MLflow 集成

使用 LangChain Python 与 MLflow 集成。

MLflow 是一个多功能的开源平台，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。它内置了许多流行的 AI 和 ML 库的集成，但也可以与任何库、算法或部署工具配合使用。

MLflow 的 LangChain 集成 提供以下功能：

• 追踪：通过一行代码 (mlflow.langchain.autolog()) 可视化数据流经您的 LangChain 组件的过程
• 实验跟踪：记录您的 LangChain 运行的工件、代码和指标
• 模型管理：带依赖跟踪的版本控制和部署 LangChain 应用程序
• 评估：衡量您的 LangChain 应用程序的性能

注意：MLflow 追踪功能在 MLflow 2.14.0 及更高版本中可用。

本简短指南重点介绍 MLflow 针对 LangChain 和 LangGraph 应用程序的追踪功能。您将了解如何通过一行代码启用追踪并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更多教程，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 LangChain 的 MLflow 追踪，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 追踪

MLflow 的追踪功能可帮助您可视化 LangChain 应用程序的执行流程。以下是启用方法。

import mlflow

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

# Enable tracing
mlflow.langchain.autolog()

示例：追踪 LangChain 应用程序

这是一个展示 MLflow 与 LangChain 追踪的完整示例：

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-4.1")

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.",
    }
)

要查看追踪，请在终端中运行 mlflow ui 并导航到 MLflow UI 中的“追踪”选项卡。

示例：追踪 LangGraph 应用程序

MLflow 还支持追踪 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-4.1")
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."}]}
)

要查看追踪，请在终端中运行 mlflow ui 并导航到 MLflow UI 中的“追踪”选项卡。

资源

有关使用 MLflow 与 LangChain 的更多信息，请访问：

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

---

Edit this page on GitHub or file an issue.

Connect these docs to Claude, VSCode, and more via MCP for real-time answers.