MLflow

MLflow 是一個多功能、開放原始碼平台，用於管理機器學習和生成式 AI 生命週期中的工作流程和工件。它內建與許多流行的 AI 和 ML 函式庫的整合，但可以與任何函式庫、演算法或部署工具一起使用。

MLflow 的 LangChain 整合提供以下功能

追蹤：透過一行程式碼 (mlflow.langchain.autolog()) 可視化資料流經 LangChain 組件的路徑
實驗追蹤：記錄 LangChain 執行中的工件、程式碼和指標
模型管理：對 LangChain 應用程式進行版本控制和部署，並追蹤依賴關係
評估：衡量 LangChain 應用程式的效能

注意：MLflow 追蹤功能在 MLflow 2.14.0 及更高版本中可用。

本簡短指南重點介紹 MLflow 用於 LangChain 和 LangGraph 應用程式的追蹤功能。您將了解如何使用一行程式碼啟用追蹤，並檢視應用程式的執行流程。如需 MLflow 其他功能以及探索其他教學課程的相關資訊，請參閱 LangChain 的 MLflow 文件。如果您是 MLflow 的新手，請查看 MLflow 入門指南。

設定

若要開始使用 LangChain 的 MLflow 追蹤功能，請安裝 MLflow Python 套件。我們也將使用 langchain-openai 套件。

%pip install mlflow langchain-openai langgraph -qU

接下來，設定 MLflow 追蹤 URI 和 OpenAI API 金鑰。

import os

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

MLflow 追蹤

MLflow 的追蹤功能可協助您視覺化 LangChain 應用程式的執行流程。以下說明如何啟用它。

import mlflow

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

# Enable tracing
mlflow.langchain.autolog()

範例：追蹤 LangChain 應用程式

以下是一個完整的範例，展示 LangChain 的 MLflow 追蹤

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 參考：StrOutputParser | ChatPromptTemplate | ChatOpenAI

若要檢視追蹤，請在您的終端機中執行 mlflow ui，並導覽至 MLflow UI 中的「Traces」標籤頁。

範例：追蹤 LangGraph 應用程式

MLflow 也支援追蹤 LangGraph 應用程式

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 參考：tool | create_react_agent

若要檢視追蹤，請在您的終端機中執行 mlflow ui，並導覽至 MLflow UI 中的「Traces」標籤頁。

資源

如需有關搭配 LangChain 使用 MLflow 的更多資訊，請造訪

設定​

MLflow 追蹤​

範例：追蹤 LangChain 應用程式​

範例：追蹤 LangGraph 應用程式​

資源​

此頁面是否對您有幫助？

設定

MLflow 追蹤

範例：追蹤 LangChain 應用程式

範例：追蹤 LangGraph 應用程式

資源