LangChain智能体开发：快速入门

可观测性 是构建于大型语言模型 (LLM) 上的应用程序的关键要求。LLM 是非确定性的这意味着相同的提示可以产生不同的响应。这种行为使得调试和监控比传统软件更具挑战性。LangSmith 通过提供端到端的可视化来解决这个问题了解您的应用程序如何处理请求。每个请求都会生成一个 追踪它捕获了发生情况的完整记录。在追踪中包含单独的 运行即您的应用程序执行的具体操作例如 LLM 调用或检索步骤。追踪运行允许您检查、调试和验证您的应用程序的行为。在本快速入门中您将设置一个最小的 检索增强生成 (RAG) 应用程序并使用 LangSmith 添加追踪。您将配置您的环境。创建一个检索上下文并调用 LLM 的应用程序。启用追踪以捕获检索步骤和 LLM 调用。在 LangSmith UI 中查看生成的追踪。先决条件在开始之前请确保您拥有一个 LangSmith 帐户在 smith.langchain.com 注册或登录。一个 LangSmith API 密钥按照创建 API 密钥指南操作。一个 OpenAI API 密钥从 OpenAI 控制台生成。本快速入门中的示例应用程序将使用 OpenAI 作为 LLM 提供商。您可以根据您的应用程序的 LLM 提供商调整示例。1. 创建目录并安装依赖项在您的终端中为您的项目创建一个目录并安装依赖项。mkdir ls-observability-quickstart cd ls-observability-quickstart python -m venv .venv source .venv/bin/activate python -m pip install --upgrade pip pip install -U langsmith openai2. 设置环境变量设置以下环境变量LANGSMITH_TRACINGLANGSMITH_API_KEYOPENAI_API_KEY或您的 LLM 提供商的 API 密钥可选LANGSMITH_WORKSPACE_ID如果您的 LangSmith API 密钥链接到多个工作区请设置此变量以指定要使用哪个工作区。export LANGSMITH_TRACINGtrue export LANGSMITH_API_KEYyour-langsmith-api-key export OPENAI_API_KEYyour-openai-api-key export LANGSMITH_WORKSPACE_IDyour-workspace-id如果您正在使用 Anthropic请使用 Anthropic 包装器 来追踪您的调用。对于其他提供商请使用 可追踪包装器。3. 定义您的应用程序您可以使用本步骤中概述的示例应用程序代码来配置 RAG 应用程序。或者您可以使用包含 LLM 调用的自己的应用程序代码。这是一个最小的 RAG 应用程序它直接使用 OpenAI SDK尚未添加任何 LangSmith 追踪。它包含三个主要部分检索器函数模拟文档检索始终返回相同的字符串。OpenAI 客户端实例化一个纯 OpenAI 客户端以发送聊天完成请求。RAG 函数将检索到的文档与用户的提问结合起来形成系统提示使用gpt-4.1-mini调用chat.completions.create()端点并返回助手的响应。将以下代码添加到您的应用程序文件例如app.py或app.tsfrom openai import OpenAI def retriever(query: str): # Minimal example retriever return [Harrison worked at Kensho] # OpenAI client call (no wrapping yet) client OpenAI() def rag(question: str) - str: docs retriever(question) system_message ( Answer the users question using only the provided information below:\n \n.join(docs) ) # This call is not traced yet resp client.chat.completions.create( modelgpt-4.1-mini, messages[ {role: system, content: system_message}, {role: user, content: question}, ], ) return resp.choices[0].message.content if __name__ __main__: print(rag(Where did Harrison work?))4. 追踪 LLM 调用首先您将追踪所有 OpenAI 调用。LangSmith 提供了包装器Python: wrap_openaiTypeScript: wrapOpenAI此片段包装 OpenAI 客户端以便每个后续的模型调用都会自动记录为 LangSmith 中的追踪子运行。在您的应用程序文件中包含突出显示的行from openai import OpenAI from langsmith.wrappers import wrap_openai # traces openai calls def retriever(query: str): return [Harrison worked at Kensho] client wrap_openai(OpenAI()) # log traces by wrapping the model calls def rag(question: str) - str: docs retriever(question) system_message ( Answer the users question using only the provided information below:\n \n.join(docs) ) resp client.chat.completions.create( modelgpt-4.1-mini, messages[ {role: system, content: system_message}, {role: user, content: question}, ], ) return resp.choices[0].message.content if __name__ __main__: print(rag(Where did Harrison work?))调用您的应用程序python app.py您将收到以下输出Harrison worked at Kensho.在 LangSmith UI 中导航到您的工作区的默认追踪项目或您在 步骤 2 中指定的项目。您将看到您刚刚配置的 OpenAI 调用。​5. 追踪整个应用程序您还可以使用traceable装饰器用于 Python 或 TypeScript 来追踪您的整个应用程序而不仅仅是 LLM 调用。在您的应用程序文件中包含突出显示的代码from openai import OpenAI from langsmith.wrappers import wrap_openai from langsmith import traceable def retriever(query: str): return [Harrison worked at Kensho] client wrap_openai(OpenAI()) # keep this to capture the prompt and response from the LLM traceable def rag(question: str) - str: docs retriever(question) system_message ( Answer the users question using only the provided information below:\n \n.join(docs) ) resp client.chat.completions.create( modelgpt-4.1-mini, messages[ {role: system, content: system_message}, {role: user, content: question}, ], ) return resp.choices[0].message.content if __name__ __main__: print(rag(Where did Harrison work?))再次调用应用程序以创建运行python app.py返回到 LangSmith UI导航到您的工作区的默认追踪项目或您在 步骤 2 中指定的项目。您将找到整个应用程序管道的追踪其中包含rag步骤和ChatOpenAILLM 调用。后续步骤以下是一些您可能想进一步探索的主题追踪集成 为各种 LLM 提供商和代理框架提供支持。过滤追踪 可以帮助您有效地浏览和分析包含大量数据的追踪项目中的数据。追踪 RAG 应用程序 是一个完整的教程它为从开发到生产的应用程序添加可观测性。将追踪发送到特定项目 更改您的追踪的目标项目。《DeepSeek高效数据分析从数据清洗到行业案例》聚焦DeepSeek在数据分析领域的高效应用是系统讲解其从数据处理到可视化全流程的实用指南。作者结合多年职场实战经验不仅深入拆解DeepSeek数据分析的核心功能——涵盖数据采集、清洗、预处理、探索分析、建模回归、聚类、时间序列等及模型评估更通过金融量化数据分析、电商平台数据分析等真实行业案例搭配报告撰写技巧提供独到见解与落地建议。助力职场人在激烈竞争中凭借先进技能突破瓶颈实现职业进阶开启发展新篇。