如何统一从一个共享的配置文件（比如 config.yaml 和 config.py）加载配置信息，避免硬编码。

环境：

Ubuntu20.04

问题描述：

如何统一从一个共享的配置文件（比如 config.yaml 和 config.py）加载配置信息，避免硬编码?

解决方案：

希望本地模型和线上模型两块代码完全分开，但它们都统一从一个**共享的配置文件（比如 config.yaml 和 config.py）**加载配置信息，避免硬编码。

提供三份文件示范：

• config/config.yaml：统一配置文件
• config/config.py：统一读取配置并做环境变量覆盖
• local_model.py：独立文件，调用本地模型，配置从config读取
• online_model.py：独立文件，调用线上模型，配置从config读取

1. core/server/config/config.yaml

# 线上模型配置
api_key: "d3112f3e479"
base_url: "https://ark.cn-beijing.volces.com/api/v3"
model_name: "ep-20250602174215-fw5hx"

# 本地模型配置
local_model_api: "http://192.168.1.9:11434/v1/chat/completions"
local_model_name: "qwen2.5-3bnsfwny"
local_model_max_tokens: 512
local_model_temperature: 0.25
local_model_timeout: 10

2. core/server/config/config.py

import os
import yaml

CONFIG_PATH = os.path.join(os.path.dirname(__file__), "config.yaml")

class Config:
    def __init__(self):
        with open(CONFIG_PATH, "r", encoding="utf-8") as f:
            data = yaml.safe_load(f)
        for k, v in data.items():
            env_val = os.getenv(k.upper())
            setattr(self, k, env_val if env_val is not None else v)

config = Config()

3. local_model.py

import requests
from loguru import logger
from typing import Optional
import time

from core.server.config.config import config  # 根据你的实际包结构调整导入路径

def summarize_with_model(text: str) -> Optional[str]:
    headers = {"Content-Type": "application/json"}
    payload = {
        "model": config.local_model_name,
        "messages": [{"role": "user", "content": text}],
        "max_tokens": int(config.local_model_max_tokens),
        "temperature": float(config.local_model_temperature),
        "stream": False
    }
    try:
        logger.info("调用本地大模型接口，准备发送请求")
        start_time = time.time()
        r = requests.post(config.local_model_api, headers=headers, json=payload, timeout=int(config.local_model_timeout))
        r.raise_for_status()
        logger.info(f"接口响应状态码：{r.status_code}，耗时：{time.time() - start_time:.2f}秒")
        resp_json = r.json()
        content = resp_json.get("choices", [{}])[0].get("message", {}).get("content")

        logger.info(f"模型返回内容长度：{len(content) if content else 0}")
        logger.info(f"模型返回具体内容：{content}")

        return content
    except requests.exceptions.Timeout:
        logger.error("调用本地大模型失败: 请求超时")
        return None
    except Exception as e:
        logger.error(f"调用本地大模型失败: {e}")
        return None


if __name__ == "__main__":
    test_text = "请帮我总结一下这段文字的内容。"
    logger.info("=== 测试本地模型 ===")
    result = summarize_with_model(test_text)
    logger.info(f"本地模型返回结果：{result}")

4. online_model.py

from openai import OpenAI
from loguru import logger
from typing import Optional

from core.server.config.config import config  # 根据你的实际包结构调整导入路径

client = OpenAI(
    api_key=config.api_key,
    base_url=config.base_url,
)

def summarize_with_model(text: str) -> Optional[str]:
    try:
        logger.info("调用线上DeepSeek模型接口，准备发送请求")
        messages = [
            {"role": "system", "content": ""},
            {"role": "user", "content": text},
        ]
        completion = client.chat.completions.create(
            model=config.model_name,
            messages=messages,
            stream=False
        )
        content = completion.choices[0].message.content
        logger.info(f"线上模型返回内容长度：{len(content) if content else 0}")
        logger.info(f"线上模型返回内容：{content}")
        return content
    except Exception as e:
        logger.error(f"调用线上模型失败: {e}")
        return None


if __name__ == "__main__":
    test_text = "请帮我总结一下这段文字的内容。"
    logger.info("=== 测试线上模型 ===")
    result = summarize_with_model(test_text)
    logger.info(f"线上模型返回结果：{result}")

5. 包结构示例及运行说明

core\
  server\
    config\
      __init__.py
      config.py
      config.yaml
    modules\
      llm\
        __init__.py
        local_model.py
        online_model.py

• config、modules、llm目录都加空的 __init__.py，使其成为包。
• 在项目根目录执行：

python -m core.server.modules.llm.local_model
python -m core.server.modules.llm.online_model

确保Python可以正确解析包路径。

6. 说明

• 配置集中统一，方便维护，避免魔法数字和字符串散落代码。
• 代码完全分开，互不影响，且都共享同一配置，便于管理。
• 方便后续增加环境变量覆盖或动态配置读取。