跳到主要内容
Flyte 是一个开源编排器，旨在促进构建生产级数据和机器学习管道。它以 Kubernetes 作为底层平台，具有可扩展性和可复现性。
本笔记本的目的是演示如何将 FlyteCallback 集成到您的 Flyte 任务中，从而有效地监控和跟踪您的 LangChain 实验。

​
安装与设置

  • 通过运行命令 pip install flytekit 安装 Flytekit 库。
  • 通过运行命令 pip install flytekitplugins-envd 安装 Flytekit-Envd 插件。
  • 通过运行命令 pip install langchain 安装 LangChain。
  • 在您的系统上安装 Docker。

​
Flyte 任务

Flyte 任务是 Flyte 的基本构建块。要执行 LangChain 实验，您需要编写定义所涉及的具体步骤和操作的 Flyte 任务。 注意：入门指南提供了详细的、分步说明，介绍如何在本地安装 Flyte 并运行您的第一个 Flyte 管道。 首先，导入支持您的 LangChain 实验所需的依赖项。
import os

from flytekit import ImageSpec, task
from langchain.agents import AgentType, initialize_agent, load_tools
from langchain.callbacks import FlyteCallbackHandler
from langchain.chains import LLMChain
from langchain_openai import ChatOpenAI
from langchain_core.prompts import PromptTemplate
from langchain.messages import HumanMessage
设置必要的环境变量以使用 OpenAI API 和 Serp API 
# Set OpenAI API key
os.environ["OPENAI_API_KEY"] = "<your_openai_api_key>"

# Set Serp API key
os.environ["SERPAPI_API_KEY"] = "<your_serp_api_key>"
将 <your_openai_api_key> 和 <your_serp_api_key> 替换为从 OpenAI 和 Serp API 获取的相应 API 密钥。 为了保证管道的可复现性，Flyte 任务被容器化。每个 Flyte 任务都必须与一个镜像关联，该镜像可以跨整个 Flyte 工作流共享，也可以为每个任务单独提供。 为了简化为每个 Flyte 任务提供所需依赖项的过程，您可以初始化一个 ImageSpec 对象。这种方法会自动触发 Docker 构建，从而减轻用户手动创建 Docker 镜像的需要。
custom_image = ImageSpec(
    name="langchain-flyte",
    packages=[
        "langchain",
        "openai",
        "spacy",
        "https://github.com/explosion/spacy-models/releases/download/en_core_web_sm-3.5.0/en_core_web_sm-3.5.0.tar.gz",
        "textstat",
        "google-search-results",
    ],
    registry="<your-registry>",
)
您可以灵活地将 Docker 镜像推送到您喜欢的注册表。Docker Hub 或 GitHub Container Registry (GHCR) 是一个方便的入门选项。 选择注册表后，您可以继续创建将 LangChain 指标记录到 Flyte Deck 的 Flyte 任务。 以下示例展示了与 OpenAI LLM、链和带工具的代理相关的任务：

​
LLM

@task(disable_deck=False, container_image=custom_image)
def langchain_llm() -> str:
    llm = ChatOpenAI(
        model_name="gpt-3.5-turbo",
        temperature=0.2,
        callbacks=[FlyteCallbackHandler()],
    )
    return llm.invoke([HumanMessage(content="Tell me a joke")]).content

​
链

@task(disable_deck=False, container_image=custom_image)
def langchain_chain() -> list[dict[str, str]]:
    template = """You are a playwright. Given the title of play, it is your job to write a synopsis for that title.
Title: {title}
Playwright: This is a synopsis for the above play:"""
    llm = ChatOpenAI(
        model_name="gpt-3.5-turbo",
        temperature=0,
        callbacks=[FlyteCallbackHandler()],
    )
    prompt_template = PromptTemplate(input_variables=["title"], template=template)
    synopsis_chain = LLMChain(
        llm=llm, prompt=prompt_template, callbacks=[FlyteCallbackHandler()]
    )
    test_prompts = [
        {
            "title": "documentary about good video games that push the boundary of game design"
        },
    ]
    return synopsis_chain.apply(test_prompts)

​
代理

@task(disable_deck=False, container_image=custom_image)
def langchain_agent() -> str:
    llm = OpenAI(
        model_name="gpt-3.5-turbo",
        temperature=0,
        callbacks=[FlyteCallbackHandler()],
    )
    tools = load_tools(
        ["serpapi", "llm-math"], llm=llm, callbacks=[FlyteCallbackHandler()]
    )
    agent = initialize_agent(
        tools,
        llm,
        agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
        callbacks=[FlyteCallbackHandler()],
        verbose=True,
    )
    return agent.run(
        "Who is Leonardo DiCaprio's girlfriend? Could you calculate her current age and raise it to the power of 0.43?"
    )
这些任务是您在 Flyte 中运行 LangChain 实验的起点。

​
在 Kubernetes 上执行 Flyte 任务

要在配置的 Flyte 后端上执行 Flyte 任务，请使用以下命令 
pyflyte run --image <your-image> langchain_flyte.py langchain_llm
此命令将在 Flyte 后端启动 langchain_llm 任务的执行。您可以以类似的方式触发其余两个任务。 指标将如下所示显示在 Flyte UI 上： Flyte Deck 显示 LangChain 指标和依赖关系树可视化的屏幕截图。
在 GitHub 上编辑此页面源文件。
以编程方式连接这些文档到 Claude、VSCode 等，通过 MCP 获取实时答案。
© . This site is unofficial and not affiliated with LangChain, Inc.