追踪 Instructor

Instructor 是一个基于 Pydantic 构建的开源 Python 库，通过验证、重试和流式处理简化了结构化的 LLM 输出。

MLflow 追踪通过为底层 LLM 库启用自动追踪来与 Instructor 配合工作。例如，如果您将 Instructor 用于 OpenAI LLM，您可以使用 mlflow.openai.autolog() 启用追踪，生成的追踪将捕获来自 Instructor 的结构化输出。

类似地，您也可以通过在 MLflow 中启用相应的自动日志记录，使用其他 LLM 提供商（如 Anthropic、Gemini 和 LiteLLM）来追踪 Instructor。

使用示例

以下示例展示了如何追踪包装了 OpenAI API 的 Instructor 调用。

import instructor
from pydantic import BaseModel
from openai import OpenAI

# Use other autologging function e.g., mlflow.anthropic.autolog() if you are using Instructor with different LLM providers
mlflow.openai.autolog()

# Optional, create an experiment to store traces
mlflow.set_experiment("Instructor")


# Use Instructor as usual
class ExtractUser(BaseModel):
    name: str
    age: int


client = instructor.from_openai(OpenAI())

res = client.chat.completions.create(
    model="gpt-4o-mini",
    response_model=ExtractUser,
    messages=[{"role": "user", "content": "John Doe is 30 years old."}],
)
print(f"Name: {res.name}, Age:{res.age}")