Flyte

Flyte 是一个开源的编排器，用于构建生产级别的数据和机器学习管道。

它专为可伸缩性和可重现性而构建，利用 Kubernetes 作为其基础平台。

这篇笔记的目的是演示如何将 FlyteCallback 集成到你的 Flyte 任务中，从而能够有效地监视和跟踪你的 LangChain 实验。

安装与设置

• 通过运行命令 pip install flytekit 安装 Flytekit 库。

• 通过运行命令 pip install flytekitplugins-envd 安装 Flytekit-Envd 插件。

• 通过运行命令 pip install langchain 安装 LangChain。

• 在你的系统上安装 Docker。

Flyte 任务

Flyte 任务 是 Flyte 的基础构建块。

要执行 LangChain 实验，你需要编写定义了具体步骤和操作的 Flyte 任务。

注意：入门指南提供了关于在本地安装 Flyte 和运行初始 Flyte 管道的详细逐步说明。

首先，导入必要的依赖项以支持你的 LangChain 实验。

import os
from flytekit import ImageSpec, task
from langchain.agents import AgentType, initialize_agent, load_tools
from langchain.callbacks import FlyteCallbackHandler
from langchain.chains import LLMChain
from langchain_openai import ChatOpenAI
from langchain_core.prompts import PromptTemplate
from langchain_core.messages import HumanMessage

设置必要的环境变量以利用 OpenAI API 和 Serp API。

# 设置 OpenAI API 密钥
os.environ["OPENAI_API_KEY"] = "<your_openai_api_key>"
# 设置 Serp API 密钥
os.environ["SERPAPI_API_KEY"] = "<your_serp_api_key>"

将 <your_openai_api_key> 和 <your_serp_api_key> 替换为你从 OpenAI 和 Serp API 获取的相应 API 密钥。

为了保证你的管道的可重现性，Flyte 任务被容器化。每个 Flyte 任务必须与一个镜像相关联，该镜像可以在整个 Flyte 工作流中共享，也可以为每个任务单独提供。

为了简化为每个 Flyte 任务提供所需依赖项的过程，你可以初始化一个 ImageSpec 对象。这种方法会自动触发 Docker 构建，减轻了用户手动创建 Docker 镜像的需要。

custom_image = ImageSpec(
    name="langchain-flyte",
    packages=[
        "langchain",
        "openai",
        "spacy",
        "https://github.com/explosion/spacy-models/releases/download/en_core_web_sm-3.5.0/en_core_web_sm-3.5.0.tar.gz",
        "textstat",
        "google-search-results",
    ],
    registry="<your-registry>",
)

你可以灵活选择将 Docker 镜像推送到你喜欢的注册表。Docker Hub 或 GitHub Container Registry (GHCR) 是一个方便的选择。

一旦你选择了一个注册表，你可以继续创建将 LangChain 指标记录到 Flyte Deck 的 Flyte 任务。

以下示例演示了与 OpenAI LLM、chains 和 agent 相关的任务：

LLM

@task(disable_deck=False, container_image=custom_image)
def langchain_llm() -> str:
    llm = ChatOpenAI(
        model_name="gpt-3.5-turbo",
        temperature=0.2,
        callbacks=[FlyteCallbackHandler()],
    )
    return llm.invoke([HumanMessage(content="Tell me a joke")]).content

Chain

@task(disable_deck=False, container_image=custom_image)
def langchain_chain() -> list[dict[str, str]]:
    template = """You are a playwright. Given the title of play, it is your job to write a synopsis for that title.
Title: {title}
Playwright: This is a synopsis for the above play:"""
    llm = ChatOpenAI(
        model_name="gpt-3.5-turbo",
        temperature=0,
        callbacks=[FlyteCallbackHandler()],
    )
    prompt_template = PromptTemplate(input_variables=["title"], template=template)
    synopsis_chain = LLMChain(
        llm=llm, prompt=prompt_template, callbacks=[FlyteCallbackHandler()]
    )
    test_prompts = [
        {
            "title": "documentary about good video games that push the boundary of game design"
        },
    ]
    return synopsis_chain.apply(test_prompts)

Agent

@task(disable_deck=False, container_image=custom_image)
def langchain_agent() -> str:
    llm = OpenAI(
        model_name="gpt-3.5-turbo",
        temperature=0,
        callbacks=[FlyteCallbackHandler()],
    )
    tools = load_tools(
        ["serpapi", "llm-math"], llm=llm, callbacks=[FlyteCallbackHandler()]
    )
    agent = initialize_agent(
        tools,
        llm,
        agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
        callbacks=[FlyteCallbackHandler()],
        verbose=True,
    )
    return agent.run(
        "Who is Leonardo DiCaprio's girlfriend? Could you calculate her current age and raise it to the power of 0.43?"
    )

这些任务可作为在 Flyte 中运行 LangChain 实验的起点。

在 Kubernetes 上执行 Flyte 任务

要在配置好的 Flyte 后端上执行 Flyte 任务，请使用以下命令：

pyflyte run --image <your-image> langchain_flyte.py langchain_llm

这个命令将在 Flyte 后端启动 langchain_llm 任务的执行。你可以以类似的方式触发剩下的两个任务。

指标将在 Flyte UI 上显示如下：