langchain-visualizer - LangChain交互的ICE界面可视化工具

项目介绍：LangChain Visualizer

LangChain Visualizer 是一个工具，旨在为使用 LangChain 的开发者提供一种可视化 UI，以便更好地观察和分析与语言模型的交互。

功能与特点

LangChain Visualizer 通过借鉴 Ought 的 ICE 可视化工具，以美观的界面展现 LangChain 的交互过程。以下是它的一些主要功能：

查看完整提示文本：用户可以看到每次与语言模型（LLM）交互时发送的完整提示文本。这为用户提供了清晰的上下文，以确保每次调用的输入是正确的。
可视化提示组成：通过不同颜色标识，可以轻松分辨出哪些部分是硬编码的，哪些部分是通过模板替换而来的。
执行流程检查：软件允许用户查看每个函数在执行栈中的变化，帮助追踪执行步骤。
成本查看：如果使用的是 OpenAI 的 text-davinci-003 模型，用户还可以查看每次语言模型调用的费用及整个运行过程的总费用。

快速开始

要快速上手 LangChain Visualizer，请按照以下步骤操作：

通过命令安装库：
```
pip install langchain-visualizer
```
注意：如果您使用的是 Linux 系统，可能需要先安装 libyaml：
```
apt install -y libyaml-dev
```
在 Python 的入口文件中，将 import langchain_visualizer 作为首个导入。
编写一个异步函数以可视化您正在运行的工作流程。
使用 langchain_visualizer.visualize 来调用该函数。

示例运行

想要运行截图展示的示例，您可以安装库及可选依赖：

pip install langchain-visualizer google-search-results openai

如果尚未设置 OpenAI 或 SERP 的 API 密钥，可以通过克隆项目来重放录制的交互：

pip install vcr-langchain
OPENAI_API_KEY=dummy python tests/agents/test_langchain_getting_started.py

若已完成 API 密钥设置，您可以直接运行以下脚本：

import langchain_visualizer
import asyncio
from langchain.agents import initialize_agent, load_tools
from langchain.llms import OpenAI

llm = OpenAI(temperature=0.7)
tools = load_tools(["serpapi", "llm-math"], llm=llm)
agent = initialize_agent(tools, llm, agent="zero-shot-react-description", verbose=True)

async def search_agent_demo():
    return agent.run(
        "Who is Olivia Wilde's boyfriend? What is his current age raised to the 0.23 power?"
    )

langchain_visualizer.visualize(search_agent_demo)

运行后，将打开一个浏览器窗口，您可以实时观察代理的执行过程。

Jupyter Notebook 支持

LangChain Visualizer 还支持在 Jupyter Notebook 中使用。在 Notebook 中使用前，请确保从 langchain_visualizer.jupyter 导入 visualize 函数。

嵌入可视化

如果需要可视化文档分块的嵌入过程，可以使用 visualize_embeddings 函数，然后再可视化主链：

from langchain_visualizer import visualize, visualize_embeddings

async def run_chain():
    ...

visualize_embeddings()
visualize(run_chain)

为什么不使用 LangChain 的内置跟踪器？

LangChain Visualizer 提供了一些独特的功能：

我更喜欢 ICE 的用户界面，特别是：
- 对于模板变量填充部分用颜色高亮显示
- 可以在不离开追踪页面的情况下快速检查不同的 LLM 调用
对于缓存的 LLM 调用，我更希望我的代理逻辑可视化保持静态
更喜欢查看工具（如 PythonREPL）的实际调用时机，而不仅仅是高层次的链执行（如 LLMMathChain）

尽管如此，LangChain 的跟踪器支持仍更强大。需注意，目前 LangChain Visualizer 还未完全支持所有功能，如有需要，请提交 PR 或问题反馈。

其他项目

还请查看 VCR LangChain，它是一个用于记录 LLM 交互的库，方便用于测试和演示。