跳到主要内容

实用的 AI 可观测性：MLflow 追踪入门

·7分钟阅读
Daniel Liden
Daniel Liden
Databricks 开发者布道师

MLflow 追踪：GenAI 的可观测性​

GenAI 提供商和框架通常会返回复杂且难以阅读的数据结构，或者返回隐藏中间步骤的简单响应。此外，随着时间的推移，很难跟踪和比较 GenAI 模型/框架的调用，特别是当您在不同的框架和脚本之间切换时。

MLflow 的 LLM 追踪通过记录您所有的 GenAI 调用（包括单个 LLM 调用和多步代理工作流）并提供一个易于阅读的界面来浏览和比较它们，从而解决了这些问题。您只需一行代码即可为大多数 GenAI 提供商启用此功能：mlflow.<provider>.autolog()。

本博客将展示如何在大约五分钟内开始使用 MLflow 追踪。它假定您熟悉 GenAI API（例如 OpenAI API），但不需要您事先了解 MLflow。

Alt text
使用 MLflow 追踪 LangChain 应用程序

快速入门​

我们将从展示如何使用 MLflow 自动日志记录来自动追踪对 OpenAI 模型的调用开始，尽管 MLflow 支持对越来越多的提供商和框架进行自动追踪，包括 Anthropic、Ollama、Langchain、LlamaIndex 以及其他许多。要开始，请使用以下命令安装 MLflow 和 OpenAI Python 包：

pip install mlflow openai

使用自动日志记录收集追踪​

在 Python 脚本或笔记本中，导入 MLflow 和您正在使用的 GenAI 提供商，然后使用 mlflow.<provider>.autolog 启用追踪。以下是如何为 OpenAI 设置自动追踪：

import mlflow
from openai import OpenAI

mlflow.openai.autolog()

请务必创建并设置您的 OpenAI API 密钥！您可以在环境变量中设置它：

export OPENAI_API_KEY="your_api_key_here"

现在，当您使用 OpenAI 库时，MLflow 将捕获您的模型调用的*追踪*。例如，由于我们启用了自动日志记录，MLflow 将记录以下 OpenAI 调用的追踪。

client = OpenAI()

completion = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {
            "role": "user",
            "content": "What is an MLflow tracking server?"
        }
    ]
)

查看您的 LLM 追踪​

MLflow UI 提供了一个 AI 可观测性仪表板来查看您的追踪。在终端中启动 MLflow UI：

mlflow ui

导航到 UI。mlflow ui 命令的输出将告诉您转到哪里（默认是 https://:5000）。在 UI 中，导航到“Traces”选项卡。这将列出所有收集到的追踪。单击追踪的 Trace ID 以打开一个新窗格，其中包含更多详细信息。

Traces in the MLflow UI

提示

默认情况下，MLflow 服务器将监听 https://:5000。您可以使用 mlflow ui -p <port> 选择不同的端口。例如，要监听端口 5001，请使用 mlflow ui -p 5001。

使用 mlflow ui 启动 MLflow 跟踪服务器还可以让您直接在 Jupyter 笔记本中查看追踪！您只需要将跟踪 URI 设置为上面指定的地址。

mlflow.set_tracking_uri("https://:5000")

然后，当您调用启用了追踪的 AI 模型/框架时，生成的追踪将直接出现在笔记本的输出中。

Tracing in Jupyter Notebooks

您可以使用 mlflow.tracing.disable_notebook_display() 禁用此功能。

组织您的追踪​

如果您在多个不同的项目和任务中使用追踪，您可能希望将追踪分门别类地组织起来。

组织追踪的最简单方法是将它们分成不同的实验。每个实验都有自己的追踪选项卡，其中显示该实验的追踪。

您可以在 UI（通过“Experiments”旁边的“+”按钮）、MLflow CLI 或 Python 中创建实验。让我们创建一个名为“Quickstart”的新实验并记录一个追踪。

mlflow.set_experiment("quickstart")

completion = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {
            "role": "user",
            "content": "What is an MLflow tracking server?"
        }
    ]
)

现在我们可以在“quickstart”实验的“Traces”选项卡中找到此追踪。

Trace in Experiment

set_experiment 函数指定追踪应记录到哪个实验，如果不存在则创建它，因此上面的代码片段创建了一个名为“quickstart”的新实验。

您还可以使用标签和运行来组织您的追踪。

追踪其他提供商​

我们的快速入门示例侧重于 OpenAI，但 MLflow 支持许多不同的 AI 提供商和框架的自动追踪。方法相同：只需将 mlflow.<provider>.autolog 行添加到您的笔记本或脚本中。

以下是一些示例。有关支持的提供商的完整列表，请参阅此处。

使用 mlflow.anthropic.autolog() 启用对 Anthropic 模型调用的自动追踪。

import anthropic
import mlflow

mlflow.anthropic.autolog()

client = anthropic.Anthropic()

message = client.messages.create(
    model="claude-3-7-sonnet-20250219",
    max_tokens=1000,
    temperature=1,
    messages=[
        {
            "role": "user",
            "content": "What is an MLflow tracking server?"
        }
    ]
)

这将在 MLflow UI 中返回以下内容：

Anthropic tracing

结论：一行代码实现有效的 LLM 追踪​

在本指南中，您已学习如何使用 MLflow 的自动日志记录功能，仅用一行代码即可获得完整的 AI 可观测性解决方案。如果您正在使用 MLflow 提供自动追踪的众多 GenAI 框架/提供商之一，包括任何提供兼容 OpenAI 端点的提供商，那么自动日志记录是可视化和调试 AI 应用程序行为的最简单方法。您只需要 mlflow.<provider>.autolog()。

后续步骤​

自动日志记录是开始使用 MLflow 追踪的一个好地方，但随着您开发更复杂的 GenAI 应用程序，您可能需要更灵活的方式来收集和使用追踪。此外，MLflow 还包含许多用于处理 GenAI 应用程序（不仅限于追踪）的工具。