LLM（Large Language Model）大模型的可观测性是指对模型内部运行过程的理解和监控能力。由于LLM大模型通常具有庞大的参数量和复杂的网络结构，因此对其内部状态和运行过程的理解和监控是一个重要的问题。
什么是 LangChain？
LangChain 是一个开源的应用开发框架，旨在将大型语言模型（LLM）与开发者现有的知识和系统相结合，以提供更智能化的服务。具体来说，LangChain 可以帮助开发者f轻松地管理与 LLM 的交互，将多个组件链接在一起，并集成额外的资源，例如 API 和数据库。
此外，LangChain 还提供了多种工具、组件和接口，以简化创建由 LLM 提供支持的应用程序的过程。例如，它提供了模型输入/输出管理工具，用于管理 LLM 及其输入和格式化输出；Prompt 模板支持自定义 Prompt 工程的快速实现以及和 LLMs 的对接；Utils 组件提供了大模型常见的植入能力的封装，如搜索引擎、Python 编译器、Bash 编译器、数据库等；Chains 组件则提供了大模型针对一系列任务的顺序执行逻辑链。
因此，LangChain 的应用场景非常广泛，可以应用于自然语言处理、聊天机器人、智能客服、文本生成等多个领域。同时，由于其开源的特性，LangChain 也可以被广大开发者用于定制开发自己的 LLM 应用，从而推动人工智能技术的不断发展和创新。
LangChain 可观测性体系
LangChain 本身并没有提供可观测性能力，但可以通过集成其他工具来实现对 LangChain 应用的可观测性，以此来提高大模型的可解释性和可控性。
日志：收集、存储和分析 LangChain 应用的日志数据。通过日志数据，可以监控应用程序的运行状态、错误日志、用户行为等信息。
指标：使用监控工具收集 LangChain 应用的性能指标，如响应时间、吞吐量、错误率等。这些指标可以帮助你了解应用程序的性能瓶颈和潜在问题，并及时进行优化和调整。
组件依赖：监控 LangChain 应用所依赖的服务或组件，如数据库、API接口等。确保这些依赖服务的可用性和性能稳定，以避免因依赖问题导致的应用故障。
自定义监控：根据具体需求，可以编写自定义的监控脚本或插件，用于监控特定的业务逻辑或功能。例如，你可以编写脚本监控某个特定任务的执行情况、API 接口的调用频率等。
告警与通知：设置告警规则，当监控数据达到预设的阈值时，触发告警并通知相关人员。这可以帮助你及时发现并处理潜在问题，确保应用程序的稳定运行。
需要注意的是，可观测性方案的选择和实施应根据具体的应用场景和需求进行定制。
LangChain 可观测性接入方案
准备工作
安装 DataKit
token 在「观测云控制台」-「集成」-「Datakit」 上面获取。
DK_DATAWAY="https://openway.guance.com?token=tkn_xxxxxx"bash-c"$(curl-Lhttps://static.guance.com/datakit/install.sh)"
DataKit 采集器配置
开启 DDTrace 采集器
DDTrace 采集器用于采集链路信息，进入到 DataKit 安装目录下，执行 conf.d/ddtrace/，复制 ddtrace.conf.sample 并重命名为 ddtrace.conf 。
开启 StatsD 采集器
StatsD 采集器用于采集指标信息，默认端口为 8125 。
重启 DataKit
systemctlrestartdatakit
准备 OpenAI API Key
在 Langchain 应用中使用 OpenAI 的模型，需要一个 API Key，点击 https://platform.openai.com/account/api-keys 创建你的 API Key。
模拟 LLM 应用并接入观测云
主要实现了一个基于 OpenAI 的 GPT-3.5 模型的聊天对话系统，并设置了一个函数来跟踪 API 令牌的使用情况。
安装 Python 依赖
pipinstalllangchainpipinstallopenaipipinstallddtrace
创建 LLM
使用 Langchain 创建 LLM，模型选择 gpt-3.5 。
llm=ChatOpenAI(model='gpt-3.5-turbo',temperature=0)
创建 ConversationChain 对象
创建一个 ConversationChain 对象，传入之前创建的 llm 对象，设置 verbose 为 True（表示输出详细的调试信息），并使用 ConversationBufferMemory 作为记忆储存。
conversation=ConversationChain(llm=llm,verbose=True,memory=ConversationBufferMemory())
创建对话函数
定义一个函数 track_tokens_usage ，它接受一个对话链和一个查询作为参数。
deftrack_tokens_usage(chain,query):withget_openai_callback()ascb:result=chain.run(query)print(f"prompttoken{cb.prompt_tokens},restoken{cb.completion_tokens},totaltoken{cb.total_tokens}")print(f"successfulrequests{cb.successful_requests},totalcost{cb.total_cost}USD")print(result)returnresult通过回调函数 get_openai_callback 创建一个回调对象 cb ，并通过对象 cb 可以获取请求相关信息：请求数、消耗金额、令牌数量等。
调用
track_tokens_usage(conversation,"介绍一下观测云可观测性的产品及优势")
由于执行完成后，进程会退出，添加以下代码阻止退出，方便相关数据及时上报。
print("脚本执行完成，按Enter键退出...")input()执行脚本
DD_SERVICE="my-langchain"DD_ENV="dev"DD_AGENT_HOST="localhost"DD_AGENT_PORT="9529"ddtrace-runpython3langchain_demo.py
LangChain 可观测性实践效果
指标
调用链
常见问题
Token 异常
如果没有配置 Token，则会报错：
pydantic.v1.error_wrappers.ValidationError:1validationerrorforChatOpenAI__root__Didnotfindopenai_api_key,pleaseaddanenvironmentvariable`OPENAI_API_KEY`whichcontainsit,orpass`openai_api_key`asanamedparameter.(type=value_error)
关于 Token，可以在代码中定义：
importosos.environ["OPENAI_API_KEY"]='sk-...DcE2'
但不建议那么做，可以使用环境变量方式：
OPENAI_API_KEY="sk-...DcE2"
余额不足
openai.RateLimitError:Errorcode:429-{'error':{'message':'Youexceededyourcurrentquota,pleasecheckyourplanandbillingdetails.Formoreinformationonthiserror,readthedocs:https://platform.openai.com/docs/guides/error-codes/api-errors.','type':'insufficient_quota','param':None,'code':'insufficient_quota'}}代理
如需配置代理，可以加入以下配置：
importosos.environ["http_proxy"]="http://localhost:7890"os.environ["https_proxy"]="http://localhost:7890"
其他第三方 API
如果需要更换第三方 API 地址，可以使用以下方式：
importosos.environ["OPENAI_API_BASE"]='https://chatapi.a3e.top/v1'