【AI大模型应用开发】【LangSmith: 生产级AI应用维护平台】0. 一文全览Tracing功能，让程序运行过程一目了然

大家好，我是【同学小张】。持续学习，持续干货输出，关注我，跟我一起学AI大模型技术！

公众号内文章一览

有任何问题，欢迎+vx：jasper_8017，期待与志同道合的朋友一起讨论，共同进步！

---

今天介绍一个AI生产力工具：LangSmith。本篇文章主要在Tracing部分的实操，包括环境准备、如何将你的LangChain程序和LangSimth平台打通，如何使用LangSimth调试Prompt，以及如何进行在线数据标注和收集，为后面的自动化评估作准备。

在开始之前，我们先来了解下为什么要有LangSmith：

维护一个生产级的 LLM 应用，我们需要做什么？

• 各种指标监控与统计：访问记录、响应时长、Token用量、计费等等

• 调试 Prompt，Prompt 版本管理（便于升级/回滚）

• 测试/验证系统的相关评估指标

• 数据集管理（便于回归测试）

LangSimth平台帮助你快速、可视化完成上面的流程。它允许您调试、测试、评估和监控构建在任何LLM框架上的链和智能代理，并与LangChain无缝集成。

0. 环境准备

LangSmith是LangChain 官方的 SaaS 服务，不开源，注册需要排队。

平台入口：https://www.langchain.com/langsmith
文档地址：https://python.langchain.com/docs/langsmith/walkthrough

注册登录之后，需要生成API key

1. 打通LangChain和LangSmith

要打通 LangChain 和 LangSmith 很简单，只需要在环境变量中加入如下4个信息：

LANGCHAIN_API_KEY = "ls__xxxxxx"  # LangChain API Key
LANGCHAIN_ENDPOINT = "https://api.smith.langchain.com"  #LangSmith的服务端点

import os
os.environ["LANGCHAIN_TRACING_V2"]="true" 
os.environ["LANGCHAIN_PROJECT"]="test-001" #自定义项目名称

示例代码：

import os
os.environ["LANGCHAIN_TRACING_V2"]="true"
os.environ["LANGCHAIN_PROJECT"]="test-001"

from langchain_openai import ChatOpenAI
from langchain.prompts import PromptTemplate
from langchain.schema.output_parser import StrOutputParser
from langchain.schema.runnable import RunnablePassthrough
from langchain.schema import HumanMessage
from langchain.prompts.chat import HumanMessagePromptTemplate
from langchain.prompts import ChatPromptTemplate

model = ChatOpenAI(model="gpt-3.5-turbo-0613")

prompt_template = """
我的名字叫【{name}】，我的个人介绍是【{description}】。
请根据我的名字和介绍，帮我想一段有吸引力的自我介绍的句子，以此来吸引读者关注和点赞我的账号。
"""
prompt = ChatPromptTemplate.from_messages([
    HumanMessagePromptTemplate.from_template(prompt_template)
])

# 定义输出解析器
parser = StrOutputParser()

chain = (
    prompt
    | model
    | parser
)

## invoke的第一个参数，传入json格式的参数，key与prompt中的参数名一致
response = chain.invoke({'name': '同学小张', 'description': '热爱AI，持续学习，持续干货输出'})
print(response)

运行之后，可以在LangSmith服务平台上看到该项目的运行情况：

详细页面中展示了该项目运行的详细步骤，包括每一步的名称、消耗的token、耗时、输入和输出。

2. 使用LangSimth的PlayGround调试Prompt

Prompt模板和最终的Prompt以及输入给大模型的参数，如温度等，是大模型输出结果好坏的直接原因。我们可以使用LangSimth平台的PlayGround快速调试这些参数，来获得比较好的大模型结果，而不用每次都运行一遍程序。