如何在 LangSmith 中为图运行传递自定义运行 ID 或设置标签和元数据¶

先决条件

本指南假定您熟悉以下内容

在 IDE 或终端中调试图运行有时可能很困难。LangSmith 允许您使用追踪数据来调试、测试和监控使用 LangGraph 构建的 LLM 应用 — 阅读 LangSmith 文档以获取更多关于如何入门的信息。

为了更容易地识别和分析图调用期间生成的追踪，您可以在运行时设置额外的配置（请参阅 RunnableConfig）

字段	类型	描述
run_name	`str`	此调用的跟踪器运行名称。默认为类的名称。
run_id	`UUID`	此调用的跟踪器运行的唯一标识符。如果未提供，将生成新的 UUID。
tags	`List[str]`	本次调用及任何子调用的标签（例如，一个链调用一个 LLM）。您可以使用这些标签来筛选调用。
metadata	`Dict[str, Any]`	本次调用及任何子调用的元数据（例如，一个链调用一个 LLM）。键应为字符串，值应为可 JSON 序列化的。

LangGraph 的图实现了 LangChain Runnable 接口，并在 invoke、ainvoke、stream 等方法中接受第二个参数 (RunnableConfig)。

LangSmith 平台将允许您根据 run_name、run_id、tags 和 metadata 搜索和筛选追踪。

摘要¶

import uuid
# Generate a random UUID -- it must be a UUID
config = {"run_id": uuid.uuid4()}, "tags": ["my_tag1"], "metadata": {"a": 5}}
# Works with all standard Runnable methods 
# like invoke, batch, ainvoke, astream_events etc
graph.stream(inputs, config, stream_mode="values")

本指南的其余部分将展示一个完整的智能体。

设置¶

首先，让我们安装所需的包并设置我们的 API 密钥

%%capture --no-stderr
%pip install --quiet -U langgraph langchain_openai

import getpass
import os


def _set_env(var: str):
    if not os.environ.get(var):
        os.environ[var] = getpass.getpass(f"{var}: ")


_set_env("OPENAI_API_KEY")
_set_env("LANGSMITH_API_KEY")

提示

注册 LangSmith 以快速发现问题并提高您的 LangGraph 项目的性能。LangSmith 允许您使用追踪数据来调试、测试和监控使用 LangGraph 构建的 LLM 应用 — 在此处阅读更多关于如何入门的信息。

定义图¶

在本例中，我们将使用预构建的 ReAct 智能体。

^{API 参考：ChatOpenAI | create_react_agent | tool}

from langchain_openai import ChatOpenAI
from typing import Literal
from langgraph.prebuilt import create_react_agent
from langchain_core.tools import tool

# First we initialize the model we want to use.
model = ChatOpenAI(model="gpt-4o", temperature=0)


# For this tutorial we will use custom tool that returns pre-defined values for weather in two cities (NYC & SF)
@tool
def get_weather(city: Literal["nyc", "sf"]):
    """Use this to get weather information."""
    if city == "nyc":
        return "It might be cloudy in nyc"
    elif city == "sf":
        return "It's always sunny in sf"
    else:
        raise AssertionError("Unknown city")


tools = [get_weather]


# Define the graph
graph = create_react_agent(model, tools=tools)

运行您的图¶

现在我们已经定义了图，让我们运行一次并在 LangSmith 中查看追踪。为了让我们的追踪在 LangSmith 中易于访问，我们将在配置中传入一个自定义的 run_id。

这假设您已经设置了 LANGSMITH_API_KEY 环境变量。

请注意，您还可以通过设置 LANGCHAIN_PROJECT 环境变量来配置要追踪到哪个项目，默认情况下，运行将被追踪到 default 项目。

import uuid


def print_stream(stream):
    for s in stream:
        message = s["messages"][-1]
        if isinstance(message, tuple):
            print(message)
        else:
            message.pretty_print()


inputs = {"messages": [("user", "what is the weather in sf")]}

config = {"run_name": "agent_007", "tags": ["cats are awesome"]}

print_stream(graph.stream(inputs, config, stream_mode="values"))

输出

================================ Human Message ==================================

what is the weather in sf
================================== Ai Message ===================================
Tool Calls:
  get_weather (call_9ZudXyMAdlUjptq9oMGtQo8o)
 Call ID: call_9ZudXyMAdlUjptq9oMGtQo8o
  Args:
    city: sf
================================= Tool Message ==================================
Name: get_weather

It's always sunny in sf
================================== Ai Message ===================================

The weather in San Francisco is currently sunny.

在 LangSmith 中查看追踪¶

现在我们已经运行了图，让我们前往 LangSmith 查看我们的追踪。首先点击您追踪到的项目（在我们的例子中是默认项目）。您应该会看到一个名为“agent_007”的自定义运行名称的运行。

LangSmith Trace View

此外，您之后将能够使用提供的标签或元数据来筛选追踪。例如，

LangSmith Filter View