LangSmith使用入门！

月伴飞鱼2025-10-102025-10-10

LangSmith 是 LangChain 提供的 AI 应用开发监测平台，可以用它来观察调用链的运行情况。

它提供了一系列功能，包括模型调优、数据集管理和结果分析，使用户能够快速迭代并改进其语言模型的性能。

LangSmith 还支持与多种流行的深度学习框架集成。

简化了模型开发的工作流程，适用于各种 NLP 任务，如文本生成、情感分析和问答系统等。

LangChain 使得原型设计大型语言模型（LLM）应用程序和代理变得容易。

然而，将 LLM 应用程序交付到生产环境可能会异常困难。

可能需要大量定制和迭代Prompt、Chain和其他组件，以创建高质量的产品。

为了帮助这个过程，推出了 LangSmith，一个统一的平台，用于调试、测试和监控LLM 应用程序。

官网：https://smith.langchain.com/

设置环境变量：

LANGCHAIN_TRACING_V2：设置为True让 LangChain 记录追踪信息。

LANGCHAIN_PROJECT：设置环境变量来告诉 LangChain 记录到哪个项目。

LANGCHAIN_ENDPOINT：设置LangSmith地址：https://api.smith.langchain.com

LANGCHAIN_API_KEY：设置API密钥，LangSmith的密钥，不同于OpenAI的Key

记录运行日志：

设置完环境变量后，正常执行LangChain代码，会自动在LangSmith创建Project。

1
2
3

from langchain_openai import ChatOpenAI
llm = ChatOpenAI()
llm.invoke("what's generative ai?")

记录复杂运行日志：

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

llm = ChatOpenAI()

prompt = ChatPromptTemplate.from_messages([
    ("system", "You are world class technical documentation writer."),
    ("user", "{input}")
])

translate_prompt = ChatPromptTemplate.from_messages([
    ("system", "Translate to simplified Chinese."),
    ("user", "{input}")
])

output_parser = StrOutputParser()

chain = prompt | llm | output_parser \
        | {"input": RunnablePassthrough()} \
        | translate_prompt | llm | output_parser

output = chain.invoke({"input": "what's generative ai?"})