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

• LangSmith 文档
• LangSmith 平台
• RunnableConfig
• 向跟踪添加元数据和标签
• 自定义运行名称

在 IDE 或终端中调试图运行有时可能很困难。LangSmith 让您可以使用跟踪数据来调试、测试和监控使用 LangGraph 构建的 LLM 应用程序 — 阅读 LangSmith 文档 以获取有关如何入门的更多信息。

为了更轻松地识别和分析图调用期间生成的跟踪，您可以在运行时设置其他配置（请参阅 RunnableConfig）

字段	类型	描述
run_name	str	此调用的跟踪器运行的名称。默认为类名。
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]	此调用和任何子调用的标签（例如，Chain 调用 LLM）。您可以使用这些标签来过滤调用。
metadata	Dict[str, Any]	此调用和任何子调用的元数据（例如，Chain 调用 LLM）。键应为字符串，值应为 JSON 可序列化。

LangGraph 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 搜索和过滤跟踪。

TLDR

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")

本操作指南的其余部分将展示一个完整的 Agent。

设置

首先，让我们安装所需的软件包并设置我们的 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")

为 LangGraph 开发设置 LangSmith

注册 LangSmith 以快速发现问题并提高 LangGraph 项目的性能。LangSmith 让您可以使用跟踪数据来调试、测试和监控使用 LangGraph 构建的 LLM 应用程序 — 阅读 此处 了解更多关于如何入门的信息。

定义图

在本示例中，我们将使用预构建的 ReAct Agent。

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)

API 参考: ChatOpenAI | create_react_agent | tool

运行您的图

现在我们已经定义了我们的图，让我们运行一次并在 LangSmith 中查看跟踪。为了使我们的跟踪在 LangSmith 中易于访问，我们将在配置中传入自定义 run_id。

这假定您已设置 LANGSMITH_API_KEY 环境变量。

请注意，您还可以通过设置 LANGCHAIN_PROJECT 环境变量来配置要跟踪到的项目，默认情况下，运行将跟踪到 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"))

================================ 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 中查看跟踪

现在我们已经运行了我们的图，让我们前往 LangSmith 并查看我们的跟踪。首先单击您跟踪到的项目（在我们的例子中是 default 项目）。您应该看到一个带有自定义运行名称 "agent_007" 的运行。

此外，您将能够在事后使用提供的标签或元数据过滤跟踪。例如，

评论