百度360必应搜狗淘宝本站头条
当前位置:网站首页 > 技术分类 > 正文

12. Langchain评估与调试:用LangSmith优化模型表现

ztj100 2025-05-02 22:43 20 浏览 0 评论

引言:从"感觉不错"到"数据说话"

2025年某电商平台通过LangSmith系统化的评估优化,将客服机器人的问题解决率从68%提升至92%。本文将详解如何用LangChain的观测框架,实现AI应用从"黑箱猜测"到"精准调优"的跨越。

一、LangSmith核心能力矩阵

1.1 全链路监控维度

维度

监测指标

优化目标

准确性

意图识别准确率

>90%

性能

P99延迟

<500ms

稳定性

错误率

<1%

成本

千次调用成本

下降20%+

业务

转化率/解决率

提升15%+

1.2 新版架构升级



二、四大核心优化场景实战

2.1 提示词AB测试

from datetime import datetime
from langsmith import Client
from langchain_core.prompts import ChatPromptTemplate
from langchain_ollama import ChatOllama, OllamaEmbeddings
from langchain_core.output_parsers import StrOutputParser
from langchain.smith import RunEvalConfig, run_on_dataset
import os

# 设置自己的秘钥
os.environ["LANGSMITH_API_KEY"] = "lsv2_pt_xxxxxx"

client = Client()

# 定义不同的prompt变体(不同文案风格)
prompt_variants = [
    {
        "name": "传统风格",
        "prompt": ChatPromptTemplate.from_template(
            "你是一位资深营销文案专家。请为以下产品创作传统风格的宣传文案:\n产品:{product}\n特点:{features}"
        )
    },
    {
        "name": "网红风格",
        "prompt": ChatPromptTemplate.from_template(
            "你是一位社交媒体网红。请为以下产品创作吸引年轻人的网红风格文案(使用emoji和网络流行语):\n产品:{product}\n特点:{features}"
        )
    },
    {
        "name": "技术风格",
        "prompt": ChatPromptTemplate.from_template(
            "你是一位技术专家。请为以下产品创作突出技术参数的严谨文案:\n产品:{product}\n特点:{features}"
        )
    }
]


embeddings = OllamaEmbeddings(
    model="deepseek-r1"
)

# 定义评估配置
eval_config = RunEvalConfig(
    evaluators=[
        RunEvalConfig.EmbeddingDistance(
            embeddings=embeddings,
            metric="cosine",
            reference_key="target_audience"
        ),
        RunEvalConfig.Criteria(
            criteria={
                "conversion_potential": "文案是否有足够说服力促使消费者购买?",
                "clarity": "文案是否清晰传达了产品特点?",
                "engagement": "文案是否能吸引目标受众注意?"
            },
            llm=ChatOllama(model="deepseek-r1"),
            input_key="input",
            label_key="human_feedback"
        )
    ]
)

# 运行实验并收集结果
results = []
for variant in prompt_variants:
    project_name = f"文案风格测试_{variant['name']}_{datetime.now().strftime('%Y%m%d%H%M%S')}"

    chain = (
            variant["prompt"]
            | ChatOllama(model="deepseek-r1", temperature=0.7)
            | StrOutputParser()
    )
   
    eval_results = run_on_dataset(
        client,
        dataset_name="商品文案测试集",
        llm_or_chain_factory=lambda: chain,
        evaluation=eval_config,
        project_name=project_name,
        project_metadata={
            "prompt_type": variant["name"],
            "model": "deepseek-r1:32b"
        },
        concurrency_level=5,
        tags=["ab_testing", "copywriting"]
    )

    results.append({
        "name": variant["name"],
        "project_name": project_name,
        "eval_results": eval_results
    })


# 4. 分析结果找出最佳prompt
def get_best_prompt():
    all_projects = client.list_projects()
    filtered_projects = [p for p in all_projects if "文案风格测试_" in p.name]

    metrics = []

    for project in filtered_projects:
        runs = client.list_runs(project_name=project.name, execution_order=1)

        conversion_scores = []
        clarity_scores = []

        for run in runs:
            feedback = client.list_feedback(run_ids=[run.id])

            for fb in feedback:
                if fb.key == "conversion_potential":
                    conversion_scores.append(fb.score)
                elif fb.key == "clarity":
                    clarity_scores.append(fb.score)

        if conversion_scores and clarity_scores:
            avg_metrics = {
                "name": project.name.split("_")[2],
                "conversion": sum(conversion_scores) / len(conversion_scores),
                "clarity": sum(clarity_scores) / len(clarity_scores)
            }
            metrics.append(avg_metrics)

    if metrics:
        # 首先筛选清晰度≥0.8的prompt
        filtered = [m for m in metrics if m["clarity"] >= 0.8]
        if filtered:
            best_prompt = max(filtered, key=lambda x: x["conversion"])
            print(f"最佳prompt变体: {best_prompt['name']}")
            print(f"平均转化分数: {best_prompt['conversion']:.2f}")
            print(f"平均清晰度分数: {best_prompt['clarity']:.2f}")
            return best_prompt
        else:
            print("没有找到清晰度≥0.8的prompt变体")
            return None
    else:
        print("没有找到任何评估指标")
        return None


# 执行分析
best_prompt = get_best_prompt()

生成数据集:

import os

from langsmith import Client
# 设置自己的秘钥
os.environ["LANGSMITH_API_KEY"]="lsv2_pt_xxxxxx"
client = Client()

# 定义测试用例
test_cases = [
    {
        "inputs": {
            "product": "智能手表",
            "features": "心率监测、50米防水、30天续航、运动模式追踪"
        },
        "outputs": {
            "target_audience": "运动爱好者",
            "price_range": "中高端"
        }
    },
    {
        "inputs": {
            "product": "无线耳机",
            "features": "主动降噪、24小时续航、蓝牙5.3、触控操作"
        },
        "outputs": {
            "target_audience": "通勤族",
            "price_range": "中端"
        }
    },
    {
        "inputs": {
            "product": "有机护肤套装",
            "features": "纯天然成分、敏感肌适用、无动物测试、环保包装"
        },
        "outputs": {
            "target_audience": "环保主义者",
            "price_range": "高端"
        }
    },
    {
        "inputs": {
            "product": "便携咖啡机",
            "features": "一键操作、30秒出咖啡、USB充电、可拆卸水箱"
        },
        "outputs": {
            "target_audience": "上班族",
            "price_range": "入门级"
        }
    },
    {
        "inputs": {
            "product": "电竞键盘",
            "features": "机械轴体、RGB背光、宏编程、防水设计"
        },
        "outputs": {
            "target_audience": "游戏玩家",
            "price_range": "中高端"
        }
    }
]

# 创建数据集
dataset_name = "商品文案测试集"
client.create_dataset(
    dataset_name=dataset_name,
    description="用于文案风格A/B测试的商品数据集,包含电子产品、日用品等类别",
    # data_type="kv"
)

# 添加测试用例
for case in test_cases:
    client.create_example(
        dataset_name=dataset_name,
        inputs=case["inputs"],
        outputs=case.get("outputs", {})
    )

print(f"数据集 '{dataset_name}' 创建成功,包含 {len(test_cases)} 个测试用例")

输出为:

sys:1: LangChainPendingDeprecationWarning: The tags argument is deprecated and will be removed in a future release. Please specify project_metadata instead.
View the evaluation results for project '文案风格测试_传统风格_20250409121920' at:
https://smith.langchain.com/o/33a70936-85b0-4930-9c23-e991682a23e7/datasets/56102f28-3f11-4ce5-9def-e99284bd1bf2/compare?selectedSessions=019e6e15-04f9-4472-82ec-c7c182902ac5

View all tests for Dataset 商品文案测试集 at:
https://smith.langchain.com/o/33a70936-85b0-4930-9c23-e991682a23e7/datasets/56102f28-3f11-4ce5-9def-e99284bd1bf2
[------------------------------------------------->] 5/5sys:1: LangChainPendingDeprecationWarning: The tags argument is deprecated and will be removed in a future release. Please specify project_metadata instead.
View the evaluation results for project '文案风格测试_网红风格_20250409123424' at:
https://smith.langchain.com/o/33a70936-85b0-4930-9c23-e991682a23e7/datasets/56102f28-3f11-4ce5-9def-e99284bd1bf2/compare?selectedSessions=b84f5a40-061a-4dd2-838c-6f9f21ee699b

View all tests for Dataset 商品文案测试集 at:
https://smith.langchain.com/o/33a70936-85b0-4930-9c23-e991682a23e7/datasets/56102f28-3f11-4ce5-9def-e99284bd1bf2
[------------------------------------------------->] 5/5sys:1: LangChainPendingDeprecationWarning: The tags argument is deprecated and will be removed in a future release. Please specify project_metadata instead.
View the evaluation results for project '文案风格测试_技术风格_20250409124757' at:
https://smith.langchain.com/o/33a70936-85b0-4930-9c23-e991682a23e7/datasets/56102f28-3f11-4ce5-9def-e99284bd1bf2/compare?selectedSessions=b06f9672-7e6a-4576-9892-937cc85cbdd4

View all tests for Dataset 商品文案测试集 at:
https://smith.langchain.com/o/33a70936-85b0-4930-9c23-e991682a23e7/datasets/56102f28-3f11-4ce5-9def-e99284bd1bf2
[------------------------------------------------->] 5/5最佳prompt变体: 20250409124757
平均转化分数: 1.00
平均清晰度分数: 1.00

2.2 性能瓶颈分析

from langsmith import Client
from langchain_ollama import ChatOllama
from langchain_core.prompts import ChatPromptTemplate
import time
import pandas as pd
import matplotlib.pyplot as plt
import os
#设置自己的key
os.environ["LANGSMITH_API_KEY"] = "lsv2_pt_xxxxxx"
# 初始化客户端
client = Client()

# 1. 创建测试链
prompt = ChatPromptTemplate.from_template("为{product}生成营销文案,突出{features}")
model = ChatOllama(model="deepseek-r1")
chain = prompt | model

# 2. 创建测试数据集
test_dataset = [
    {"product": "智能手表", "features": "心率监测、50米防水"},
    {"product": "无线耳机", "features": "主动降噪、24小时续航"},
    {"product": "有机护肤套装", "features": "纯天然成分、敏感肌适用"}
]


# 3. 定义评估函数(修正后的版本)
def latency_eval(run):
    """计算延迟并添加性能指标"""
    extra = run.get("extra", {})
    start_time = extra.get("start_time", 0)
    end_time = extra.get("end_time", 0)

    latency = end_time - start_time if start_time and end_time else 0
    input_tokens = extra.get("input_tokens", 0)
    output_tokens = extra.get("output_tokens", 0)

    return {
        "latency_seconds": latency,
        "input_tokens": input_tokens,
        "output_tokens": output_tokens,
        "tokens_per_second": (input_tokens + output_tokens) / latency if latency > 0 else 0
    }


# 4. 包装调用函数以捕获更多指标
def instrumented_invoke(input_dict):
    start_time = time.time()
    result = chain.invoke(input_dict)
    end_time = time.time()

    # 估算token数量
    input_tokens = len(str(input_dict).split()) * 1.33
    output_tokens = len(str(result).split()) * 1.33

    return {
        "input": input_dict,
        "result": result,
        "extra": {
            "start_time": start_time,
            "end_time": end_time,
            "input_tokens": input_tokens,
            "output_tokens": output_tokens
        }
    }


# 5. 执行性能测试
results = []
for test_case in test_dataset:
    run_data = instrumented_invoke(test_case)
    metrics = latency_eval(run_data)  # 直接传入整个运行数据
    results.append({
        **test_case,
        **metrics,
        "response": str(run_data["result"])
    })

# 6. 分析结果
df = pd.DataFrame(results)
print("\n性能指标统计:")
print(df.describe())

# 7. 可视化结果
plt.figure(figsize=(12, 6))
plt.subplot(1, 2, 1)
df['latency_seconds'].plot(kind='box', title='延迟分布(秒)')
plt.subplot(1, 2, 2)
df['tokens_per_second'].plot(kind='box', title='吞吐量(tokens/秒)')
plt.tight_layout()
plt.savefig('performance_metrics.png')
print("\n已保存性能图表到 performance_metrics.png")

# 8. 保存详细结果(添加异常处理)
try:
    df.to_csv("performance_results.csv", index=False)
    print("详细结果已保存到 performance_results.csv")
except Exception as e:
    print(f"保存结果时发生错误: {e}")

输出为:

性能指标统计:
       latency_seconds  input_tokens  output_tokens  tokens_per_second
count         3.000000          3.00       3.000000           3.000000
mean        160.922865          5.32      66.500000           0.449554
std          11.150072          0.00      19.592123           0.139738
min         152.847575          5.32      49.210000           0.348933
25%         154.561912          5.32      55.860000           0.369779
50%         156.276250          5.32      62.510000           0.390625
75%         164.960510          5.32      75.145000           0.499864
max         173.644771          5.32      87.780000           0.609104

已保存性能图表到 performance_metrics.png
详细结果已保存到 performance_results.csv

三、企业级案例:客服系统优化

3.1 优化历程


3.2 关键指标变化

阶段

解决率

平均响应时间

用户满意度

初始版本

68%

1200ms

72%

V1优化

82%

800ms

85%

V2上线

92%

600ms

94%


四、避坑指南:评估优化七大陷阱

  1. 指标片面:仅关注准确率忽略业务转化 → 需定义复合指标
  2. 数据泄漏:测试集污染训练数据 → 严格隔离环境
  3. 过拟合:在特定测试集表现优异 → 多维度交叉验证
  4. 冷启动:初期数据不足 → 使用合成数据增强
  5. 评估偏差:人工标注主观性 → 引入多人投票机制
  6. 监控盲区:未跟踪生产环境衰减 → 设置自动警报
  7. 成本失控:频繁调用高价API → 实施预算控制

下期预告

《异步处理:提升应用性能的关键技巧》

  • 揭秘:如何让AI应用吞吐量提升10倍?
  • 实战:高并发订单处理系统改造
  • 陷阱:异步环境下的状态管理难题

没有度量就没有优化——LangSmith让AI系统的每个改进都变得可验证、可量化。记住:优秀的工程师不只让代码能运行,更要让效果可证明!

相关推荐

其实TensorFlow真的很水无非就这30篇熬夜练

好的!以下是TensorFlow需要掌握的核心内容,用列表形式呈现,简洁清晰(含表情符号,<300字):1.基础概念与环境TensorFlow架构(计算图、会话->EagerE...

交叉验证和超参数调整:如何优化你的机器学习模型

准确预测Fitbit的睡眠得分在本文的前两部分中,我获取了Fitbit的睡眠数据并对其进行预处理,将这些数据分为训练集、验证集和测试集,除此之外,我还训练了三种不同的机器学习模型并比较了它们的性能。在...

机器学习交叉验证全指南:原理、类型与实战技巧

机器学习模型常常需要大量数据,但它们如何与实时新数据协同工作也同样关键。交叉验证是一种通过将数据集分成若干部分、在部分数据上训练模型、在其余数据上测试模型的方法,用来检验模型的表现。这有助于发现过拟合...

深度学习中的类别激活热图可视化

作者:ValentinaAlto编译:ronghuaiyang导读使用Keras实现图像分类中的激活热图的可视化,帮助更有针对性...

超强,必会的机器学习评估指标

大侠幸会,在下全网同名[算法金]0基础转AI上岸,多个算法赛Top[日更万日,让更多人享受智能乐趣]构建机器学习模型的关键步骤是检查其性能,这是通过使用验证指标来完成的。选择正确的验证指...

机器学习入门教程-第六课:监督学习与非监督学习

1.回顾与引入上节课我们谈到了机器学习的一些实战技巧,比如如何处理数据、选择模型以及调整参数。今天,我们将更深入地探讨机器学习的两大类:监督学习和非监督学习。2.监督学习监督学习就像是有老师的教学...

Python教程(三十八):机器学习基础

...

Python 模型部署不用愁!容器化实战,5 分钟搞定环境配置

你是不是也遇到过这种糟心事:花了好几天训练出的Python模型,在自己电脑上跑得顺顺当当,一放到服务器就各种报错。要么是Python版本不对,要么是依赖库冲突,折腾半天还是用不了。别再喊“我...

超全面讲透一个算法模型,高斯核!!

...

神经网络与传统统计方法的简单对比

传统的统计方法如...

AI 基础知识从0.1到0.2——用“房价预测”入门机器学习全流程

...

自回归滞后模型进行多变量时间序列预测

下图显示了关于不同类型葡萄酒销量的月度多元时间序列。每种葡萄酒类型都是时间序列中的一个变量。假设要预测其中一个变量。比如,sparklingwine。如何建立一个模型来进行预测呢?一种常见的方...

苹果AI策略:慢哲学——科技行业的“长期主义”试金石

苹果AI策略的深度原创分析,结合技术伦理、商业逻辑与行业博弈,揭示其“慢哲学”背后的战略智慧:一、反常之举:AI狂潮中的“逆行者”当科技巨头深陷AI军备竞赛,苹果的克制显得格格不入:功能延期:App...

时间序列预测全攻略,6大模型代码实操

如果你对数据分析感兴趣,希望学习更多的方法论,希望听听经验分享,欢迎移步宝藏公众号...

AI 基础知识从 0.4 到 0.5—— 计算机视觉之光 CNN

...

取消回复欢迎 发表评论: