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 Tracing：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，跟踪和比较 GenAI 模型/框架随时间推移的调用可能会很困难，尤其是在您在不同框架和脚本之间切换时。

MLflow 的 LLM Tracing 通过记录所有 GenAI 调用（包括单个 LLM 调用和多步代理工作流）并提供易于阅读的界面来浏览和比较它们，从而解决了这些问题。您可以通过一行代码为大多数 GenAI 提供商启用此功能：mlflow.<provider>.autolog()。

本博文将展示如何开始使用 MLflow Tracing — 大约需要五分钟。它假设您对 GenAI API（例如 OpenAI API）有一定的了解，但不需要您事先了解 MLflow。

Alt text
使用 MLflow Tracing 跟踪 LangChain 应用程序

快速入门​

我们将首先展示如何使用 MLflow 自动日志记录来自动跟踪对 OpenAI 模型的调用，尽管 MLflow 支持对不断增加的提供商和框架进行自动跟踪，包括 Anthropic、Ollama、Langchain、LlamaIndex 等。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跟踪​

在 Python 脚本或 notebook 中，导入 MLflow 以及您正在使用的 GenAI 提供商，然后使用 mlflow.<provider>.autolog 启用跟踪。以下是如何为 OpenAI 设置自动跟踪

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 将捕获您模型调用的跟踪。例如，由于我们启用了自动日志记录，MLflow 将记录以下 OpenAI 调用的跟踪。

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 跟踪​

MLflow UI 提供了一个 AI 可观测性仪表板来查看您的跟踪。在终端中使用以下命令启动 MLflow UI

mlflow ui

导航到 UI。mlflow ui 命令的输出将告诉您去哪里（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跟踪。单击跟踪的 Trace ID 将打开一个包含更多详细信息的窗格。

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 notebook 中查看跟踪！您只需将跟踪 URI 设置为上面指定的地址

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

然后，当您调用启用了跟踪的 AI 模型/框架时，生成的跟踪将直接显示在 notebook 的输出中。

Tracing in Jupyter Notebooks

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

组织您的跟踪​

如果您在多个不同的项目和任务中使用跟踪，您可能希望将跟踪分组到不同的组中。

组织跟踪的最简单方法是将其分离到实验中。每个实验都有自己的跟踪选项卡，显示该实验的跟踪。

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

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?"
        }
    ]
)

我们现在可以在“quickstart”实验的“Traces”选项卡中找到此跟踪。

Trace in Experiment

set_experiment 函数指定应将跟踪记录到哪个实验，如果该实验不存在则会创建它，因此上面的代码片段创建了一个新的“quickstart”实验。

您还可以使用标签和运行来组织您的跟踪。

跟踪其他提供商​

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跟踪。方法相同：只需将 mlflow.<provider>.autolog 行添加到您的 notebook 或脚本中。

以下是一些示例。有关支持的提供商的完整列表，请参见此处。

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

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?"
        }
    ]
)

这会在 MLflow UI 中显示以下内容

Anthropic tracing

结论：用一行代码实现有效的 LLM 跟踪​

在本指南中，您已了解如何使用 MLflow 的自动日志记录功能，通过一行代码实现完整的 AI 可观测性解决方案。如果您使用的是 MLflow 提供自动跟踪的众多 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 跟踪的一个很好的起点，但随着您开发更复杂的 GenAI 应用程序，您可能需要在如何收集和使用跟踪方面有更多的灵活性。此外，MLflow 包含了许多用于处理 GenAI 应用程序的工具，超出了跟踪的范围。