OpenLLMetry: 开源LLM应用可观测性解决方案

OpenLLMetry简介

OpenLLMetry是一个基于OpenTelemetry构建的开源项目,旨在为大型语言模型(LLM)应用提供全面的可观测性解决方案。它由Traceloop公司在Apache 2.0许可下开发和维护,可以轻松集成到现有的可观测性堆栈中,如Datadog、Honeycomb等。

OpenLLMetry的核心优势在于它能够捕获LLM应用中的关键性能指标(KPI),并将这些数据标准化后输出为OpenTelemetry格式。这使得开发者可以全面了解LLM应用的运行状况,包括模型调用、向量数据库操作等关键环节。

OpenLLMetry架构图

主要特性

OpenLLMetry具有以下主要特性:

基于OpenTelemetry标准:利用OpenTelemetry的强大生态系统,确保与现有可观测性工具的兼容性。
支持多种LLM提供商:可以监控OpenAI、Anthropic、Cohere等主流LLM服务的调用。
向量数据库支持:集成了Chroma、Pinecone、Qdrant等常用向量数据库的监控。
框架集成:与LangChain、LlamaIndex等流行的LLM开发框架无缝集成。
易于使用:通过简单的SDK初始化即可开始收集数据。
灵活的导出选项:支持将数据导出到多种可观测性平台。

快速开始

要开始使用OpenLLMetry,只需几个简单的步骤:

安装SDK:

pip install traceloop-sdk

在代码中初始化:

from traceloop.sdk import Traceloop

Traceloop.init()

这样就完成了基本设置,OpenLLMetry将开始收集你的LLM应用数据。

支持的目标平台

OpenLLMetry支持将数据导出到多个可观测性平台,包括:

Traceloop
Dynatrace
Datadog
New Relic
Honeycomb
Grafana Tempo
HyperDX
SigNoz
Splunk
OpenTelemetry Collector
IBM Instana

每个平台的具体配置方法可以参考官方文档。

监控范围

OpenLLMetry可以监控以下几个主要方面:

LLM提供商

OpenAI / Azure OpenAI
Anthropic
Cohere
Ollama
Mistral AI
HuggingFace
AWS Bedrock
Replicate
Google Vertex AI
Google Generative AI (Gemini)
IBM Watsonx AI
Together AI
Aleph Alpha

向量数据库

Chroma
Pinecone
Qdrant
Weaviate
Milvus
Marqo
LanceDB

开发框架

LangChain
LlamaIndex
Haystack
LiteLLM

使用案例:OpenAI LLM模型与LangChain

以下是一个使用OpenAI LLM模型和LangChain框架的简单示例,展示了如何使用OpenLLMetry进行监控:

from traceloop.sdk import Traceloop
import os
import openai
from langchain.llms import OpenAI
from langchain.chat_models import ChatOpenAI
from langchain.prompts import ChatPromptTemplate
from traceloop.sdk.decorators import workflow, task

Traceloop.init(app_name="openai-obs", disable_batch=True)

openai.api_key = os.getenv("OPENAI_API_KEY")

@task(name="add_prompt_context")
def add_prompt_context():
    llm = OpenAI(openai_api_key=openai.api_key)
    prompt = ChatPromptTemplate.from_template("explain the business of company {company} in a max of {length} words")
    model = ChatOpenAI()
    chain = prompt | model
    return chain

@task(name="prep_prompt_chain")
def prep_prompt_chain():
    return add_prompt_context()

@workflow(name="ask_question")
def prompt_question():
    chain = prep_prompt_chain()
    return chain.invoke({"company": "dynatrace", "length" : 50})

if __name__ == "__main__":
    print(prompt_question())