Passer au contenu principal
Weave for Agents est en préversion publique. Les fonctionnalités, les API et l’interface utilisateur de la vue Agents peuvent encore évoluer avant la disponibilité générale.
Essayer dans Colab · Code source sur GitHub Le SDK Weave vous permet de tracer des agents créés avec des SDK populaires ou des harnesses personnalisés. Ce Démarrage rapide vous montre comment intégrer manuellement Weave à un agent sur plusieurs tours de conversation personnalisé afin d’émettre et de capturer des spans OpenTelemetry. Pour une compréhension conceptuelle de Weave pour les agents, voir Tracer vos agents. Si vous cherchez à intégrer Weave à des SDK ou à des harnesses comme le Claude Agent SDK ou Codex, voir Tracer les intégrations d’agents. Weave applique automatiquement des patchs à plusieurs SDK de création d’agents ainsi qu’à des harnesses d’agents pour une intégration rapide.

​
Ce que vous allez apprendre

À la fin de ce démarrage rapide, vous disposerez d’un agent fonctionnel sur plusieurs tours de conversation qui émet des spans OTel compatibles avec Weave. Vous comprendrez également comment Weave fait correspondre les sessions, les tours de conversation, les appels LLM et les appels d’outil au code de votre agent, afin que vous puissiez appliquer le même modèle à vos propres agents personnalisés. Le code de ce guide met en place un petit agent de recherche capable de consulter Wikipédia. Il pose trois questions (trois tours de conversation) et utilise le LLM pour décider quand interroger Wikipédia afin d’obtenir une réponse. Weave enregistre chaque étape (la conversation, chaque question, chaque réponse de l’IA et chaque recherche sur Wikipédia) afin que vous puissiez voir ce qui s’est passé dans la vue Agents de Weave. Ce guide vous montre comment :
  • Initialiser Weave pour le traçage des agents avec weave.init().
  • Ouvrir une session et un tour de conversation avec start_session / startSession et start_turn / startTurn.
  • Encapsuler les appels LLM avec start_llm / startLLM et enregistrer l’utilisation.
  • Encapsuler les exécutions d’outils avec start_tool / startTool et enregistrer les résultats.
  • Voir la session, les tours de conversation et les appels d’outil obtenus dans la vue Agents.

​
Fonctionnement du SDK Weave avec les agents

Le SDK Weave inclut un système générique d’ingestion OTel pour les agents, ce qui signifie que Weave peut capturer des informations à partir de n’importe quel span OTel dans le code de votre agent. Cependant, Weave nécessite une gestion particulière des spans suivants pour afficher les traces de votre agent dans la vue Agents de l’interface Weave.
ConceptPythonTypeScriptspan OTel
Une conversationweave.start_session(...)weave.startSession(...)(aucun span, regroupe les tours de conversation)
Un échange utilisateur ou agentweave.start_turn(...)weave.startTurn(...)invoke_agent
Un appel d’API LLMweave.start_llm(...)weave.startLLM(...)chat
Une exécution d’outilweave.start_tool(...)weave.startTool(...)execute_tool
En Python, les quatre fonctions s’utilisent comme des gestionnaires de contexte (with weave.start_*(...) as obj:). À la sortie, elles terminent le span et vident les attributs, y compris en cas d’exception. En TypeScript, appelez .end() sur chaque objet renvoyé. Utilisez try { ... } finally { obj.end(); } pour garantir le nettoyage en cas d’exception. D’autres attributs de convention sémantique GenAI, tels que gen_ai.usage.* et gen_ai.agent.name, permettent un rendu supplémentaire, mais ils sont facultatifs.

​
Prérequis

  • Un compte W&B et une clé API.
  • Une clé API OpenAI.
  • Python 3.10+ (pour les exemples en Python).
  • Node.js 18+ (les exemples en TypeScript requièrent fetch intégré).

​
Installer les paquets

Installez les paquets suivants dans votre environnement de développement : 
pip install weave openai requests

​
Initialiser Weave

weave.init() s’authentifie auprès de W&B et configure l’exporter OTel qui envoie les spans d’agent vers la vue Agents. Si le projet n’existe pas dans votre équipe, Weave le crée lors de la première écriture. 
import getpass
import os

os.environ["WANDB_API_KEY"] = getpass.getpass("Enter your W&B API key: ")
os.environ["OPENAI_API_KEY"] = getpass.getpass("Enter your OpenAI API key: ")

TEAM = input("Enter your W&B team name: ")
PROJECT = input("Enter your W&B project name: ")

import weave
weave.init(f"{TEAM}/{PROJECT}")

​
Définir un outil

Le code suivant définit l’outil de recherche Wikipédia de l’agent, ainsi qu’un schéma d’outil OpenAI qui spécifie quand et comment l’utiliser. 
import json
import requests

def wikipedia_search(query: str) -> str:
    r = requests.get(
        "https://en.wikipedia.org/w/api.php",
        params={
            "action": "query", "generator": "search", "gsrsearch": query, "gsrlimit": 1,
            "prop": "extracts", "exintro": True, "explaintext": True, "format": "json",
        },
        headers={"User-Agent": "weave-demo"},
    ).json()
    return next(iter(r["query"]["pages"].values()))["extract"]

wikipedia_tool_schema = {
    "type": "function",
    "function": {
        "name": "wikipedia_search",
        "description": "Search Wikipedia for a topic and return its intro paragraph.",
        "parameters": {
            "type": "object",
            "properties": {"query": {"type": "string"}},
            "required": ["query"],
        },
    },
}

​
Exécuter un agent tracé sur plusieurs tours de conversation

Une fois l’outil et l’initialisation de Weave en place, l’étape suivante consiste à les intégrer dans une boucle d’agent complète. Cette boucle montre comment les sessions, les tours de conversation, les appels LLM et les appels d’outil s’imbriquent. L’exemple suivant exécute trois tours de conversation dans une même session. Chaque tour de conversation :
  1. Ouvre un span chat et laisse le LLM choisir s’il doit appeler l’outil.
  2. Si le LLM demande à appeler l’outil, ouvre un span execute_tool autour de cet appel et renvoie le résultat au LLM.
  3. Ouvre un second span chat pour produire la réponse finale.
from openai import OpenAI

openai_client = OpenAI()
MODEL = "gpt-4o-mini"

def run_turn(history, user_message):
    history.append({"role": "user", "content": user_message})

    with weave.start_turn(user_message=user_message, model=MODEL):
        # Appel LLM 1 : le modèle peut décider d'utiliser un outil.
        with weave.start_llm(model=MODEL, provider_name="openai") as llm:
            resp = openai_client.chat.completions.create(
                model=MODEL, messages=history, tools=[wikipedia_tool_schema],
            )
            msg = resp.choices[0].message
            llm.output(msg.content or "")
            llm.usage = weave.Usage(
                input_tokens=resp.usage.prompt_tokens,
                output_tokens=resp.usage.completion_tokens,
            )
            history.append(msg.model_dump(exclude_none=True))

        # Si aucun outil n'a été demandé, la première réponse LLM est la réponse finale.
        if not msg.tool_calls:
            return msg.content

        # Exécuter chaque appel d'outil demandé.
        for tc in msg.tool_calls:
            with weave.start_tool(
                name=tc.function.name,
                arguments=tc.function.arguments,
                tool_call_id=tc.id,
            ) as tool:
                tool.result = wikipedia_search(**json.loads(tc.function.arguments))
                history.append({
                    "role": "tool",
                    "tool_call_id": tc.id,
                    "content": tool.result,
                })

        # Appel LLM 2 : synthétiser la réponse finale.
        with weave.start_llm(model=MODEL, provider_name="openai") as llm:
            resp = openai_client.chat.completions.create(model=MODEL, messages=history)
            msg = resp.choices[0].message
            llm.output(msg.content)
            llm.usage = weave.Usage(
                input_tokens=resp.usage.prompt_tokens,
                output_tokens=resp.usage.completion_tokens,
            )
            history.append({"role": "assistant", "content": msg.content})
            return msg.content

with weave.start_session(agent_name="research-bot") as session:
    history = []
    for question in [
        "Who founded Anthropic?",
        "What is Claude (the AI assistant)?",
        "Summarize what we discussed in one sentence.",
    ]:
        print(f"USER: {question}")
        print(f"AGENT: {run_turn(history, question)}\n")

​
Voir les traces de votre agent dans la vue Agents

Lorsque weave.init() s’exécute, un lien vers votre projet s’affiche, où vous pouvez voir :
  • Une ligne dans l’onglet Agents pour research-bot.
  • Une session contenant trois tours de conversation.
  • Chaque tour (invoke_agent) avec deux spans chat et un span execute_tool imbriqué.
  • Le nombre de jetons, la latence, le modèle et l’échange complet de messages pour chaque chat.
Cliquez sur n’importe quel tour pour inspecter les entrées, les sorties, les arguments de l’outil et les résultats de l’outil.

​
Étapes suivantes