MLflow 集成

使用 LangChain Python 与 MLflow 集成。

MLflow 是一个通用、开源的平台，用于管理机器学习和生成式 AI 生命周期中的工作流和工件。它与许多流行的 AI 和 ML 库具有内置集成，但可以与任何库、算法或部署工具一起使用。

MLflow 的 LangChain 集成 提供以下功能：

• 跟踪：使用一行代码可视化 LangChain 组件中的数据流（mlflow.langchain.autolog()）
• 实验跟踪：记录 LangChain 运行中的工件、代码和指标
• 模型管理：版本化和部署 LangChain 应用程序，并跟踪依赖关系
• 评估：衡量 LangChain 应用程序的性能

注意：MLflow 跟踪功能适用于 MLflow 版本 2.14.0 及更高版本。

本简短指南专注于 MLflow 对 LangChain 和 LangGraph 应用程序的跟踪功能。您将看到如何使用一行代码启用跟踪以及查看应用程序的执行流程。有关 MLflow 其他功能的信息以及探索其他教程，请参阅 MLflow LangChain 文档。如果您是 MLflow 新手，请查看 MLflow 入门指南。

设置

要开始使用 MLflow 对 LangChain 的跟踪，请安装 MLflow Python 包。我们还将使用 langchain-openai 包。

pip install mlflow langchain-openai langgraph -qU

接下来，设置 MLflow 跟踪 URI 和 OpenAI API 密钥。

import os

# Set MLflow tracking URI if you have MLflow Tracking Server running
os.environ["MLFLOW_TRACKING_URI"] = ""
os.environ["OPENAI_API_KEY"] = ""

MLflow 跟踪

MLflow 的跟踪功能帮助您可视化 LangChain 应用程序的执行流程。以下是启用它的方法。

import mlflow

# Optional: Set an experiment to organize your traces
mlflow.set_experiment("LangChain MLflow Integration")

# Enable tracing
mlflow.langchain.autolog()

示例：跟踪一个 LangChain 应用程序

以下是一个完整的示例，展示使用 LangChain 进行 MLflow 跟踪：

import mlflow
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

# Enable MLflow tracing
mlflow.langchain.autolog()

# Create a simple chain
llm = ChatOpenAI(model_name="gpt-5.5")

prompt = ChatPromptTemplate.from_messages(
    [
        (
            "system",
            "You are a helpful assistant that translates {input_language} to {output_language}.",
        ),
        ("human", "{input}"),
    ]
)

chain = prompt | llm | StrOutputParser()

# Run the chain
result = chain.invoke(
    {
        "input_language": "English",
        "output_language": "German",
        "input": "I love programming.",
    }
)

要在终端中运行 mlflow ui 并导航到 MLflow UI 中的跟踪选项卡以查看跟踪。

示例：跟踪一个 LangGraph 应用程序

MLflow 也支持跟踪 LangGraph 应用程序：

import mlflow
from langchain.tools import tool
from langchain.agents import create_agent


# Enable MLflow tracing
mlflow.langchain.autolog()


# Define a tool
@tool
def count_words(text: str) -> str:
    """Counts the number of words in a text."""
    word_count = len(text.split())
    return f"This text contains {word_count} words."


# Create a LangGraph agent
llm = ChatOpenAI(model="gpt-5.5")
tools = [count_words]
graph = create_agent(llm, tools)

# Run the agent
result = graph.invoke(
    {"messages": [{"role": "user", "content": "Write me a 71-word story about a cat."}]}
)

要在终端中运行 mlflow ui 并导航到 MLflow UI 中的跟踪选项卡以查看跟踪。

资源

有关使用 MLflow 与 LangChain 的更多信息，请访问：

• MLflow LangChain 集成文档
• MLflow 跟踪文档
• 记录 LangChain 和 LangGraph 模型
• 评估 LangChain 和 LangGraph 模型

---

官方原文：src/oss/python/integrations/providers/mlflow_tracking.mdx · 非官方翻译，译文由 AI 生成，以英文原文为准。