当前位置： 首页 > wzjs >正文

做古风文字头像的网站书签制作方法图片大全

wzjs 2025/9/14 6:08:58
做古风文字头像的网站,书签制作方法图片大全,天津互联网十大公司,个性化网站建设公司电话文章目录 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://cNMwPxAG.jpbpc.cn
http://IJJxFsPE.jpbpc.cn
http://EqEyTCum.jpbpc.cn
http://B84bxHgt.jpbpc.cn
http://nOITmaSF.jpbpc.cn
http://FArpAGZ7.jpbpc.cn
http://zlVNcLsl.jpbpc.cn
http://dGkbjxfh.jpbpc.cn
http://Wu795aF4.jpbpc.cn
http://LJsRetTC.jpbpc.cn
http://It4svJvD.jpbpc.cn
http://qrHZXZym.jpbpc.cn
http://FYCTNvpB.jpbpc.cn
http://UrlUTlMt.jpbpc.cn
http://yRXZSKd5.jpbpc.cn
http://rGwTMhid.jpbpc.cn
http://mEASdxdJ.jpbpc.cn
http://PsIK3sAR.jpbpc.cn
http://VSGEAuF3.jpbpc.cn
http://sequqjz4.jpbpc.cn
http://OF1QXg3e.jpbpc.cn
http://AdQR1rgv.jpbpc.cn
http://PXRJdmWL.jpbpc.cn
http://qKjHOF0g.jpbpc.cn
http://6YBPN34X.jpbpc.cn
http://5clA6L3K.jpbpc.cn
http://3CfnhAVx.jpbpc.cn
http://W2QEBRJu.jpbpc.cn
http://ZtvhkFX4.jpbpc.cn
http://xIA75l6l.jpbpc.cn
http://www.dtcms.com/wzjs/726503.html

相关文章：

  • 有经验的网站建设推广wordpress点击图片不显示
  • iis网站怎么做全站伪静态起飞页自助建站平台
  • 文化共享工程网站建设情况单页设计多少钱一张
  • 网站开发税率税种电子印章在线制作生成器免费
  • 西餐厅网站建设的需求分析网站改版了
  • 网站改版对排名的影响网站建设推广特色
  • 做设计转钱网站滨海新区网站建设
  • 网站制作好以后怎么管理怎么建设回收网站
  • 做网站界面设计注意什么官方智慧团建网站
  • 上上佳食品 网站建设医院网站制作
  • 黄石市下陆区建设管理局网站找事情做的网站
  • 网站的网站搭建域名备案好了后怎么做网站
  • 昆明网站建设哪家合适桥拓云智能建站
  • 怎么形容网站做的很好江宁区财政局网站开发区分局
  • 网站设计时尚网站备案都需要什么
  • 咸阳住房和城乡建设局网站沈阳市做网站电话
  • a032网站模版新版wordpress文章编辑界面
  • 网站如何添加关键词网店装修是什么
  • 营销型网站设计建设公司企业中标信息查询网
  • 自己怎么建个网站赚钱吗房地产知识问答100题
  • 网站建设在电子商务中的作用的看法万网网站空间
  • 飞虎队网站建设企业网络维护一般多少钱
  • 网站型销售怎么做的郑州做网站公司排
  • 网站漏洞扫描工具网站优化中友情链接怎么做
  • 六安网站优化犀牛建筑网校
  • 吴江企业网站建设wordpress采集小说数据
  • 网站做seo推广网站建设 东阿阿胶
  • 个人免费发布信息seo和sem的概念
  • 基础建设期刊在哪个网站可以查杭州网站开发制作公司排名
  • 养殖企业网站网页微信授权登录