MLflow

MLflow 是一个通用的开源平台，用于管理机器学习和生成式人工智能生命周期中的工作流程和工件。它内置了与许多流行的 AI 和 ML 库的集成，但可以与任何库、算法或部署工具一起使用。

MLflow 的 LangChain 集成提供了以下功能

追踪：只需一行代码 (mlflow.langchain.autolog()) 即可可视化数据流经 LangChain 组件的过程
实验跟踪：记录 LangChain 运行中的工件、代码和指标
模型管理：对 LangChain 应用程序进行版本控制和部署，并进行依赖项跟踪
评估：衡量 LangChain 应用程序的性能

注意：MLflow 追踪在 MLflow 2.14.0 及更高版本中可用。

本简短指南侧重于 MLflow 针对 LangChain 和 LangGraph 应用程序的追踪功能。您将看到如何通过一行代码启用追踪，并查看应用程序的执行流程。有关 MLflow 其他功能的信息以及探索更多教程，请参阅 MLflow LangChain 文档。如果您是 MLflow 的新手，请查看 MLflow 入门指南。

设置

要开始使用 MLflow 追踪 LangChain，请安装 MLflow Python 包。我们还将使用 langchain-openai 包。

%pip install mlflow langchain-openai langgraph -qU

接下来，设置 MLflow 追踪 URI 和 OpenAI API 密钥。

import os

# Set MLflow tracking URI if you have MLflow Tracking Server running
os.environ["MLFLOW_TRACKING_URI"] = ""
os.environ["OPENAI_API_KEY"] = ""

MLflow 追踪

MLflow 的追踪功能可帮助您可视化 LangChain 应用程序的执行流程。以下是如何启用它。

import mlflow

# Optional: Set an experiment to organize your traces
mlflow.set_experiment("LangChain MLflow Integration")

# Enable tracing
mlflow.langchain.autolog()

示例：追踪 LangChain 应用程序

这是一个完整的示例，展示了 LangChain 的 MLflow 追踪

import mlflow
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

# Enable MLflow tracing
mlflow.langchain.autolog()

# Create a simple chain
llm = ChatOpenAI(model_name="gpt-4o")

prompt = ChatPromptTemplate.from_messages(
    [
        (
            "system",
            "You are a helpful assistant that translates {input_language} to {output_language}.",
        ),
        ("human", "{input}"),
    ]
)

chain = prompt | llm | StrOutputParser()

# Run the chain
result = chain.invoke(
    {
        "input_language": "English",
        "output_language": "German",
        "input": "I love programming.",
    }
)

API 参考：StrOutputParser | ChatPromptTemplate | ChatOpenAI

要查看追踪，请在终端中运行 mlflow ui，然后导航到 MLflow UI 中的 Traces 选项卡。

示例：追踪 LangGraph 应用程序

MLflow 还支持追踪 LangGraph 应用程序

import mlflow
from langchain_core.tools import tool
from langgraph.prebuilt import create_react_agent

# Enable MLflow tracing
mlflow.langchain.autolog()


# Define a tool
@tool
def count_words(text: str) -> str:
    """Counts the number of words in a text."""
    word_count = len(text.split())
    return f"This text contains {word_count} words."


# Create a LangGraph agent
llm = ChatOpenAI(model="gpt-4o")
tools = [count_words]
graph = create_react_agent(llm, tools)

# Run the agent
result = graph.invoke(
    {"messages": [{"role": "user", "content": "Write me a 71-word story about a cat."}]}
)

API 参考：tool | create_react_agent

要查看追踪，请在终端中运行 mlflow ui，然后导航到 MLflow UI 中的 Traces 选项卡。

资源

有关将 MLflow 与 LangChain 结合使用的更多信息，请访问

设置​

MLflow 追踪​

示例：追踪 LangChain 应用程序​

示例：追踪 LangGraph 应用程序​

资源​

此页是否对您有帮助？

设置

MLflow 追踪

示例：追踪 LangChain 应用程序

示例：追踪 LangGraph 应用程序

资源