- 大家好，我是同学小张，日常分享AI知识和实战案例
- 欢迎 点赞 + 关注 👏，持续学习，持续干货输出。
- +v: jasper_8017 一起交流💬，一起进步💪。
- 微信公众号也可搜【同学小张】 🙏
本站文章一览：
前面我们介绍了LangChain无缝衔接的LangSmith平台，可以跟踪程序运行步骤，提供详细调试信息，同时支持数据集收集和自动化测试评估等功能，极大方便了AI大模型应用程序的开发过程。
本文来介绍另一款生产级AI应用维护平台：LangFuse，它是开源的，是LangSmith 的平替，并且它可集成 LangChain，同时也可直接对接 OpenAI API。
官方网站：https://langfuse.com/
项目地址：https://github.com/langfuse
0. 环境准备
（1）先注册，登录，官网地址在上面
（2）创建Project
（3）生成私钥和公钥
一定要复制并记录下这个私钥和公钥，关闭这个窗口后，私钥就再也看不到了。
（4）本地安装 langfuse
pip install --upgrade langfuse
1. 开始使用
LangFuse有两种集成方式：
- OpenAI API集成
- LangChain集成
在运行之前，先将你的公钥和私钥放到环境变量中。例如.env文件中加入：
LANGFUSE_SECRET_KEY = "sk-lf-xxxxx"
LANGFUSE_PUBLIC_KEY = "pk-lf-xxxxx"
这样才能使你的程序与你在LangFuse官网上建立的跟踪项目链接起来。
不了解怎么写.env文件的可以看下我前面的文章：【AI大模型应用开发】0. 开篇，用OpenAI API写个Hello World ！
1.1 OpenAI API集成方式
集成步骤：
（1）引入langfuse中的openai：from langfuse.openai import openai，用这个才能集成langfuse
（2）使用Langfuse实例的trace函数，传入一些个人和项目信息
（3）openai接口调用，多了一个trace_id参数
from datetime import datetime
from langfuse.openai import openai ## 1. 引入langfuse中的openai
from langfuse import Langfuse
import os
## 2. 使用Langfuse实例的trace函数，传入一些个人和项目信息
trace = Langfuse().trace(
name = "hello-world",
user_id = "同学小张",
release = "v0.0.1"
)
completion = openai.chat.completions.create(
name="hello-world",
model="gpt-3.5-turbo",
messages=[
{"role": "user", "content": "对我说'Hello, World!'"}
],
temperature=0,
trace_id=trace.id, ## 3. openai接口调用，多了一个trace_id参数
)
print(completion.choices[0].message.content)
## 输出：Hello, World!
运行之后看下LangFuse平台，应该能看到你的项目和调用了。
1.2 LangChain集成方式
通过 LangChain 的回调集成。
集成步骤：
（1）从langfuse中引入CallbackHandler：from langfuse.callback import CallbackHandler
（2）在CallbackHandler中设置个人和项目信息
（3）正常创建LangChain应用和流程
（4）invoke时，将CallbackHandler填入config参数中：config={"callbacks":[handler]}
from langfuse.callback import CallbackHandler
handler = CallbackHandler(
trace_name="SayHello",
user_id="同学小张",
)
from langchain_openai import ChatOpenAI
from langchain.prompts import PromptTemplate
from langchain.schema.output_parser import StrOutputParser
from langchain.schema.runnable import RunnablePassthrough
from langchain.schema import HumanMessage
from langchain.prompts.chat import HumanMessagePromptTemplate
from langchain.prompts import ChatPromptTemplate
model = ChatOpenAI(model="gpt-3.5-turbo-0613")
prompt_template = """
我的名字叫【{name}】，我的个人介绍是【{description}】。
请根据我的名字和介绍，帮我想一段有吸引力的自我介绍的句子，以此来吸引读者关注和点赞我的账号。
"""
prompt = ChatPromptTemplate.from_messages([
HumanMessagePromptTemplate.from_template(prompt_template)
])
# 定义输出解析器
parser = StrOutputParser()
chain = (
{"name":RunnablePassthrough(), "description":RunnablePassthrough() } ## 这里是给prompt的输入，两个参数
| prompt
| model
| parser
)
## invoke的第一个参数，传入json格式的参数，key与prompt中的参数名一致
response = chain.invoke({'name': '同学小张', 'description': '热爱AI，持续学习，持续干货输出'}, config={"callbacks":[handler]})
print(response)
运行之后看下LangFuse平台，应该能看到你的项目和调用了。
2. 详细信息查看 – Traces页面
使用Traces页面，可以看到你每次程序运行的详细过程，包括每一步的输入、输出、耗时、token数等。
（1）进入Traces，可以看到你所有的运行目录。
（2）点击上方的任一ID，可以进入到本次运行的详细跟踪页面。该页面包含了本次运行的过程：详细执行步骤（右侧）。点击任一步骤，可以在左侧看到本步骤的输入和输出，以及耗时和token数（图中的148->241表示输入148token，输出241token）。
有了这个页面，你可以轻易的跟踪输入输出是否有问题，哪一步有问题，从而更好的调优你的程序。这个比自己打日志的信息更详细和更好用多了。
3. 在线数据标注和收集
Langfuse与LangSmith一样，也可以在线进行数据标注和收集。
（1）首先你需要先创建一个数据集的名称。
（2）如果没有事先创建数据集名称，在下面这一步无法选择dataset… 这是操作不如LangSmith的地方
（3）创建了数据集名称之后，下面这一步就可以正常添加了
（4）然后你就可以看到你添加的数据集了
4. 本地数据集的导入
Langfuse除了支持在线的数据标注和收集，也支持从本地导入数据集。
以AGI课堂中的数据集例子给大家做演示。
数据集格式如下（ .jsonl文件 ）：outlines、user_input 以及 label字段，其中label为标注，也就是输出结果。
{"outlines": "Assistants API\n✅1. OpenAI 给了我们更大空间\n✅2. 原生 API、GPTs、Assistants API、国产/开源大模型选型参考\n✅3. Assistants API 的主要能力\n✅4. 做一个自己的 GPT\n 1. 创建 assistant\n 2. 管理 thread\n 3. 添加 message\n 4. 开始 run\n 5. 中控调度\n 6. Function Calling\n 7. Code Interpreter\n 8. RAG", "user_input": "别进reddit的中文话题，那是最没营养的区域", "label": "N"}
{"outlines": "【神秘嘉宾】大模型时代的AI产品新挑战\n1. AI 能力演进路线\n✅2. LLMs 带来的变化\n✅3. 如何将大模型落地到实际场景中\n✅4. LLMs 存在哪些问题\n✅5. LLMs 落地三要素\n✅6. LLMs 短期、中期和长期落地方向", "user_input": "对话式交互也不是所有场景都合适", "label": "N"}
接口：create_dataset_item
实现代码：
import json
data = []
with open('D:\GitHub\LEARN_LLM\langsmith\my_annotations.jsonl','r',encoding='utf-8') as fp:
for line in fp:
example = json.loads(line.strip())
item = {
"input": {
"outlines": example["outlines"],
"user_input": example["user_input"]
},
"expected_output": example["label"]
}
data.append(item)
from langfuse import Langfuse
from langfuse.model import CreateDatasetRequest, CreateDatasetItemRequest
from tqdm import tqdm
# init
langfuse = Langfuse()
# 考虑演示运行速度，只上传前5条数据
for item in tqdm(data[:5]):
langfuse.create_dataset_item(
dataset_name="assistant-data", ## 注意：这个dataset_name需要提前在Langfuse后台创建
input=item["input"],
expected_output=item["expected_output"]
)
注意：dataset_name的名称需要首先在langfuse平台中手动创建。否则报错：
运行成功后，langfuse中可以看到上传的数据：
5. 数据集的测试与评估
5.1 定义评估标准
这里定义一个简单的标准，就是比较输出和期望的结果是否一样。
def simple_evaluation(output, expected_output):
return output == expected_output
5.2 定义Chain
在这里定义你的待评估的主要数据处理流程程序，也就是你的大模型应用。
from langchain.prompts import PromptTemplate
need_answer=PromptTemplate.from_template("""
*********
你是AIGC课程的助教，你的工作是从学员的课堂交流中选择出需要老师回答的问题，加以整理以交给老师回答。
课程内容:
{outlines}
*********
学员输入:
{user_input}
*********
如果这是一个需要老师答疑的问题，回复Y，否则回复N。
只回复Y或N，不要回复其他内容。""")
model = ChatOpenAI(temperature=0,model_kwargs={"seed":42})
parser = StrOutputParser()
chain_v1 = (
need_answer
| model
| parser
)
5.3 运行测试
下面的代码中几个关键点：
（1）ThreadPoolExecutor用来开启线程池，并行测试数据集内的测试数据，可不用，串行测试即可，只是需要花更多时间。
（2）获取数据集的接口: dataset = langfuse.get_dataset(dataset_name)
（3）通过callback与LangChain集成：handler = item.get_langchain_handler(run_name=run_name)
（4）评分：handler.root_span.score，其中value为上面咱们自定义的评估标准函数
（5）本次测试的名称：run_name，也就是“v1-xxxxx”。
from concurrent.futures import ThreadPoolExecutor
from functools import partial
from langfuse import Langfuse
langfuse = Langfuse()
def run_evaluation(chain, dataset_name, run_name):
dataset = langfuse.get_dataset(dataset_name)
def process_item(item):
handler = item.get_langchain_handler(run_name=run_name)
# Assuming chain.invoke is a synchronous function
output = chain.invoke(item.input, config={"callbacks": [handler]})
# Assuming handler.root_span.score is a synchronous function
handler.root_span.score(
name="accuracy",
value=simple_evaluation(output, item.expected_output)
)
print('.', end='',flush=True)
# Using ThreadPoolExecutor with a maximum of 10 workers
with ThreadPoolExecutor(max_workers=4) as executor:
# Map the process_item function to each item in the dataset
executor.map(process_item, dataset.items)
run_evaluation(chain_v1, "assistant-data", "v1-"+str(uuid.uuid4())[:8])
5.4 运行结果
测试结果：
每个数据的测试结果及详情：
本文到这里就结束了，在本文中，我们全面介绍了Langfuse平台的基本功能：从程序运行监控、跟踪，到数据集的创建、建立自己的评估标准，再到实际运行一个测试，得到测试结果。简单的使用，相信大家能对langfuse平台有一个全面的认识。
如果觉得本文对你有帮助，麻烦点个赞和关注呗 ~~~
- 大家好，我是同学小张，日常分享AI知识和实战案例
- 欢迎 点赞 + 关注 👏，持续学习，持续干货输出。
- +v: jasper_8017 一起交流💬，一起进步💪。
- 微信公众号也可搜【同学小张】 🙏
本站文章一览：
版权声明：本文为博主作者：同学小张原创文章，版权归属原作者，如果侵权，请联系我们删除！
原文链接：https://blog.csdn.net/Attitude93/article/details/136053869
