1.概述

        LangSmith提供了用于开发、调试和部署大模型应用的工具，使用LangSmith，开发人员可以对智能应用运行进行跟踪，从而实现应用的可观察性；对输出结果进行评估，从而对智能应用质量进行评价；实施提示词工程，创建、管理和优化提示词。LangSmith提供的免费版和收费版，个人开发和测试使用免费版即可。本文基于一个简单的RAG应用，说明如何使用LangSmith跟踪智能应用的运行过程。

      2.创建简单RAG

        如下代码创建一个基础RAG，不需赘述：

from langchain_community.document_loaders import PyPDFLoader
from langchain_huggingface import HuggingFaceEmbeddings
from langchain_chroma import Chroma
from langchain_text_splitters  import RecursiveCharacterTextSplitter

from openai import OpenAI
#PDF加载器加载文档
loader = PyPDFLoader ("../data/beijing_annual_report_2024.pdf")
docs = loader.load()

#使用RecursiveCharacterTextSplitter进行文档切分

character_splitter = RecursiveCharacterTextSplitter(
    #separators=["\n\n", "\n", ". ", " ", ""],英文文档的分割符示例
    separators=["\n\n", "\n", "。", "，", "、", "；", ""],
    chunk_size=1000,
    chunk_overlap=0)

splits = character_splitter.split_documents(docs)

#把分块保存到向量库，向量库使用chromadb

embedding = HuggingFaceEmbeddings(
    model_name='../models/text2vec-base-chinese'  # 高效的语义模型
)
persist_directory = "../data/chroma"
vectordb = Chroma.from_documents(
    documents=splits,
    embedding=embedding,
    persist_directory=persist_directory  # 允许我们将persist_directory目录保存到磁盘上
)

#定义检索函数

def retrieve(query: str):
    """Retrieve information to help answer a query."""
    retrieved_docs = vectordb.similarity_search(query, k=2)
    serialized = "\n\n".join(
        (f"Source: {doc.metadata}\nContent: {doc.page_content}")
        for doc in retrieved_docs
    )
    return serialized, retrieved_docs

#创建大模型，使用千问
client = OpenAI(
    api_key="sk-*",
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)

#定义RAG方法

def rag(question: str) -> str:
    serialized, raw_docs = retrieve(question)
    system_message = (
        f"Answer the user's question using only the provided information below:{serialized}\n"
    )

    resp = client.chat.completions.create(
        model="qwen-max",
        messages=[
            {"role": "system", "content": system_message},
            {"role": "user", "content": question},
        ],
    )
    return resp.choices[0].message.content

     3.增加可见性

        设置LangSmith相关的环境变量，需要事先在LangSmith注册才能获取KEY和工作空间ID：

import os
os.environ['LANGSMITH_TRACING'] = 'true'
os.environ['LANGSMITH_API_KEY'] = 'lsv2_sk_*'
os.environ['LANGSMITH_WORKSPACE_ID'] = '*'

        对大模型进行封装，修改相关代码：

from langsmith.wrappers import wrap_openai  # traces openai calls
model = OpenAI(
    api_key="sk-*",
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)
client = wrap_openai(model)

        运行应用：

rag("北京市政府工作报告中关于改善民生有哪些举措？")

        登录LangSmith平台，可以看到调用大模型时的输入、输出：

        以上示例中仅跟踪大模型调用，还可以对整个应用进行跟踪，此时需要用@traceable对rag方法增加注解：

from langsmith import traceable

@traceable

def rag(question: str) -> str:

    ……

       再次运行后，查看跟踪页面，效果如下：

     4.langchain agent

        前面的应用使用的标准OpenAI接口创建大模型，LangSmith当然对于langchain（包括链、图和智能体）更是原生支持。对于你既有的应用，仅需要增加三个必须得环境变量即可，原有代码不需做任何修改就可以使用LangSmith进行跟踪。

        以下是示例代码是用的langchain  agent：

#增加三个环境变量

import os
os.environ['LANGSMITH_TRACING'] = 'true'
os.environ['LANGSMITH_API_KEY'] = 'lsv2_sk_*'
os.environ['LANGSMITH_WORKSPACE_ID'] = '*'

      agent代码如下：

#创建大模型

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(
    model = 'qwen-plus',
    api_key = "sk-*",
    base_url = "https://dashscope.aliyuncs.com/compatible-mode/v1")

#定义检索工具

@tool
def retrieve(query: str):
    """Retrieve information to help answer a query."""
    retrieved_docs = vectordb.similarity_search(query, k=2)
    serialized = "\n\n".join(
        (f"Source: {doc.metadata}\nContent: {doc.page_content}")
        for doc in retrieved_docs
    )
    return serialized, retrieved_docs

#创建智能体

from langchain.agents import create_agent
agent = create_agent(
    model=llm,
    tools=[retrieve,]
    )

#调用

result = agent.invoke({
    "messages": [{"role": "user", "content": "北京市政府工作报告中关于促进就业有哪些举措？"}]
})

        登录LangSmith,查看跟踪页面如下：