追踪 LangChain Deep Agent

LangChain Deep Agent 是一个开源库，用于构建可以规划、研究和执行复杂任务的自主代理。Deep Agent 构建在 LangGraph 之上，提供了高级抽象，用于创建具有待办事项管理、文件操作和生成专业子代理等内置功能的复杂代理。

由于 Deep Agent 构建在 LangGraph 之上，因此通过 mlflow.langchain.autolog() 可以直接使用 MLflow 追踪。这会自动捕获整个代理执行过程，包括规划、工具调用和子代理交互。

python
import mlflow

mlflow.langchain.autolog()

开始使用

安装依赖项

bash
pip install deepagents tavily-python 'mlflow[genai]'

启动 MLflow 服务器

本地 (pip)
本地 (docker)

如果您有本地 Python 环境 >= 3.10，您可以使用 mlflow CLI 命令在本地启动 MLflow 服务器。

bash
mlflow server

MLflow 还提供了一个 Docker Compose 文件，用于启动带有 postgres 数据库和 minio 服务器的本地 MLflow 服务器。

bash
git clone --depth 1 --filter=blob:none --sparse https://github.com/mlflow/mlflow.git
cd mlflow
git sparse-checkout set docker-compose
cd docker-compose
cp .env.dev.example .env
docker compose up -d

有关更多详细信息，请参阅说明，例如覆盖默认环境变量。

启用追踪并创建 Deep Agent

python
import os
from typing import Literal

import mlflow
from deepagents import create_deep_agent
from tavily import TavilyClient

# Enable auto-tracing for LangChain (and LangGraph-based frameworks like Deep Agent)
mlflow.langchain.autolog()

# Optional: Set a tracking URI and an experiment
mlflow.set_tracking_uri("https://:5000")
mlflow.set_experiment("Deep Agent")

# Initialize search provider
tavily_client = TavilyClient(api_key=os.environ["TAVILY_API_KEY"])


# Define your tool
def internet_search(
    query: str,
    max_results: int = 5,
    topic: Literal["general", "news", "finance"] = "general",
    include_raw_content: bool = False,
):
    """Run a web search to find relevant information."""
    return tavily_client.search(
        query,
        max_results=max_results,
        include_raw_content=include_raw_content,
        topic=topic,
    )


# Create agent with system instructions
research_instructions = """You are an expert researcher. Your job is to conduct
thorough research and then write a polished report. You have access to an internet
search tool as your primary means of gathering information."""

agent = create_deep_agent(tools=[internet_search], system_prompt=research_instructions)

# Invoke the agent
result = agent.invoke(
    {
        "messages": [
            {
                "role": "user",
                "content": "What are the latest developments in AI agents?",
            }
        ]
    }
)
print(result["messages"][-1].content)

在 MLflow UI 中查看跟踪

浏览 MLflow UI，地址为 https://:5000（或您的 MLflow 服务器 URL），以查看追踪信息。追踪信息将捕获完整的代理执行过程，包括

规划和任务分解
工具调用（例如 internet_search）
内部 LLM 调用
子代理生成（如果适用）

令牌使用跟踪

MLflow 会自动跟踪 Deep Agent 工作流中所有 LLM 调用的令牌使用情况。每次 LLM 调用的令牌使用情况记录在 mlflow.chat.tokenUsage 跨度属性中，整个追踪的总使用情况记录在 mlflow.trace.tokenUsage 元数据字段中。

python
import mlflow

mlflow.langchain.autolog()

# Execute the agent
result = agent.invoke(
    {"messages": [{"role": "user", "content": "Summarize recent AI news"}]}
)

# Get the trace object
last_trace_id = mlflow.get_last_active_trace_id()
trace = mlflow.get_trace(trace_id=last_trace_id)

# Print the total token usage
total_usage = trace.info.token_usage
print("== Total token usage: ==")
print(f"  Input tokens: {total_usage['input_tokens']}")
print(f"  Output tokens: {total_usage['output_tokens']}")
print(f"  Total tokens: {total_usage['total_tokens']}")

禁用自动追踪

可以通过调用 mlflow.langchain.autolog(disable=True) 或 mlflow.autolog(disable=True) 来全局禁用 Deep Agent 的自动追踪。

开始使用​