如果您决定不再跟踪运行，可以删除 LANGSMITH_TRACING 环境变量。请注意，这不会影响 RunTree 对象或 API 用户，因为这些是底层的，不受跟踪切换的影响。
有几种方法可以将跟踪记录到 LangSmith。
如果您使用 LangChain（Python 或 JS/TS），您可以跳过本节并直接转到 LangChain 特定说明。

​
使用 @traceable / traceable

LangSmith 使用 Python 中的 @traceable 装饰器和 TypeScript 中的 traceable 函数可以轻松地以最少的更改记录跟踪到现有代码。
即使使用 @traceable 或 traceable，也必须将 LANGSMITH_TRACING 环境变量设置为 'true' 才能将跟踪记录到 LangSmith。这允许您在不更改代码的情况下切换跟踪的开启和关闭。此外，您需要将 LANGSMITH_API_KEY 环境变量设置为您的 API 密钥（有关更多信息，请参阅设置）。默认情况下，跟踪将记录到名为 default 的项目。要将跟踪记录到不同的项目，请参阅本节。
@traceable 装饰器是从 LangSmith Python SDK 记录跟踪的简单方法。只需用 @traceable 装饰任何函数。 请注意，当使用 traceable 包装同步函数时（例如下面示例中的 formatPrompt），您应该在调用它时使用 await 关键字以确保正确记录跟踪。 
from langsmith import traceable
from openai import Client

openai = Client()

@traceable
def format_prompt(subject):
  return [
      {
          "role": "system",
          "content": "You are a helpful assistant.",
      },
      {
          "role": "user",
          "content": f"What's a good name for a store that sells {subject}?"
      }
  ]

@traceable(run_type="llm")
def invoke_llm(messages):
  return openai.chat.completions.create(
      messages=messages, model="gpt-4o-mini", temperature=0
  )

@traceable
def parse_output(response):
  return response.choices[0].message.content

@traceable
def run_pipeline():
  messages = format_prompt("colorful socks")
  response = invoke_llm(messages)
  return parse_output(response)

run_pipeline()

​
使用 trace 上下文管理器（仅限 Python）

在 Python 中，你可以使用 trace 上下文管理器将跟踪记录到 LangSmith。这在以下情况下很有用：
  1. 你想为特定代码块记录跟踪。
  2. 你想控制跟踪的输入、输出和其他属性。
  3. 使用装饰器或包装器不可行。
  4. 以上任何或所有情况。
上下文管理器与 traceable 装饰器和 wrap_openai 包装器无缝集成，因此你可以在同一应用程序中一起使用它们。 
import openai
import langsmith as ls
from langsmith.wrappers import wrap_openai

client = wrap_openai(openai.Client())

@ls.traceable(run_type="tool", name="Retrieve Context")
def my_tool(question: str) -> str:
    return "During this morning's meeting, we solved all world conflict."

def chat_pipeline(question: str):
    context = my_tool(question)
    messages = [
        { "role": "system", "content": "You are a helpful assistant. Please respond to the user's request only based on the given context." },
        { "role": "user", "content": f"Question: {question}\nContext: {context}"}
    ]
    chat_completion = client.chat.completions.create(
        model="gpt-4o-mini", messages=messages
    )
    return chat_completion.choices[0].message.content

app_inputs = {"input": "Can you summarize this morning's meetings?"}

with ls.trace("Chat Pipeline", "chain", project_name="my_test", inputs=app_inputs) as rt:
    output = chat_pipeline("Can you summarize this morning's meetings?")
    rt.end(outputs={"output": output})

​
使用 RunTree API

另一种更明确的方式是通过 RunTree API 将跟踪记录到 LangSmith。此 API 允许你更好地控制跟踪——你可以手动创建运行和子运行来组装跟踪。你仍需要设置 LANGSMITH_API_KEY，但此方法不需要 LANGSMITH_TRACING。 不推荐使用此方法，因为在传播跟踪上下文时更容易出错。 
import openai
from langsmith.run_trees import RunTree

# 这可以是应用程序的用户输入
question = "Can you summarize this morning's meetings?"

# 创建顶级运行
pipeline = RunTree(
  name="Chat Pipeline",
  run_type="chain",
  inputs={"question": question}
)
pipeline.post()

# 这可以在检索步骤中检索
context = "During this morning's meeting, we solved all world conflict."
messages = [
  { "role": "system", "content": "You are a helpful assistant. Please respond to the user's request only based on the given context." },
  { "role": "user", "content": f"Question: {question}\nContext: {context}"}
]

# 创建子运行
child_llm_run = pipeline.create_child(
  name="OpenAI Call",
  run_type="llm",
  inputs={"messages": messages},
)
child_llm_run.post()

# 生成完成
client = openai.Client()
chat_completion = client.chat.completions.create(
  model="gpt-4o-mini", messages=messages
)

# 结束运行并记录它们
child_llm_run.end(outputs=chat_completion)
child_llm_run.patch()
pipeline.end(outputs={"answer": chat_completion.choices[0].message.content})
pipeline.patch()

​
示例用法

你可以扩展上述实用程序以方便地跟踪任何代码。以下是一些示例扩展： 跟踪类中的任何公共方法： 
from typing import Any, Callable, Type, TypeVar

T = TypeVar("T")

def traceable_cls(cls: Type[T]) -> Type[T]:
    """检测类中的所有公共方法。"""
    def wrap_method(name: str, method: Any) -> Any:
        if callable(method) and not name.startswith("__"):
            return traceable(name=f"{cls.__name__}.{name}")(method)
        return method

    # 处理 __dict__ 情况
    for name in dir(cls):
        if not name.startswith("_"):
            try:
                method = getattr(cls, name)
                setattr(cls, name, wrap_method(name, method))
            except AttributeError:
                # 跳过无法设置的属性（例如，某些描述符）
                pass

    # 处理 __slots__ 情况
    if hasattr(cls, "__slots__"):
        for slot in cls.__slots__:  # type: ignore[attr-defined]
            if not slot.startswith("__"):
                try:
                    method = getattr(cls, slot)
                    setattr(cls, slot, wrap_method(slot, method))
                except AttributeError:
                    # 跳过还没有值的槽
                    pass

    return cls

@traceable_cls
class MyClass:
    def __init__(self, some_val: int):
        self.some_val = some_val

    def combine(self, other_val: int):
        return self.some_val + other_val

# See trace: https://smith.langchain.com/public/882f9ecf-5057-426a-ae98-0edf84fdcaf9/r
MyClass(13).combine(29)

​
确保在退出前提交所有跟踪

LangSmith 的跟踪在后台线程中完成，以避免阻塞生产应用程序。这意味着你的进程可能在所有跟踪成功发布到 LangSmith 之前结束。以下是一些确保在退出应用程序之前提交所有跟踪的选项。

​
使用 LangSmith SDK

如果你独立使用 LangSmith SDK，可以在退出前使用 flush 方法： 
from langsmith import Client

client = Client()

@traceable(client=client)
async def my_traced_func():
  # Your code here...
  pass

try:
  await my_traced_func()
finally:
  await client.flush()

​
使用 LangChain

如果你使用 LangChain，请参阅我们的 LangChain 跟踪指南。 如果你更喜欢视频教程，请查看 LangSmith 课程介绍中的跟踪基础视频。
Edit the source of this page on GitHub.
Connect these docs programmatically to Claude, VSCode, and more via MCP for real-time answers.