Hamilton-llm 是 Apache Hamilton 项目提供的一套 LLM 与 AI 工作流模式，用于在 Hamilton 框架下组织检索增强生成（RAG）、嵌入、向量库查询和提示词工程等环节。
用途方面，资料给出的 RAG 流水线示例按顺序覆盖：异步抓取文档文本、按块大小与重叠切分文档、调用 OpenAI 嵌入模型生成向量、将向量写入 Pinecone 索引、为查询生成嵌入、从向量库取回相关块、拼接带上下文的提示词，最后调用 LLM 生成回答。索引阶段执行 vector_store_ids，查询阶段执行 llm_response。
主要能力包括：提示词模块化，每个提示词组件是可测试的函数；依赖追踪，从数据到嵌入、检索、生成形成清晰谱系；异步并行，多个独立 LLM 调用并发进行；缓存，通过 hamilton.function_modifiers 的 cache 装饰器避免重复的昂贵 API 调用；可观测性，可跟踪调用、成本与性能；测试，可分别对提示词、检索和生成做单元测试。另有 Pydantic 结构化输出解析、多供应商（OpenAI 与 Anthropic）通过 config 切换、以及基于工具选择的 Agent 模式。
使用方式上，资料示例通过 async_driver.Builder() 装载模块并执行指定输出节点，使用 inputs 传入初始参数，使用 with_config 切换 provider 等配置；多供应商与工具分支用 config.when、config.when_in 等修饰器区分。运行前需自行安装 openai、aiohttp、pinecone、anthropic、pydantic、pytest 等依赖，并配置相应 API 凭据与向量库，资料未提供具体安装命令。
适用场景包括：构建 RAG 问答应用、对文档做摘要/关键词/情感等多路分析、需要缓存与成本控制的 LLM 批处理、需要结构化抽取结果的场景、以及带工具调用的简单 Agent。
限制方面，资料仅提供代码模式示例，未给出完整部署方案、性能基准或定价信息；示例中的模型名称（如 gpt-4、text-embedding-3-small、claude-sonnet-4-6）与向量库需按实际环境准备；异步与缓存行为依赖 Hamilton 版本支持。更多异步与可观测性内容，资料指向 /hamilton-scale 与 /hamilton-observability，示例位于 github.com/apache/hamilton/tree/main/examples/LLM_Workflows。