LLM 大模型框架 LangChain 可观测性最佳实践-编程知识

LLM（Large Language Model）大模型的可观测性是指对模型内部运行过程的理解和监控能力。由于LLM大模型通常具有庞大的参数量和复杂的网络结构，因此对其内部状态和运行过程的理解和监控是一个重要的问题。

什么是 LangChain？

LangChain 是一个开源的应用开发框架，旨在将大型语言模型（LLM）与开发者现有的知识和系统相结合，以提供更智能化的服务。具体来说，LangChain 可以帮助开发者f轻松地管理与 LLM 的交互，将多个组件链接在一起，并集成额外的资源，例如 API 和数据库。

此外，LangChain 还提供了多种工具、组件和接口，以简化创建由 LLM 提供支持的应用程序的过程。例如，它提供了模型输入/输出管理工具，用于管理 LLM 及其输入和格式化输出；Prompt 模板支持自定义 Prompt 工程的快速实现以及和 LLMs 的对接；Utils 组件提供了大模型常见的植入能力的封装，如搜索引擎、Python 编译器、Bash 编译器、数据库等；Chains 组件则提供了大模型针对一系列任务的顺序执行逻辑链。

因此，LangChain 的应用场景非常广泛，可以应用于自然语言处理、聊天机器人、智能客服、文本生成等多个领域。同时，由于其开源的特性，LangChain 也可以被广大开发者用于定制开发自己的 LLM 应用，从而推动人工智能技术的不断发展和创新。

LangChain 可观测性体系

在这里插入图片描述
LangChain 本身并没有提供可观测性能力，但可以通过集成其他工具来实现对 LangChain 应用的可观测性，以此来提高大模型的可解释性和可控性。

日志：收集、存储和分析 LangChain 应用的日志数据。通过日志数据，可以监控应用程序的运行状态、错误日志、用户行为等信息。
指标：使用监控工具收集 LangChain 应用的性能指标，如响应时间、吞吐量、错误率等。这些指标可以帮助你了解应用程序的性能瓶颈和潜在问题，并及时进行优化和调整。
组件依赖：监控 LangChain 应用所依赖的服务或组件，如数据库、API接口等。确保这些依赖服务的可用性和性能稳定，以避免因依赖问题导致的应用故障。
自定义监控：根据具体需求，可以编写自定义的监控脚本或插件，用于监控特定的业务逻辑或功能。例如，你可以编写脚本监控某个特定任务的执行情况、API 接口的调用频率等。
告警与通知：设置告警规则，当监控数据达到预设的阈值时，触发告警并通知相关人员。这可以帮助你及时发现并处理潜在问题，确保应用程序的稳定运行。
需要注意的是，可观测性方案的选择和实施应根据具体的应用场景和需求进行定制。

LangChain 可观测性接入方案

准备工作

安装 DataKit

token 在「观测云控制台」-「集成」-「Datakit」上面获取。

DK_DATAWAY=“https://openway.guance.com?token=tkn_xxxxxx” bash -c “$(curl -L https://static.guance.com/datakit/install.sh)”

在这里插入图片描述

DataKit 采集器配置

开启 DDTrace 采集器
DDTrace 采集器用于采集链路信息，进入到 DataKit 安装目录下，执行conf.d/ddtrace/，复制ddtrace.conf.sample 并重命名为 ddtrace.conf
开启 StatsD 采集器
StatsD 采集器用于采集指标信息，默认端口为8125。
重启 DataKit
systemctl restart datakit

准备 OpenAI API Key

在 Langchain 应用中使用 OpenAI 的模型，需要一个 API Key，点击 https://platform.openai.com/account/api-keys 创建你的 API Key。

模拟 LLM 应用并接入观测云

主要实现了一个基于 OpenAI 的 GPT-3.5 模型的聊天对话系统，并设置了一个函数来跟踪 API 令牌的使用情况。

安装 Python 依赖

pip install langchain
pip install openai
pip install ddtrace

创建 LLM

使用 Langchain 创建 LLM，模型选择gpt-3.5


llm = ChatOpenAI(model='gpt-3.5-turbo',temperature=0)

创建 ConversationChain 对象

创建一个 ConversationChain 对象，传入之前创建的 llm 对象，设置 verbose 为True（表示输出详细的调试信息），并使用 ConversationBufferMemory 作为记忆储存。

conversation = ConversationChain(llm=llm, verbose=True, memory=ConversationBufferMemory()
)

创建对话函数

定义一个函数track_tokens_usage，它接受一个对话链和一个查询作为参数

def track_tokens_usage(chain, query):with get_openai_callback() as cb:result = chain.run(query)print(f"prompt token {cb.prompt_tokens}, res token {cb.completion_tokens}, total token {cb.total_tokens}")print(f"successful requests {cb.successful_requests}, total cost {cb.total_cost}USD")print(result)return result

通过回调函数get_openai_callback创建一个回调对象 cb，并通过对象 cb 可以获取请求相关信息：请求数、消耗金额、令牌数量等。

调用

track_tokens_usage(conversation, "介绍一下观测云可观测性的产品及优势")

由于执行完成后，进程会退出，添加以下代码阻止退出，方便相关数据及时上报。

print("脚本执行完成，按 Enter 键退出...")
input()

执行脚本

DD_SERVICE="my-langchain" DD_ENV="dev" DD_AGENT_HOST="localhost" DD_AGENT_PORT="9529" ddtrace-run python3 langchain_demo.py

LangChain 可观测性实践效果

指标
调用链

常见异常

Token 异常

如果没有配置 Token，则会报错：

pydantic.v1.error_wrappers.ValidationError: 1 validation error for ChatOpenAI
__root__Did not find openai_api_key, please add an environment variable `OPENAI_API_KEY` which contains it, or pass `openai_api_key` as a named parameter. (type=value_error)

关于 Token，可以在代码中定义：

import os
os.environ["OPENAI_API_KEY"] = 'sk-...DcE2'

但不建议那么做，可以使用环境变量方式：

OPENAI_API_KEY=“sk-…DcE2”

余额不足

openai.RateLimitError: Error code: 429 - {'error': {'message': 'You exceeded your current quota, please check your plan and billing details. For more information on this error, read the docs: https://platform.openai.com/docs/guides/error-codes/api-errors.', 'type': 'insufficient_quota', 'param': None, 'code': 'insufficient_quota'}}

代理

如需配置代理，可以加入以下配置：

import os
os.environ["http_proxy"] = "http://localhost:7890"
os.environ["https_proxy"] = "http://localhost:7890"

第三方 API

如果需要更换第三方 API 地址，可以使用以下方式

import os
os.environ["OPENAI_API_BASE"] = 'https://chatapi.a3e.top/v1'

参考

LangChain 集成文档