0Pricing
AI Agents with LangChain & Autonomous Workflows · Lekcja

LangSmith do śledzenia i monitorowania

Wykorzystaj LangSmith, aby uzyskać wgląd w proces rozumowania agenta, użycie narzędzi i ogólny przebieg jego działania.

LangSmith do śledzenia i monitorowania to bezpłatna lekcja AI Agents with LangChain & Autonomous Workflows na CoddyKit. To lekcja 1 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej AI Agents with LangChain & Autonomous Workflows, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs AI Agents with LangChain & Autonomous Workflows zawiera 4 lekcji w sumie.

Części tej lekcji nie zostały jeszcze przetłumaczone i są wyświetlane po angielsku.

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.

Często zadawane pytania

Czy lekcja „LangSmith do śledzenia i monitorowania” jest bezpłatna?

Tak — pełny tekst „LangSmith do śledzenia i monitorowania” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu AI Agents with LangChain & Autonomous Workflows, przejdź na CoddyKit PRO. Kurs AI Agents with LangChain & Autonomous Workflows zawiera 4 lekcji w sumie.

Co nauczysz się w „LangSmith do śledzenia i monitorowania”?

Wykorzystaj LangSmith, aby uzyskać wgląd w proces rozumowania agenta, użycie narzędzi i ogólny przebieg jego działania. Ćwiczysz AI Agents with LangChain & Autonomous Workflows z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.

Czy potrzebuję doświadczenia, aby zacząć AI Agents with LangChain & Autonomous Workflows?

Nie wymagamy żadnego doświadczenia. AI Agents with LangChain & Autonomous Workflows w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 1 z 4.

Ile czasu zajmuje lekcja „LangSmith do śledzenia i monitorowania”?

Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.

Czy mogę pisać i uruchamiać kod w tej lekcji AI Agents with LangChain & Autonomous Workflows?

Tak. Każda lekcja AI Agents with LangChain & Autonomous Workflows zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.

Wszystkie lekcje w tym kursie

  1. LangSmith do śledzenia i monitorowania
  2. Debugowanie procesów rozumowania agentów
  3. Ocena wydajności agentów
  4. Wykorzystanie tokenów i monitorowanie kosztów
← Powrót do AI Agents with LangChain & Autonomous Workflows