PromptLayerChatOpenAI
这个示例展示了如何连接到PromptLayer以开始记录您的ChatOpenAI请求。
安装 PromptLayer
使用OpenAI的PromptLayer需要promptlayer包。使用pip安装promptlayer。
pip install promptlayer
导入
import os
from langchain_community.chat_models import PromptLayerChatOpenAI
from langchain_core.messages import HumanMessage
API Reference:PromptLayerChatOpenAI | HumanMessage
设置环境API密钥
您可以在www.promptlayer.com上通过点击导航栏中的设置齿轮来创建PromptLayer API密钥。
将其设置为名为 PROMPTLAYER_API_KEY 的环境变量。
os.environ["PROMPTLAYER_API_KEY"] = "**********"
像平常一样使用 PromptLayerOpenAI LLM
你可以选择性地传入pl_tags，以使用PromptLayer的标签功能来跟踪你的请求。
chat = PromptLayerChatOpenAI(pl_tags=["langchain"])
chat([HumanMessage(content="I am a cat and I want")])
AIMessage(content='to take a nap in a cozy spot. I search around for a suitable place and finally settle on a soft cushion on the window sill. I curl up into a ball and close my eyes, relishing the warmth of the sun on my fur. As I drift off to sleep, I can hear the birds chirping outside and feel the gentle breeze blowing through the window. This is the life of a contented cat.', additional_kwargs={})
上述请求现在应该会出现在您的PromptLayer仪表板上。
使用 PromptLayer 跟踪
如果您想使用任何PromptLayer跟踪功能，您需要在实例化PromptLayer LLM时传递参数return_pl_id以获取请求ID。
import promptlayer
chat = PromptLayerChatOpenAI(return_pl_id=True)
chat_results = chat.generate([[HumanMessage(content="I am a cat and I want")]])
for res in chat_results.generations:
pl_request_id = res[0].generation_info["pl_request_id"]
promptlayer.track.score(request_id=pl_request_id, score=100)
使用此功能可以让您在PromptLayer仪表板中跟踪模型的性能。如果您使用的是提示模板，您还可以将模板附加到请求中。 总的来说，这为您提供了在PromptLayer仪表板中跟踪不同模板和模型性能的机会。