- 大家好，我是同学小张，日常分享AI知识和实战案例
- 欢迎 点赞 + 关注 👏，持续学习，持续干货输出。
- 一起交流💬，一起进步💪。
- 微信公众号也可搜【同学小张】 🙏
本站文章一览：
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：
点击该项目可进入详细页面：
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。
（1）在详细页面点击Prompt模板或大模型相关的步骤，在页面的右上角会出现 Playground图标，点击图标可进入Playground页面。
（2）Playground页面内容如下，它展示了Prompt模板内容、输入内容以及大模型的输入参数，如使用的LangChain的ChatOpenAI模块、使用的gpt-3.5-turbo模型、温度参数为1等。运行start按钮，会在Output部分展示大模型输出结果。
我们利用这个页面，随意更改Prompt模板、输入或者大模型参数，可以很方便地知道我们能得到一个什么样地大模型结果。当认为结果符合自己地预期时，再将此时地Prompt模板、输入和大模型参数固定下来，填到程序中即可。
（3）在运行start之前，需要将OpenAI地API Key填入。
（4）如果使用了代理，还需要将代理服务地址填进来
（5）运行后结果示例：
3. 在线标注和数据收集
LangSimth平台支持在线标注和收集数据。
（1）在工程Traces监控目录，右上角有一个Add to Dataset按钮，点击。
（2）数据收集和标注页面，自动将输入和输出收集起来。你需要选择一个Dataset，或创建一个新的数据集
（3）创建新的数据集示例
（4）收集完的数据，在Datasets & Testing界面可以看到
好了，本文就到这里，跟着本文，相信你已经对LangSimth平台的使用有了一个大体的认识。具体应用示例我会在后面逐步更新。
如果觉得本文对你有帮助，麻烦点个赞和关注呗 ~~~
- 大家好，我是同学小张，日常分享AI知识和实战案例
- 欢迎 点赞 + 关注 👏，持续学习，持续干货输出。
- 一起交流💬，一起进步💪。
- 微信公众号也可搜【同学小张】 🙏
本站文章一览：
