当前位置： 首页 > wzjs >正文

phpcms企业网站源码网站开发高级工程师专业

wzjs 2025/9/12 2:59:09
phpcms企业网站源码,网站开发高级工程师专业,建e室内设计网官网图库,海口顶尖网站建设文章目录 LangChain服务监控LangSmith Tracing（跟踪）Verbose（1详细日志打印）Debug（调试日志打印）源码地址参考资料 LangChain服务监控 与构建任何类型的软件一样，使用LLM构建时，总会…

文章目录

  • LangChain服务监控
  • LangSmith Tracing（跟踪）
  • Verbose（1详细日志打印）
  • Debug（调试日志打印）
  • 源码地址
  • 参考资料

LangChain服务监控

与构建任何类型的软件一样，使用LLM构建时，总会有调试的需求。模型调用可能会失败，模型输出可能格式错误，或者可能存在一些嵌套的模型调用，不清楚在哪一步出现错误的输出。有三种主要的调试方法：

  • 详细模式（Verbose）：为链中的“重要”事件添加打印语句。
  • 调试模式（Debug）：为你的链中的所有事件添加日志记录语句。
  • LangSmith跟踪：将事件基于到LangSmith，以便在那里进行可视化。
详细模式（Verbose）调试模式（Debug）LangSmith跟踪
免费✅✅✅
用户界面❌❌✅
持久化❌❌✅
查看所有事件❌✅✅
查看“重要”事件✅❌✅
本地运行✅✅❌

LangSmith Tracing（跟踪）

使用LangChain构建的许多应用程序将包含多个步骤，其中包含多次LLM调用。随着这些应用程序变得越来越复杂，能够检查链或代理内部发生了什么变得至关重要。这样做的最佳方式是使用LangSmith。在下面的链接上注册后，设置好环境变量以开始记录跟踪：

LangSmith官网：https://smith.langchain.com/

tavily官网：https://tavily.com/

# windows 命令行环境变量
# LANGCHAIN_TRACING_V2 也可以在代码中显示声明
setx LANGCHAIN_TRACING_V2 "true" 
# 配置LangSmith api key
setx LANGCHAIN_API_KEY "xxx"
# 配置taily api key
setx TAVILY_API_KEY "xxx"# mac 导入环境变量（待验证）
export LANGCHAIN_TRACING_V2="true"
export LANGCHAIN_API_KEY="xxx"
export TAVILY_API_KEY="xxx"

假如有一个代理，并且希望可视化它所采取的操作和接受到的工具输出。在没有任何调试的情况下，这是我们看到的：

from langchain_openai import ChatOpenAI
from langchain.agents import AgentExecutor, create_tool_calling_agent
from langchain_community.tools.tavily_search import TavilySearchResults
from langchain_core.prompts import ChatPromptTemplate
import osos.environ["LANGCHAIN_TRACING_V2"] = "true"llm = ChatOpenAI()
tools = [TavilySearchResults(max_results=1)]
prompt = ChatPromptTemplate.from_messages([("system", "你是一位得力的助手",),("placeholder", "{chat_history}"),("human", "{input}"),("placeholder", "{agent_scratchpad}"),]
)
# 构建工具代理
agent = create_tool_calling_agent(llm, tools, prompt)
# 通过传入代理和工具来创建代理执行器
agent_executor = AgentExecutor(agent=agent, tools=tools)
response = agent_executor.invoke({"input": "谁指导了2023年的电影《奥本海默》，他多少岁了？"}
)
print(response)

输出示例：

{'input': '谁指导了2023年的电影《奥本海默》，他多少岁了？', 'output': '2023年电影《奥本海默》是由克里斯托弗·诺兰（Christopher Nolan）执导的。诺兰出生于1970年7月30日，到2023年时，他53岁。'}

我们没有得到太多的日志打印，但由于我们设置了LangSmith，我们可以轻松地在LangSmith的界面上看到发生了什么：

https://smith.langchain.com/o/f7548a33-64ad-444b-88e0-20e7f12d77bb/projects

image-20250323150814777

image-20250323150829375

总结：配置好LANGCHAIN_API_KEY后，以后只要在环境变量中设置LANGCHAIN_TRACING_V2为true或者在代码中使用os.environ["LANGCHAIN_TRACING_V2"] = "true"就可上报信息到LangSm

Verbose（1详细日志打印）

如果在Jupyter笔记本中进行原型设计或运行Python，打印出链运行的中间步骤可能会有所帮助。有需要方法可以以不同程度的详细程度启动打印。注意：即便启动了LangSmith，这些仍然有效，因此你可以同时打开并运行它们。

set_verbose(True)

设置verbose标志将以稍微更易读的格式打印出输入和输出，并将跳过记录某些原始输出（例如LLM调用的令牌使用统计信息），以便可以专注于应用程序逻辑。

from langchain_openai import ChatOpenAI
from langchain.agents import AgentExecutor, create_tool_calling_agentfrom langchain_community.tools.tavily_search import TavilySearchResults
from langchain_core.prompts import ChatPromptTemplate
from langchain.globals import set_verbosellm = ChatOpenAI()
tools = [TavilySearchResults(max_results=1)]
prompt = ChatPromptTemplate.from_messages([("system", "你是一位得力的助手",),("placeholder", "{chat_history}"),("human", "{input}"),("placeholder", "{agent_scratchpad}"),]
)
# 构建工具代理
agent = create_tool_calling_agent(llm, tools, prompt)
# 打印详细日志
set_verbose(True)
# 通过传入代理和工具来创建代理执行器
agent_executor = AgentExecutor(agent=agent, tools=tools)
response = agent_executor.invoke({"input": "谁指导了2023年的电影《奥本海默》，他多少岁了？"}
)
print(response)

输出示例：

> Entering new AgentExecutor chain...
2023年的电影《奥本海默》是由克里斯托弗·诺兰（Christopher Nolan）执导的。诺兰出生于1970年7月30日，到2023年他已经53岁了。诺兰以其对时间、叙事结构和视觉效果的创新运用而闻名，像《盗梦空间》、《星际穿越》和《敦刻尔克》都是他执导的著名作品。你有看过《奥本海默》吗？> Finished chain.
{'input': '谁指导了2023年的电影《奥本海默》，他多少岁了？', 'output': '2023年的电影《奥本海默》是由克里斯托弗·诺兰（Christopher Nolan）执导的。诺兰出生于1970年7月30日，到2023年他已经53岁了。诺兰以其对时间、叙事结构和视觉效果的创新运用而闻名，像《盗梦空间》、《星际穿越》和《敦刻尔克》都是他执导的著名作品。\n\n你有看过《奥本海默》吗？'}

Debug（调试日志打印）

set_debug（True）

设置全局的debug标志将导致所有具有回调支持的LangChain组件(链、模型、代理、工具、检索器）打印它们接受的输入和生成的输出。这是最详细的设置，将完全记录原始输入和输出。

from langchain_openai import ChatOpenAI
from langchain.agents import AgentExecutor, create_tool_calling_agent
from langchain_community.tools.tavily_search import TavilySearchResults
from langchain_core.prompts import ChatPromptTemplate
from langchain.globals import set_debugllm = ChatOpenAI()
tools = [TavilySearchResults(max_results=1)]
prompt = ChatPromptTemplate.from_messages([("system", "你是一位得力的助手",),("placeholder", "{chat_history}"),("human", "{input}"),("placeholder", "{agent_scratchpad}"),]
)
# 构建工具代理
agent = create_tool_calling_agent(llm, tools, prompt)
# 打印详细日志
set_debug(True)
# 通过传入代理和工具来创建代理执行器
agent_executor = AgentExecutor(agent=agent, tools=tools)
response = agent_executor.invoke({"input": "谁指导了2023年的电影《奥本海默》，他多少岁了？"}
)
print(response)

输出示例：

[chain/start] [chain:AgentExecutor] Entering Chain run with input:
{"input": "谁指导了2023年的电影《奥本海默》，他多少岁了？"
}
[chain/start] [chain:AgentExecutor > chain:RunnableSequence] Entering Chain run with input:
{"input": ""
}
[chain/start] [chain:AgentExecutor > chain:RunnableSequence > chain:RunnableAssign<agent_scratchpad>] Entering Chain run with input:
{"input": ""
}
[chain/start] [chain:AgentExecutor > chain:RunnableSequence > chain:RunnableAssign<agent_scratchpad> > chain:RunnableParallel<agent_scratchpad>] Entering Chain run with input:
{"input": ""
}
[chain/start] [chain:AgentExecutor > chain:RunnableSequence > chain:RunnableAssign<agent_scratchpad> > chain:RunnableParallel<agent_scratchpad> > chain:RunnableLambda] Entering Chain run with input:
{"input": ""
}
[chain/end] [chain:AgentExecutor > chain:RunnableSequence > chain:RunnableAssign<agent_scratchpad> > chain:RunnableParallel<agent_scratchpad> > chain:RunnableLambda] [1ms] Exiting Chain run with output:
{"output": []
}
[chain/end] [chain:AgentExecutor > chain:RunnableSequence > chain:RunnableAssign<agent_scratchpad> > chain:RunnableParallel<agent_scratchpad>] [1ms] Exiting Chain run with output:
{"agent_scratchpad": []
}
[chain/end] [chain:AgentExecutor > chain:RunnableSequence > chain:RunnableAssign<agent_scratchpad>] [1ms] Exiting Chain run with output:
{"input": "谁指导了2023年的电影《奥本海默》，他多少岁了？","intermediate_steps": [],"agent_scratchpad": []
}
[chain/start] [chain:AgentExecutor > chain:RunnableSequence > prompt:ChatPromptTemplate] Entering Prompt run with input:
{"input": "谁指导了2023年的电影《奥本海默》，他多少岁了？","intermediate_steps": [],"agent_scratchpad": []
}
[chain/end] [chain:AgentExecutor > chain:RunnableSequence > prompt:ChatPromptTemplate] [1ms] Exiting Prompt run with output:
[outputs]
[llm/start] [chain:AgentExecutor > chain:RunnableSequence > llm:ChatOpenAI] Entering LLM run with input:
{"prompts": ["System: 你是一位得力的助手\nHuman: 谁指导了2023年的电影《奥本海默》，他多少岁了？"]
}
[llm/end] [chain:AgentExecutor > chain:RunnableSequence > llm:ChatOpenAI] [1.98s] Exiting LLM run with output:
{"generations": [[{"text": "2023年电影《奥本海默》是由克里斯托弗·诺兰（Christopher Nolan）执导的。诺兰出生于1970年7月30日，到了2023年，他大约是53岁。诺兰以执导《盗梦空间》、《黑暗骑士三部曲》等经典电影而闻名，以其复杂的叙事结构和独特的视听风格获得了广泛的认可。","generation_info": {"finish_reason": "stop","model_name": "gpt-3.5-turbo-0613","system_fingerprint": "fp_b28b39ffa8"},"type": "ChatGenerationChunk","message": {"lc": 1,"type": "constructor","id": ["langchain","schema","messages","AIMessageChunk"],"kwargs": {"content": "2023年电影《奥本海默》是由克里斯托弗·诺兰（Christopher Nolan）执导的。诺兰出生于1970年7月30日，到了2023年，他大约是53岁。诺兰以执导《盗梦空间》、《黑暗骑士三部曲》等经典电影而闻名，以其复杂的叙事结构和独特的视听风格获得了广泛的认可。","response_metadata": {"finish_reason": "stop","model_name": "gpt-3.5-turbo-0613","system_fingerprint": "fp_b28b39ffa8"},"type": "AIMessageChunk","id": "run-c2fc6a5d-632b-493f-9a74-0f2f3dd5e9f3","tool_calls": [],"invalid_tool_calls": []}}}]],"llm_output": null,"run": null,"type": "LLMResult"
}
[chain/start] [chain:AgentExecutor > chain:RunnableSequence > parser:ToolsAgentOutputParser] Entering Parser run with input:
[inputs]
[chain/end] [chain:AgentExecutor > chain:RunnableSequence > parser:ToolsAgentOutputParser] [0ms] Exiting Parser run with output:
[outputs]
[chain/end] [chain:AgentExecutor > chain:RunnableSequence] [1.99s] Exiting Chain run with output:
[outputs]
[chain/end] [chain:AgentExecutor] [1.99s] Exiting Chain run with output:
{"output": "2023年电影《奥本海默》是由克里斯托弗·诺兰（Christopher Nolan）执导的。诺兰出生于1970年7月30日，到了2023年，他大约是53岁。诺兰以执导《盗梦空间》、《黑暗骑士三部曲》等经典电影而闻名，以其复杂的叙事结构和独特的视听风格获得了广泛的认可。"
}
{'input': '谁指导了2023年的电影《奥本海默》，他多少岁了？', 'output': '2023年电影《奥本海默》是由克里斯托弗·诺兰（Christopher Nolan）执导的。诺兰出生于1970年7月30日，到了2023年，他大约是53岁。诺兰以执导《盗梦空间》、《黑暗骑士三部曲》等经典电影而闻名，以其复杂的叙事结构和独特的视听风格获得了广泛的认可。'}

源码地址

https://github.com/lys1313013/langchain-example/tree/main/05-debug

参考资料

B站：2025吃透LangChain大模型全套教程（LLM+RAG+OpenAI+Agent）第4集后半段

LangChain官网：LangSmith Walkthrough


文章转载自：

http://H5C6iI7U.zqzzn.cn
http://GLdareNu.zqzzn.cn
http://ede8DzBJ.zqzzn.cn
http://6Fe0VkSm.zqzzn.cn
http://dNd0fuBQ.zqzzn.cn
http://nW1vvUQ4.zqzzn.cn
http://d0UDjEfL.zqzzn.cn
http://xHVYSrmI.zqzzn.cn
http://5IQaDaTi.zqzzn.cn
http://f68qsAQw.zqzzn.cn
http://vkEvR4PW.zqzzn.cn
http://iCIjQvY5.zqzzn.cn
http://91wCLPVk.zqzzn.cn
http://qacWtHi9.zqzzn.cn
http://mhnJSdeS.zqzzn.cn
http://tEL30wQ1.zqzzn.cn
http://jWT4Al0N.zqzzn.cn
http://prEnMJpz.zqzzn.cn
http://ojFhJhLH.zqzzn.cn
http://qGWodQGZ.zqzzn.cn
http://MfhoyjkH.zqzzn.cn
http://IdyhESqX.zqzzn.cn
http://Ycemg8iH.zqzzn.cn
http://uZHQgCZ3.zqzzn.cn
http://jhztdFrK.zqzzn.cn
http://cH5fzHVV.zqzzn.cn
http://Bj6TEePo.zqzzn.cn
http://nmrl8stc.zqzzn.cn
http://TZykNNf8.zqzzn.cn
http://2JtKsxnT.zqzzn.cn
http://www.dtcms.com/wzjs/700080.html

相关文章：

  • 建设信源网站购物网站后台设计
  • 手机门户网站建设方案云服务器可以放几个网站
  • 网站后台图片编辑器校园网站建设初探论文
  • 做棋牌网站违法吗怎么开网店流程
  • 怎么做自己的淘宝网站用dw做网站用div布局
  • 外包做网站需要多少钱启东市建设局网站
  • 重庆做网站的网站地址是什么
  • 网站建设的需要分析贵阳公司网站建立
  • 容桂营销网站建设网站建设官方网站
  • 成都新线加网站建设windows 2008 搭建网站
  • 个人怎么做音乐网站国外设计师wordpress主题
  • 怎样建立和设计公司网站企业网站开发一薇
  • 怎么用阿帕奇做网站群晖 wordpress 外网访问
  • 芯港小镇建设管理中心网站网站推广seo软件
  • 设计网站需要考虑哪些什么是网站镜像
  • 物流网站方案关键词加入搜索引擎网站
  • 网站建设重要新广告发布与制作
  • 厦门图书馆网站建设网络营销图片素材
  • 专业建站推广服务网站logo图标
  • 使用angularjs的网站营销型网站的页面层级
  • 西昌市建设工程管理局网站网站title怎么修改
  • 宜春网站建设公司263企业邮箱官网登录
  • 城阳网站开发公司网页设计模板图片素材下载
  • 如何评价网站是否做的好处wordpress vul
  • 有没有一些帮做名片的网站最近在线观看免费大全电视剧
  • 潍城区建设局网站做外单阿里的网站
  • 重庆永川网站建设南京制作网站
  • 网站开发架构文档上海做网站的公
  • 建站平台步骤详解贵阳网站制作软件
  • 江苏建设行政主管部门网站平面设计职业学校