LangChain之@traceable

🧠 LangSmith 中的 @traceable 是什么？

LangSmith 提供了一个 Python 装饰器 @traceable，它可以让你把任意函数包装为链中的一个步骤（step），并自动上传至 LangSmith 平台进行观察与调试。

它主要用于：

• 链式调用追踪（run_type="chain"）
• 工具调用追踪（run_type="tool"）
• LLM 调用包装（run_type="llm"，通常自动追踪）

🧪 示例：在 LangSmith 中追踪自定义函数

假设你有一个函数用于处理 LLM 响应，你希望它在 LangSmith 的链中出现：

from langsmith.utils import traceable

@traceable(run_type="chain", name="llm_response")
def process_llm_response(prompt: str) -> str:
    # 模拟某种处理
    return prompt.upper()  # 示例：全部大写

你可以把这个函数嵌入到 LangChain Agent 或其他链中，并在 LangSmith 平台看到它的调用轨迹。

✅ 参数说明

• run_type: 指定这是哪种类型的运行，可选：

  • "chain"：代表它是一个链的一部分（推荐用于子任务封装）
  • "tool"：用于工具函数
  • "llm"：用于底层模型调用（通常不需要手动添加）

• name: 你想在 LangSmith UI 中显示的名称，方便识别

📊 效果展示

当你运行使用 @traceable 装饰的函数时，LangSmith 会自动上传运行数据，并在可视化页面显示：

• 每一步的输入 / 输出
• 执行时间
• 调用层级关系（支持嵌套）
• 错误日志（如抛出异常）

🛠 示例：组合使用 LangChain 和 LangSmith 的追踪

from langsmith.utils import traceable
from langchain.chat_models import ChatOpenAI

llm = ChatOpenAI()

@traceable(run_type="chain", name="summarize_paragraph")
def summarize(text: str) -> str:
    prompt = f"Please summarize this text:\n\n{text}"
    return llm.predict(prompt)

运行时，你会在 LangSmith 的 UI 中看到 summarize_paragraph 作为一个独立的链步骤，并且嵌套显示其中的 LLM 调用。

🔒 要求：使用前需要设置环境变量

使用 LangSmith 追踪时，你需要设置：

export LANGCHAIN_API_KEY=your-langsmith-api-key
export LANGCHAIN_TRACING_V2=true

或在代码中设置：

import os
os.environ["LANGCHAIN_API_KEY"] = "your-key"
os.environ["LANGCHAIN_TRACING_V2"] = "true"

🎯 总结