İzleme ve Gözlemleme için LangSmith
Aracınızın düşünce süreci, araç kullanımı ve genel yürütme akışı hakkında görünürlük kazanmak için LangSmith'ten yararlanın.
İzleme ve Gözlemleme için LangSmith, CoddyKit'te ücretsiz bir AI Agents with LangChain & Autonomous Workflows dersidir. Bu, 4 dersinin 1. dersidir. Aşağıdan dersin tamamını ücretsiz okuyabilir, sonra tarayıcıda yerleşik kod editörü ve 7/24 yapay zeka koçu ile uygulamalı olarak pratik yapabilirsin. Bu, AI Agents with LangChain & Autonomous Workflows öğrenme yolunun bir parçasıdır ve ilerlemeniz web ve CoddyKit uygulaması arasında senkronize olur. AI Agents with LangChain & Autonomous Workflows kursu toplamda 4 dersten oluşur.
Bu dersin bazı bölümleri henüz çevrilmemiş olup İngilizce olarak gösterilmektedir.
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.
Sıkça Sorulan Sorular
“İzleme ve Gözlemleme için LangSmith” dersi ücretsiz mi?
Evet — “İzleme ve Gözlemleme için LangSmith” dersin tüm metni burada web'de ücretsiz olarak okunabilir. Etkileşimli olarak pratik yapmak (yerleşik kod editörü ve 7/24 yapay zeka koçu) ve AI Agents with LangChain & Autonomous Workflows kursunun geri kalanını açmak için CoddyKit PRO'ya yükselt. AI Agents with LangChain & Autonomous Workflows kursu toplamda 4 dersten oluşur.
“İzleme ve Gözlemleme için LangSmith” dersinde ne öğreneceğim?
Aracınızın düşünce süreci, araç kullanımı ve genel yürütme akışı hakkında görünürlük kazanmak için LangSmith'ten yararlanın. AI Agents with LangChain & Autonomous Workflows ile uygulamalı kodu tarayıcıda doğrudan çalıştırarak pratik yaparsın ve 7/24 yapay zeka koçu dersi çalışırken sorularını yanıtlar.
AI Agents with LangChain & Autonomous Workflows öğrenmeye başlamak için deneyim gerekli mi?
Önceden deneyim gerekmez. CoddyKit'te AI Agents with LangChain & Autonomous Workflows, başlangıçtan ileri seviyeye kadar yapılandırıldığı için buradan başlayabilir veya başından başlayıp kendi hızında ilerleme yapabilirsin. Bu, 4 dersinin 1. dersidir.
“İzleme ve Gözlemleme için LangSmith” dersi ne kadar sürer?
Çoğu CoddyKit dersi yaklaşık 5–10 dakika sürer. Her biri kısa ve etkileşimli olduğu için sabit ilerleme yaparsın ve web ile uygulama arasında tam olarak bıraktığın yerden devam edebilirsin.
Bu AI Agents with LangChain & Autonomous Workflows dersinde kod yazıp çalıştırabilir miyim?
Evet. Her AI Agents with LangChain & Autonomous Workflows dersi yerleşik bir kod editörü içerir, bu sayede tarayıcıda gerçek kod yazıp çalıştırabilir ve anlık yapay zeka geri bildirimi alırsın — yerel kurulum gerekli değildir.
Bu kursun tüm dersleri
- İzleme ve Gözlemleme için LangSmith
- Aracıların Düşünce Süreçlerinde Hata Ayıklama
- Aracı Performansını Değerlendirme
- Belirteç Kullanımı ve Maliyet İzleme