LangChain LangSmith -- 可观测性
LangSmith 是 LangChain 官方的可观测性平台，帮助你追踪 Agent 执行过程、监控性能、调试问题。
LangSmith 是什么
当 Agent 在后台运行时，你看不到它内部发生了什么——调用了哪些模型、执行了哪些工具、每一步消耗了多少 Token。LangSmith 解决了这个"黑盒"问题。
| 功能 | 说明 |
|---|---|
| 执行追踪 | 记录 Agent 每一步的执行轨迹 |
| 性能监控 | 统计每次调用的耗时和 Token 消耗 |
| 调试回放 | 查看历史执行的详细信息 |
| 评估测试 | 创建测试集评估 Agent 表现 |
快速开始
注册与安装
$ pip install langsmith
在 smith.langchain.com 注册账号，获取 API Key，然后在 .env 中配置：
实例
# .env 文件
LANGCHAIN_TRACING_V2=true
LANGCHAIN_API_KEY=lsv2_pt_your_key_here
LANGCHAIN_PROJECT=my-agent-project
LANGCHAIN_TRACING_V2=true
LANGCHAIN_API_KEY=lsv2_pt_your_key_here
LANGCHAIN_PROJECT=my-agent-project
自动追踪
实例
from dotenv import load_dotenv
load_dotenv() # LangSmith 配置会自动加载
from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
from langchain.messages import HumanMessage
from langchain.tools import tool
# 设置环境变量后，所有 Agent 执行都会自动追踪
# 无需额外代码！
@tool
def search_course(keyword: str) -> str:
"""搜索课程"""
return f"搜索结果：{keyword} 相关课程"
model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)
agent = create_agent(
model=model,
tools=[search_course],
system_prompt="你是菜鸟教程 RUNOOB 的助手。",
)
# 这次执行会被自动记录到 LangSmith
result = agent.invoke({
"messages": [HumanMessage(content="搜索 Python 课程")]
})
# 打开 https://smith.langchain.com 查看追踪记录
print("已完成，请到 LangSmith 控制台查看追踪详情")
load_dotenv() # LangSmith 配置会自动加载
from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
from langchain.messages import HumanMessage
from langchain.tools import tool
# 设置环境变量后，所有 Agent 执行都会自动追踪
# 无需额外代码！
@tool
def search_course(keyword: str) -> str:
"""搜索课程"""
return f"搜索结果：{keyword} 相关课程"
model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)
agent = create_agent(
model=model,
tools=[search_course],
system_prompt="你是菜鸟教程 RUNOOB 的助手。",
)
# 这次执行会被自动记录到 LangSmith
result = agent.invoke({
"messages": [HumanMessage(content="搜索 Python 课程")]
})
# 打开 https://smith.langchain.com 查看追踪记录
print("已完成，请到 LangSmith 控制台查看追踪详情")
查看追踪记录
在 LangSmith 控制台中，你可以看到每次 Agent 执行的完整轨迹：
- 执行时间线：模型调用 → 工具调用 → 模型再调用的完整时间线
- 输入/输出：每一步的输入消息和模型返回结果
- Token 用量：每次模型调用的 Token 消耗和费用估算
- 延迟分析：每一步的耗时分布
- 错误信息：如果某步出错，可以看到完整的错误堆栈
手动创建追踪
实例
from langsmith import traceable
# 使用 @traceable 装饰器标记需要追踪的函数
@traceable
def process_user_query(query: str) -> dict:
"""处理用户查询（此函数会被单独追踪）"""
# 预处理
cleaned = query.strip().lower()
# 调用 Agent
result = agent.invoke({"messages": [HumanMessage(content=cleaned)]})
return {
"query": cleaned,
"answer": result["messages"][-1].content,
}
# 在 LangSmith 中会看到 process_user_query 作为一个独立步骤
result = process_user_query(" Python 课程推荐 ")
print(result["answer"])
# 使用 @traceable 装饰器标记需要追踪的函数
@traceable
def process_user_query(query: str) -> dict:
"""处理用户查询（此函数会被单独追踪）"""
# 预处理
cleaned = query.strip().lower()
# 调用 Agent
result = agent.invoke({"messages": [HumanMessage(content=cleaned)]})
return {
"query": cleaned,
"answer": result["messages"][-1].content,
}
# 在 LangSmith 中会看到 process_user_query 作为一个独立步骤
result = process_user_query(" Python 课程推荐 ")
print(result["answer"])
常用配置
| 环境变量 | 说明 | 示例 |
|---|---|---|
| LANGCHAIN_TRACING_V2 | 启用追踪（必须设为 true） | true |
| LANGCHAIN_API_KEY | LangSmith API Key | lsv2_pt_xxx |
| LANGCHAIN_PROJECT | 项目名称（用于分组追踪） | my-agent |
| LANGCHAIN_ENDPOINT | API 端点（默认即可） | https://api.smith.langchain.com |
生产环境建议将 LangSmith 的追踪采样率设低一些（避免记录所有请求造成成本过高），只在需要调试时开启完整追踪。