LangSmith pour le traçage et la surveillance
Utilisez LangSmith pour obtenir une visibilité sur le raisonnement de votre agent, son utilisation des outils et son flux d’exécution global.
LangSmith pour le traçage et la surveillance est une leçon AI Agents with LangChain & Autonomous Workflows gratuite sur CoddyKit. Ceci est la leçon 1 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage AI Agents with LangChain & Autonomous Workflows, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours AI Agents with LangChain & Autonomous Workflows comprend 4 leçons au total.
Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.
Seeing Inside Your Agent
When you build an AI agent, it often feels like a black box. You provide an input, and it gives an output, but what happens in between?
- Did it understand your prompt correctly?
- Which tools did it decide to use?
- Why did it choose that particular action?
Understanding these internal workings is crucial for debugging and improving your agents.
Introducing LangSmith
LangSmith is a developer platform by LangChain, designed specifically for building, debugging, and evaluating Large Language Model (LLM) applications.
It provides the visibility you need to understand your agent's behavior, identify issues, and ensure it performs as expected.
Core Concepts: Traces & Runs
In LangSmith, two key concepts are Runs and Traces:
- A Run represents a single execution of a component, like an LLM call, a tool invocation, or a chain step.
- A Trace is a collection of related runs that together form a complete execution of your agent or application, showing the full sequence of events.
Imagine a trace as a detailed log of your agent's entire thought process and actions.
Setting Up LangSmith
To use LangSmith, you need to set a few environment variables:
LANGCHAIN_TRACING_V2=true: Enables LangSmith tracing.LANGCHAIN_API_KEY: Your unique API key for authentication.LANGCHAIN_PROJECT: A name for your project to group related traces.
You can get your API key from the LangSmith website after signing up.
Enabling Tracing in Code
Let's see how to enable tracing for a simple LangChain application. First, ensure you have your API key and project name set up.
import os
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
# Set these environment variables before running
os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_API_KEY"] = "YOUR_LANGSMITH_API_KEY"
os.environ["LANGCHAIN_PROJECT"] = "MyFirstLangSmithProject"
# Replace with your actual OpenAI API key
os.environ["OPENAI_API_KEY"] = "YOUR_OPENAI_API_KEY"
# Create a simple LLM chain
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)
prompt = ChatPromptTemplate.from_messages([
("system", "You are a helpful assistant."),
("user", "{question}")
])
chain = prompt | llm
# Invoke the chain
response = chain.invoke({"question": "What is the capital of France?"})
print(response.content)Viewing Your First Trace
After running the previous code, a trace will be sent to your LangSmith project. Navigate to the LangSmith UI (app.langsmith.com) and select your project.
You'll see a visual representation of the 'chain' execution, including:
- The input to the prompt.
- The LLM call itself.
- The final output from the LLM.
Each step is a 'Run' within the 'Trace'.
Understanding Agent Thought Process
For more complex agents, LangSmith shines by showing the agent's thought process. You can see the sequence of:
- Thought: The agent's reasoning.
- Action: The tool it decided to use.
- Action Input: The arguments passed to the tool.
- Observation: The result returned by the tool.
This detailed breakdown helps you understand why an agent made certain decisions.
Monitoring Tool Usage
Agents often rely on various tools (e.g., search engines, calculators, custom APIs). LangSmith traces clearly show:
- Which specific tools were called.
- The exact inputs provided to each tool.
- The outputs received from the tools.
This is invaluable for verifying that your agent is using tools correctly and for debugging when a tool returns an unexpected result.
Debugging with LangSmith Traces
Traces are your best friend for debugging. If your agent behaves unexpectedly:
- Identify the exact step: Pinpoint where the incorrect logic or error occurred.
- Inspect inputs/outputs: Check if the prompt received the expected input or if the tool returned the right output.
- Review agent thoughts: Understand if the agent's reasoning led to a bad decision.
This visibility dramatically reduces debugging time compared to traditional print statements.
Check Your Knowledge
Which of the following is NOT a primary benefit of using LangSmith for AI agents?
Recap: Your Observability Ally
LangSmith is an essential tool for anyone building AI agents with LangChain. It transforms the black box of agent execution into a transparent, inspectable process.
By providing detailed traces of runs, agent thoughts, and tool usage, LangSmith empowers you to debug faster, understand your agents better, and build more robust and reliable AI applications.
Questions Fréquemment Posées
La leçon « LangSmith pour le traçage et la surveillance » est-elle gratuite ?
Oui — le texte complet de « LangSmith pour le traçage et la surveillance » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours AI Agents with LangChain & Autonomous Workflows, passe à CoddyKit PRO. Le cours AI Agents with LangChain & Autonomous Workflows comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « LangSmith pour le traçage et la surveillance » ?
Utilisez LangSmith pour obtenir une visibilité sur le raisonnement de votre agent, son utilisation des outils et son flux d’exécution global. Tu pratiques AI Agents with LangChain & Autonomous Workflows avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer AI Agents with LangChain & Autonomous Workflows ?
Aucune expérience préalable n'est requise. AI Agents with LangChain & Autonomous Workflows sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 1 sur 4.
Combien de temps prend la leçon « LangSmith pour le traçage et la surveillance » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon AI Agents with LangChain & Autonomous Workflows ?
Oui. Chaque leçon AI Agents with LangChain & Autonomous Workflows inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- LangSmith pour le traçage et la surveillance
- Déboguer les processus de raisonnement des agents
- Évaluer les performances des agents
- Utilisation des jetons et suivi des coûts