clase `oracleagentmemory.core.embedders.OracleDBEmbedder`

método `embed`

method `embed_async` (async)

propiedad `embedding_dimension`

método `get_vectorizer_config_json`

propiedad `max_input_tokens`