追踪 LangChain 应用（Python 与 JS/TS）

pip install langchain_openai

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

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个有用的助手。请仅根据给定的上下文响应用户的请求。"),
    ("user", "问题：{question}\n上下文：{context}")
])

model = ChatOpenAI(model="gpt-4.1-mini")
output_parser = StrOutputParser()
chain = prompt | model | output_parser

question = "你能总结今天早上的会议吗？"
context = "在今天早上的会议中，我们解决了所有世界冲突。"

chain.invoke({"question": question, "context": context})

# 你可以选择性地启用特定调用..
import langsmith as ls

with ls.tracing_context(enabled=True):
    chain.invoke({"question": "我是否在使用回调？", "context": "我正在使用回调"})

# 这不会被追踪（假设 LANGSMITH_TRACING 未设置）
chain.invoke({"question": "我是否被追踪？", "context": "我没有被追踪"})

# 即使 LANGSMITH_TRACING=true，这也不会被追踪
with ls.tracing_context(enabled=False):
    chain.invoke({"question": "我是否被追踪？", "context": "我没有被追踪"})

# 你可以使用 project_name 参数设置项目名称。
import langsmith as ls

with ls.tracing_context(project_name="我的项目", enabled=True):
    chain.invoke({"question": "我是否在使用上下文管理器？", "context": "我正在使用上下文管理器"})

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

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个有用的人工智能。"),
    ("user", "{input}")
])

# 标签 "model-tag" 和元数据 {"model-key": "model-value"} 将仅附加到 ChatOpenAI 运行
chat_model = ChatOpenAI().with_config({"tags": ["model-tag"], "metadata": {"model-key": "model-value"}})
output_parser = StrOutputParser()

# 标签和元数据可以通过 RunnableConfig 配置
chain = (prompt | chat_model | output_parser).with_config({"tags": ["config-tag"], "metadata": {"config-key": "config-value"}})

# 标签和元数据也可以在运行时传递
chain.invoke({"input": "生命的意义是什么？"}, {"tags": ["invoke-tag"], "metadata": {"invoke-key": "invoke-value"}})

# 在 LangChain 中追踪时，运行名称默认为被追踪对象的类名（例如 'ChatOpenAI'）。
configured_chain = chain.with_config({"run_name": "MyCustomChain"})
configured_chain.invoke({"input": "生命的意义是什么？"})

# 你也可以在调用时配置运行名称，如下所示
chain.invoke({"input": "生命的意义是什么？"}, {"run_name": "MyCustomChain"})

from langchain_openai import ChatOpenAI
from langchain_ollama import ChatOllama

# 为本地模型覆盖模型名称
llm = ChatOllama(
    model="llama2:13b-chat",  # 实际模型 ID
    metadata={"ls_model_name": "llama2-13b-production"}  # 在 LangSmith 中显示的名称
)

# 或用于 OpenAI 以区分配置
llm_creative = ChatOpenAI(
    model="gpt-4.1",
    temperature=0.9,
    metadata={"ls_model_name": "gpt-4.1-creative"}
)

llm_factual = ChatOpenAI(
    model="gpt-4.1",
    temperature=0.1,
    metadata={"ls_model_name": "gpt-4.1-factual"}
)

# 当模型在链中使用时，元数据会被继承
result = llm.invoke("生命的意义是什么？")

import uuid

my_uuid = uuid.uuid4()

# 你可以在调用时配置运行 ID：
chain.invoke({"input": "生命的意义是什么？"}, {"run_id": my_uuid})

import uuid

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

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个有用的助手。请仅根据给定的上下文响应用户的请求。"),
    ("user", "问题：{question}\n\n上下文：{context}")
])
model = ChatOpenAI(model="gpt-4.1-mini")
output_parser = StrOutputParser()

chain = prompt | model | output_parser

question = "你能总结今天早上的会议吗？"
context = "在今天早上的会议中，我们解决了所有世界冲突。"
my_uuid = uuid.uuid4()
result = chain.invoke({"question": question, "context": context}, {"run_id": my_uuid})
print(my_uuid)

from langchain_openai import ChatOpenAI
from langchain_core.tracers.langchain import wait_for_all_tracers

llm = ChatOpenAI()

try:
  llm.invoke("Hello, World!")
finally:
  wait_for_all_tracers()

import langsmith as ls

# 你可以使用 api 密钥和 api url 创建客户端实例
client = ls.Client(
    api_key="YOUR_API_KEY",  # 可以从密钥管理器获取
    api_url="https://api.smith.langchain.com",  # 对于自托管安装或 EU 区域，请相应更新
)

# 你可以将 client 和 project_name 传递给 tracing_context
with ls.tracing_context(client=client, project_name="test-no-env", enabled=True):
    chain.invoke({"question": "我是否在使用回调？", "context": "我正在使用回调"})

import { traceable } from "langsmith/traceable";
import { RunnableLambda } from "@langchain/core/runnables";
import { RunnableConfig } from "@langchain/core/runnables";

const tracedChild = traceable((input: string) => `子运行：${input}`, {
  name: "子运行",
});

const parrot = new RunnableLambda({
  func: async (input: { text: string }, config?: RunnableConfig) => {
    // 将 config 传递给现有的 traceable 函数
    await tracedChild(config, input.text);
    return input.text;
  },
});