Envoyer des traces OpenTelemetry vers Weave - Weights & Biases Documentation

Weave prend en charge l’importation de données de trace compatibles OpenTelemetry via un point de terminaison dédié. Ce point de terminaison vous permet d’envoyer directement vers votre projet Weave des données de trace au format OTLP (OpenTelemetry Protocol). Utilisez cette intégration si vous souhaitez instrumenter votre application selon le standard OpenTelemetry et faire apparaître ces traces aux côtés de vos autres données Weave, sans remplacer votre pipeline d’observabilité existant basé sur OTel. Cette page présente les détails du point de terminaison, l’authentification, des exemples complets en Python et TypeScript, comment transférer des traces via un OpenTelemetry Collector, comment organiser les traces en threads Weave, ainsi que les mappages d’attributs que Weave applique aux spans entrants.

Détails du point de terminaison

Chemin : /otel/v1/traces
Méthode : POST
Content-Type : application/x-protobuf
URL de base : l’URL de base du point de terminaison de trace OTel dépend de votre type de déploiement W&B :

Cloud mutualisé : https://trace.wandb.ai/otel/v1/traces.
Instances Cloud dédié et Autogéré : https://<your-subdomain>.wandb.io/traces/otel/v1/traces.

Remplacez <your-subdomain> par le domaine W&B unique de votre organisation, par exemple acme.wandb.io.

Authentification et acheminement

Weave utilise l’en-tête wandb-api-key pour authentifier les requêtes, ainsi que les attributs de ressource de votre TracerProvider, afin d’acheminer les spans vers l’entité et le projet appropriés. Incluez votre clé API W&B dans l’en-tête wandb-api-key, puis spécifiez les clés suivantes comme attributs de ressource OpenTelemetry dans votre classe TracerProvider :

wandb.entity : Le nom de votre équipe W&B ou de votre utilisateur.
wandb.project : Le nom du projet vers lequel envoyer les traces.

L’exemple suivant montre comment configurer l’authentification et l’acheminement du projet :

import os
from opentelemetry.exporter.otlp.proto.http.trace_exporter import OTLPSpanExporter
from opentelemetry.sdk import trace as trace_sdk
from opentelemetry.sdk.resources import Resource

WANDB_BASE_URL = "https://trace.wandb.ai"
ENTITY = "<your-team-name>"
PROJECT = "<your-project-name>"

OTEL_EXPORTER_OTLP_ENDPOINT = f"{WANDB_BASE_URL}/otel/v1/traces"

# Créez une clé API sur https://wandb.ai/settings
WANDB_API_KEY = os.environ["WANDB_API_KEY"]

exporter = OTLPSpanExporter(
    endpoint=OTEL_EXPORTER_OTLP_ENDPOINT,
    headers={"wandb-api-key": WANDB_API_KEY},
)

tracer_provider = trace_sdk.TracerProvider(resource=Resource({
    "wandb.entity": ENTITY,
    "wandb.project": PROJECT,
}))

Exemples

Les exemples suivants montrent comment envoyer des traces OpenTelemetry vers Weave à l’aide de Python et de TypeScript. Chaque exemple présente une approche différente : utiliser la bibliothèque d’instrumentation OpenInference, utiliser l’instrumentation OpenLLMetry ou utiliser directement le SDK OpenTelemetry sans package d’instrumentation. Avant d’exécuter les exemples de code suivants, définissez les champs suivants :

WANDB_API_KEY : vous pouvez l’obtenir dans les Paramètres utilisateur.
Entité : vous pouvez journaliser des traces dans le projet uniquement sous une équipe/entité à laquelle vous avez accès. Pour trouver le nom de votre entité, accédez à votre tableau de bord W&B et vérifiez le champ Teams dans la barre latérale gauche.
Nom du projet : choisissez un nom.
OPENAI_API_KEY : vous pouvez l’obtenir dans le tableau de bord OpenAI.

Instrumentation OpenInference

OpenInference est une bibliothèque d’instrumentation open source d’Arize AI qui capture les appels LLM sous forme de spans OpenTelemetry. Cet exemple montre comment utiliser l’instrumentation OpenAI. Des instrumentations supplémentaires sont disponibles dans le dépôt officiel. Installez d’abord les dépendances requises :

Python
TypeScript

pip install openai openinference-instrumentation-openai opentelemetry-exporter-otlp-proto-http

npm install openai @opentelemetry/sdk-trace-node @opentelemetry/sdk-trace-base @opentelemetry/resources @opentelemetry/exporter-trace-otlp-proto @arizeai/openinference-instrumentation-openai @opentelemetry/api

Recommandation relative aux performances : utilisez toujours BatchSpanProcessor plutôt que SimpleSpanProcessor lors de l’envoi de traces vers Weave. SimpleSpanProcessor exporte les spans de manière synchrone, ce qui peut affecter les performances des autres charges de travail. Ces exemples illustrent BatchSpanProcessor, recommandé en production, car il regroupe les spans de façon asynchrone et efficace.

Python
TypeScript

Collez le code suivant dans un fichier Python, par exemple openinference_example.py :

import os
import openai
from opentelemetry.exporter.otlp.proto.http.trace_exporter import OTLPSpanExporter
from opentelemetry.sdk import trace as trace_sdk
from opentelemetry.sdk.resources import Resource
from opentelemetry.sdk.trace.export import ConsoleSpanExporter, BatchSpanProcessor
from openinference.instrumentation.openai import OpenAIInstrumentor

OPENAI_API_KEY = "YOUR_OPENAI_API_KEY"
WANDB_BASE_URL = "https://trace.wandb.ai"
ENTITY = "<your-team-name>"
PROJECT = "<your-project-name>"

OTEL_EXPORTER_OTLP_ENDPOINT = f"{WANDB_BASE_URL}/otel/v1/traces"

# Créez une clé API sur https://wandb.ai/settings
WANDB_API_KEY = os.environ["WANDB_API_KEY"]

exporter = OTLPSpanExporter(
    endpoint=OTEL_EXPORTER_OTLP_ENDPOINT,
    headers={"wandb-api-key": WANDB_API_KEY},
)

tracer_provider = trace_sdk.TracerProvider(resource=Resource({
    "wandb.entity": ENTITY,
    "wandb.project": PROJECT,
}))
tracer_provider.add_span_processor(BatchSpanProcessor(exporter))

# Facultatif : afficher les spans dans la console.
tracer_provider.add_span_processor(BatchSpanProcessor(ConsoleSpanExporter()))

OpenAIInstrumentor().instrument(tracer_provider=tracer_provider)

def main():
    client = openai.OpenAI(api_key=OPENAI_API_KEY)
    response = client.chat.completions.create(
        model="gpt-3.5-turbo",
        messages=[{"role": "user", "content": "Describe OTel in a single sentence."}],
        max_tokens=20,
        stream=True,
        stream_options={"include_usage": True},
    )
    for chunk in response:
        if chunk.choices and (content := chunk.choices[0].delta.content):
            print(content, end="")

if __name__ == "__main__":
    main()

Exécutez le code :

python openinference_example.py

L’implémentation TypeScript de cet exemple présente les principales différences suivantes par rapport à l’implémentation Python :

OpenAI doit être importé avant l’enregistrement de l’instrumentation (les modules ESM l’exigent).
Utilise @opentelemetry/exporter-trace-otlp-proto (format protobuf) au lieu de l’exportateur HTTP, car le point de terminaison de W&B n’accepte que le format protobuf.
Nécessite un provider.shutdown() explicite avec un délai avant l’arrêt afin de garantir que les spans sont bien exportés, car BatchSpanProcessor les exporte de manière asynchrone.

Collez le code suivant dans un fichier TypeScript tel que openinference_example.ts :

// IMPORTANT : Importez OpenAI EN PREMIER pour que l'instrumentation puisse le patcher
import OpenAI from "openai";
import { NodeTracerProvider } from "@opentelemetry/sdk-trace-node";
import { BatchSpanProcessor } from "@opentelemetry/sdk-trace-base";
import { OTLPTraceExporter } from "@opentelemetry/exporter-trace-otlp-proto";
import { resourceFromAttributes } from "@opentelemetry/resources";
import { OpenAIInstrumentation, isPatched } from "@arizeai/openinference-instrumentation-openai";

const OPENAI_API_KEY = process.env.OPENAI_API_KEY;
const WANDB_BASE_URL = "https://trace.wandb.ai";
const ENTITY = "<your-team-name>";
const PROJECT = "<your-project-name>";

const OTEL_EXPORTER_OTLP_ENDPOINT = `${WANDB_BASE_URL}/otel/v1/traces`;

// Créez une clé API sur https://wandb.ai/settings
const WANDB_API_KEY = process.env.WANDB_API_KEY!;

const exporter = new OTLPTraceExporter({
  url: OTEL_EXPORTER_OTLP_ENDPOINT,
  headers: { "wandb-api-key": WANDB_API_KEY },
});

const provider = new NodeTracerProvider({
  resource: resourceFromAttributes({
    "wandb.entity": ENTITY,
    "wandb.project": PROJECT,
  }),
  spanProcessors: [
    new BatchSpanProcessor(exporter)
  ],
});

provider.register();

// Enregistrez l'instrumentation OpenAI auprès du fournisseur de traceur
const openAIInstrumentation = new OpenAIInstrumentation();
openAIInstrumentation.setTracerProvider(provider);

// Instrumentez OpenAI manuellement car nous utilisons ESM
openAIInstrumentation.manuallyInstrument(OpenAI);

async function main() {
  console.log("OpenAI is patched?", isPatched());

  const client = new OpenAI({ apiKey: OPENAI_API_KEY });

  console.log("Making OpenAI API call...");
  const response = await client.chat.completions.create({
    model: "gpt-3.5-turbo",
    messages: [{ role: "user", content: "Describe OTel in a single sentence." }],
    max_tokens: 50,
  });

  console.log("Response:", response.choices[0]?.message?.content);
  console.log("Waiting for spans to flush...");
}

(async () => {
  await main();

  // Laisser le temps aux spans d'être vidés
  console.log("Waiting 2 seconds for spans to flush...");
  await new Promise(resolve => setTimeout(resolve, 2000));

  await provider.shutdown(); // vider tous les spans en attente avant de quitter
  console.log("Shutdown complete");
})();

Exécutez le code :

npx ts-node openinference_example.ts

Instrumentation OpenLLMetry

OpenLLMetry est une bibliothèque d’observabilité open source de Traceloop qui fournit une instrumentation OpenTelemetry pour les fournisseurs de LLM et les frameworks les plus courants. L’exemple suivant montre comment utiliser l’instrumentation OpenAI. D’autres exemples sont disponibles dans le dépôt OpenLLMetry. Installez d’abord les dépendances requises :

Python
TypeScript

pip install openai opentelemetry-instrumentation-openai opentelemetry-exporter-otlp-proto-http

npm install openai @traceloop/instrumentation-openai @opentelemetry/sdk-trace-node @opentelemetry/resources @opentelemetry/exporter-trace-otlp-http

Python
TypeScript

Collez le code suivant dans un fichier Python, par exemple openllmetry_example.py. Il s’agit du même code que dans l’exemple précédent, sauf que OpenAIInstrumentor est importé depuis opentelemetry.instrumentation.openai au lieu de openinference.instrumentation.openai :

import os
import openai
from opentelemetry.exporter.otlp.proto.http.trace_exporter import OTLPSpanExporter
from opentelemetry.sdk import trace as trace_sdk
from opentelemetry.sdk.resources import Resource
from opentelemetry.sdk.trace.export import ConsoleSpanExporter, BatchSpanProcessor
from opentelemetry.instrumentation.openai import OpenAIInstrumentor

OPENAI_API_KEY = "YOUR_OPENAI_API_KEY"
WANDB_BASE_URL = "https://trace.wandb.ai"
ENTITY = "<your-team-name>"
PROJECT = "<your-project-name>"

OTEL_EXPORTER_OTLP_ENDPOINT = f"{WANDB_BASE_URL}/otel/v1/traces"

# Créez une clé API sur https://wandb.ai/settings
WANDB_API_KEY = os.environ["WANDB_API_KEY"]

exporter = OTLPSpanExporter(
    endpoint=OTEL_EXPORTER_OTLP_ENDPOINT,
    headers={"wandb-api-key": WANDB_API_KEY},
)

tracer_provider = trace_sdk.TracerProvider(resource=Resource({
    "wandb.entity": ENTITY,
    "wandb.project": PROJECT,
}))
tracer_provider.add_span_processor(BatchSpanProcessor(exporter))

# Facultatif : afficher les spans dans la console.
tracer_provider.add_span_processor(BatchSpanProcessor(ConsoleSpanExporter()))

OpenAIInstrumentor().instrument(tracer_provider=tracer_provider)

def main():
    client = openai.OpenAI(api_key=OPENAI_API_KEY)
    response = client.chat.completions.create(
        model="gpt-3.5-turbo",
        messages=[{"role": "user", "content": "Describe OTel in a single sentence."}],
        max_tokens=20,
        stream=True,
        stream_options={"include_usage": True},
    )
    for chunk in response:
        if chunk.choices and (content := chunk.choices[0].delta.content):
            print(content, end="")

if __name__ == "__main__":
    main()

Exécutez le code :

python openllmetry_example.py

Collez le code suivant dans un fichier TypeScript comme openllmetry_example.ts. Ce code utilise le package d’instrumentation OpenAI de Traceloop :

import OpenAI from "openai";
import { NodeTracerProvider } from "@opentelemetry/sdk-trace-node";
import { BatchSpanProcessor, ConsoleSpanExporter } from "@opentelemetry/sdk-trace-base";
import { OTLPTraceExporter } from "@opentelemetry/exporter-trace-otlp-proto";
import { Resource } from "@opentelemetry/resources";
import { OpenAIInstrumentation } from "@traceloop/instrumentation-openai";
import { registerInstrumentations } from "@opentelemetry/instrumentation";

const OPENAI_API_KEY = process.env.OPENAI_API_KEY;
const WANDB_BASE_URL = "https://trace.wandb.ai";
const ENTITY = "<your-team-name>";
const PROJECT = "<your-project-name>";

const OTEL_EXPORTER_OTLP_ENDPOINT = `${WANDB_BASE_URL}/otel/v1/traces`;

// Créez une clé API sur https://wandb.ai/settings
const WANDB_API_KEY = process.env.WANDB_API_KEY!;

const exporter = new OTLPTraceExporter({
  url: OTEL_EXPORTER_OTLP_ENDPOINT,
  headers: { "wandb-api-key": WANDB_API_KEY },
});

const provider = new NodeTracerProvider({
  resource: new Resource({
    "wandb.entity": ENTITY,
    "wandb.project": PROJECT,
  }),
  spanProcessors: [
    new BatchSpanProcessor(exporter),
    // Facultatif : afficher les spans dans la console.
    new BatchSpanProcessor(new ConsoleSpanExporter()),
  ],
});

provider.register();

// Enregistrer l'instrumentation OpenAI auprès du fournisseur de traceur
const openAIInstrumentation = new OpenAIInstrumentation();
registerInstrumentations({
  tracerProvider: provider,
  instrumentations: [openAIInstrumentation],
});

// Instrumenter OpenAI manuellement car nous utilisons ESM
openAIInstrumentation.manuallyInstrument(OpenAI);

async function main() {
  const client = new OpenAI({ apiKey: OPENAI_API_KEY });
  const stream = await client.chat.completions.create({
    model: "gpt-3.5-turbo",
    messages: [{ role: "user", content: "Describe OTel in a single sentence." }],
    max_tokens: 20,
    stream: true,
  });

  for await (const chunk of stream) {
    const content = chunk.choices[0]?.delta?.content;
    if (content) {
      process.stdout.write(content);
    }
  }
  console.log(); // saut de ligne après le streaming
}

(async () => {
  await main();

  // Laisser le temps aux spans d'être envoyés
  await new Promise(resolve => setTimeout(resolve, 2000));

  await provider.shutdown(); // envoyer tous les spans en attente avant de quitter
})();

Exécutez le code :

npx ts-node openllmetry_example.ts

Sans instrumentation

Si vous préférez utiliser OTel directement plutôt qu’un package d’instrumentation, c’est possible. Cette approche vous donne un contrôle complet sur les attributs définis sur chaque span. Weave analyse les attributs de span conformément aux conventions sémantiques d’OpenTelemetry décrites à l’adresse https://opentelemetry.io/docs/specs/semconv/gen-ai/gen-ai-spans/. Installez d’abord les dépendances requises :

Python
TypeScript

pip install openai opentelemetry-sdk opentelemetry-api opentelemetry-exporter-otlp-proto-http

npm install openai @opentelemetry/api @opentelemetry/sdk-trace-node @opentelemetry/resources @opentelemetry/exporter-trace-otlp-http

Python
TypeScript

Collez le code suivant dans un fichier Python, par exemple opentelemetry_example.py :

import json
import os
import openai
from opentelemetry import trace
from opentelemetry.sdk import trace as trace_sdk
from opentelemetry.sdk.resources import Resource
from opentelemetry.exporter.otlp.proto.http.trace_exporter import OTLPSpanExporter
from opentelemetry.sdk.trace.export import ConsoleSpanExporter, BatchSpanProcessor

OPENAI_API_KEY = "YOUR_OPENAI_API_KEY"
WANDB_BASE_URL = "https://trace.wandb.ai"
ENTITY = "<your-team-name>"
PROJECT = "<your-project-name>"

OTEL_EXPORTER_OTLP_ENDPOINT = f"{WANDB_BASE_URL}/otel/v1/traces"

# Créez une clé API sur https://wandb.ai/settings
WANDB_API_KEY = os.environ["WANDB_API_KEY"]

# Configurer l'exportateur OTLP
exporter = OTLPSpanExporter(
    endpoint=OTEL_EXPORTER_OTLP_ENDPOINT,
    headers={"wandb-api-key": WANDB_API_KEY},
)

tracer_provider = trace_sdk.TracerProvider(resource=Resource({
    "wandb.entity": ENTITY,
    "wandb.project": PROJECT,
}))
tracer_provider.add_span_processor(BatchSpanProcessor(exporter))

# Facultatif : afficher les spans dans la console.
tracer_provider.add_span_processor(BatchSpanProcessor(ConsoleSpanExporter()))

# Définir le fournisseur de traceur
trace.set_tracer_provider(tracer_provider)

# Créer un traceur à partir du fournisseur de traceur global
tracer = trace.get_tracer(__name__)

def my_function():
    with tracer.start_as_current_span("outer_span") as outer_span:
        client = openai.OpenAI()
        input_messages = [{"role": "user", "content": "Describe OTel in a single sentence."}]
        outer_span.set_attribute("input.value", json.dumps(input_messages))
        outer_span.set_attribute("gen_ai.system", "openai")
        response = client.chat.completions.create(
            model="gpt-3.5-turbo",
            messages=input_messages,
            max_tokens=20,
            stream=True,
            stream_options={"include_usage": True},
        )
        out = ""
        for chunk in response:
            if chunk.choices and (content := chunk.choices[0].delta.content):
                out += content
        outer_span.set_attribute("output.value", json.dumps({"content": out}))

if __name__ == "__main__":
    my_function()

Exécutez le code :

python opentelemetry_example.py

Collez le code suivant dans un fichier TypeScript, par exemple opentelemetry_example.ts :

import OpenAI from "openai";
import { trace } from "@opentelemetry/api";
import { NodeTracerProvider } from "@opentelemetry/sdk-trace-node";
import { BatchSpanProcessor, ConsoleSpanExporter } from "@opentelemetry/sdk-trace-base";
import { OTLPTraceExporter } from "@opentelemetry/exporter-trace-otlp-http";
import { Resource } from "@opentelemetry/resources";

const OPENAI_API_KEY = "YOUR_OPENAI_API_KEY";
const WANDB_BASE_URL = "https://trace.wandb.ai";
const ENTITY = "<your-team-name>";
const PROJECT = "<your-project-name>";

const OTEL_EXPORTER_OTLP_ENDPOINT = `${WANDB_BASE_URL}/otel/v1/traces`;

// Créez une clé API sur https://wandb.ai/settings
const WANDB_API_KEY = process.env.WANDB_API_KEY!;

const exporter = new OTLPTraceExporter({
  url: OTEL_EXPORTER_OTLP_ENDPOINT,
  headers: { "wandb-api-key": WANDB_API_KEY },
});

const provider = new NodeTracerProvider({
  resource: new Resource({
    "wandb.entity": ENTITY,
    "wandb.project": PROJECT,
  }),
  spanProcessors: [
    new BatchSpanProcessor(exporter),
    // Facultatif : afficher les spans dans la console.
    new BatchSpanProcessor(new ConsoleSpanExporter()),
  ],
});

provider.register();

// Crée un traceur à partir du fournisseur de traceur global
const tracer = trace.getTracer("my-app");

async function myFunction() {
  const span = tracer.startSpan("outer_span");

  try {
    const client = new OpenAI({ apiKey: OPENAI_API_KEY });
    const inputMessages = [
      { role: "user" as const, content: "Describe OTel in a single sentence." },
    ];

    // Apparaît uniquement dans le panneau latéral
    span.setAttribute("input.value", JSON.stringify(inputMessages));
    
    // Suit les conventions et apparaît dans le tableau de bord
    span.setAttribute("gen_ai.system", "openai");

    const stream = await client.chat.completions.create({
      model: "gpt-3.5-turbo",
      messages: inputMessages,
      max_tokens: 20,
      stream: true,
    });

    let output = "";
    for await (const chunk of stream) {
      const content = chunk.choices[0]?.delta?.content;
      if (content) {
        output += content;
      }
      }

    // Apparaît uniquement dans le panneau latéral
    span.setAttribute("output.value", JSON.stringify({ content: output }));
  } finally {
    span.end();
  }
}

myFunction();

Exécutez le code :

npx ts-node opentelemetry_example.ts

Weave utilise les préfixes d’attribut de span gen_ai et openinference pour déterminer la convention à utiliser, le cas échéant, lors de l’interprétation de la trace. Si aucune de ces clés n’est détectée, tous les attributs de span sont alors visibles dans la vue de trace. Le span complet est disponible dans le panneau latéral lorsque vous sélectionnez une trace.

Utiliser un collecteur OpenTelemetry

Les exemples précédents exportent les traces directement depuis votre application vers Weave. En production, vous pouvez utiliser un OpenTelemetry Collector comme intermédiaire entre votre application et Weave. Le collecteur reçoit les traces de votre application, puis les transmet à un ou plusieurs backends. Cette approche centralise l’authentification, le traitement par lots et la logique d’acheminement en dehors du code de votre application, et vous permet de répartir les traces vers plusieurs backends d’observabilité à partir d’un seul pipeline.

Configurer un collecteur

Cette section explique comment exécuter un OpenTelemetry Collector local dans Docker et configurer une application pour lui envoyer des traces. L’exemple suivant montre comment :

Configurer un fichier de configuration pour Docker qui déploie un serveur local (collecteur) à l’écoute des traces OTLP, les regroupe par lots et les achemine vers Weave.
Exécuter localement le collecteur avec Docker.
Envoyer une requête simple à OpenAI qui transfère les traces au collecteur exécuté dans le conteneur Docker.

Pour utiliser un collecteur, créez d’abord un fichier collector-config.yaml qui configure le collecteur pour recevoir des traces OTLP et les exporter vers Weave :

collector-config.yaml

receivers:
  otlp:
    protocols:
      http:
        endpoint: 0.0.0.0:4318

exporters:
  otlphttp/weave:
    endpoint: ${env:WANDB_OTLP_ENDPOINT}
    headers:
      wandb-api-key: ${env:WANDB_API_KEY}
    sending_queue:
      batch:

processors:
  resource:
    attributes:
      - key: wandb.entity # Champ des attributs de ressource
        value: ${env:DEFAULT_WANDB_ENTITY}  # Valeur à injecter
        action: insert # Insérer uniquement si ce n’est pas déjà présent
      - key: wandb.project
        value: ${env:DEFAULT_WANDB_PROJECT}
        action: insert 

service:
  pipelines:
    traces:
      receivers: [otlp]
      processors: [resource]
      exporters: [otlphttp/weave]

Ce fichier de configuration :

Écoute les traces OTLP sur le port 4318 (HTTP).
Exporte les traces vers le point de terminaison OTLP de Weave à l’aide de l’en-tête wandb-api-key, en lisant l’URL du point de terminaison depuis WANDB_OTLP_ENDPOINT et la clé API depuis WANDB_API_KEY.
Définit wandb.entity et wandb.project comme attributs de ressource à l’aide du processeur resource, en lisant les valeurs depuis DEFAULT_WANDB_ENTITY et DEFAULT_WANDB_PROJECT. L’action insert injecte ces attributs uniquement si le code de votre application ne les définit pas déjà.
Active la sending_queue intégrée de l’exportateur avec le traitement par lots afin de réduire la surcharge réseau.

Après avoir configuré les paramètres du collecteur, mettez à jour les valeurs de l’API et de l’entité dans la commande Docker suivante, puis exécutez-la :

docker run \
  -v ./config.yaml:/etc/otelcol-contrib/config.yaml \
  -e WANDB_API_KEY="<your-wandb-api-key>" \
  -e WANDB_OTLP_ENDPOINT="https://trace.wandb.ai/otel" \
  -e DEFAULT_WANDB_ENTITY="<your-team-name>" \
  -e DEFAULT_WANDB_PROJECT="YOUR_PROJECT" \
  -p 4318:4318 \
  otel/opentelemetry-collector-contrib:latest

Une fois le collecteur démarré, configurez votre application pour y exporter les traces en définissant la variable d’environnement OTEL_EXPORTER_OTLP_ENDPOINT. Le SDK OTel lit automatiquement cette variable, vous n’avez donc pas besoin de fournir le point de terminaison à l’exportateur. Si vous définissez wandb.entity ou wandb.project comme attributs de ressource dans le TracerProvider de votre application, ils priment sur les valeurs par défaut définies dans la configuration du collecteur.

import os
import openai
from opentelemetry.exporter.otlp.proto.http.trace_exporter import OTLPSpanExporter
from opentelemetry.sdk import trace as trace_sdk
from opentelemetry.sdk.trace.export import BatchSpanProcessor
from openinference.instrumentation.openai import OpenAIInstrumentor

os.environ["OTEL_EXPORTER_OTLP_ENDPOINT"] = "http://localhost:4318"

OPENAI_API_KEY = "YOUR_OPENAI_API_KEY"

tracer_provider = trace_sdk.TracerProvider()
tracer_provider.add_span_processor(BatchSpanProcessor(OTLPSpanExporter()))

OpenAIInstrumentor().instrument(tracer_provider=tracer_provider)

def main():
    client = openai.OpenAI(api_key=OPENAI_API_KEY)
    response = client.chat.completions.create(
        model="gpt-3.5-turbo",
        messages=[{"role": "user", "content": "Describe OTel in a single sentence."}],
        max_tokens=20,
    )
    print(response.choices[0].message.content)

if __name__ == "__main__":
    main()

OpenAIInstrumentor intercepte les appels OpenAI, crée des traces et les exporte vers le collecteur. Le collecteur gère l’authentification et l’acheminement vers Weave. Après avoir exécuté le script, vous pouvez consulter les traces dans l’interface Weave. Pour envoyer des traces vers des backends supplémentaires, ajoutez d’autres exportateurs et incluez-les dans la liste service.pipelines.traces.exporters. Par exemple, vous pouvez exporter vers Weave et Jaeger depuis la même instance du Collector.

Organiser les traces OTel en threads

Les threads Weave vous permettent de regrouper des traces associées afin d’analyser des conversations sur plusieurs tours de conversation ou des sessions utilisateur comme une seule unité. Ajoutez des attributs de span spécifiques pour organiser vos traces OpenTelemetry en threads, puis utilisez l’interface Thread de Weave pour analyser les opérations associées, comme les conversations à plusieurs tours de conversation ou les sessions utilisateur. Ajoutez les attributs suivants à vos spans OTel pour activer le regroupement en threads :

wandb.thread_id : regroupe les spans dans un thread donné.
wandb.is_turn : marque un span comme un tour de conversation de conversation (il apparaît comme une ligne dans la vue thread).

Les exemples suivants montrent comment organiser des traces OTel en threads Weave. Ils utilisent wandb.thread_id pour regrouper les opérations associées et wandb.is_turn pour marquer les opérations de haut niveau qui apparaissent comme des lignes dans la vue thread.

Configuration initiale

Utilisez cette configuration pour exécuter ces exemples :

Python
TypeScript

import json
import os
from opentelemetry import trace
from opentelemetry.sdk import trace as trace_sdk
from opentelemetry.sdk.resources import Resource
from opentelemetry.exporter.otlp.proto.http.trace_exporter import OTLPSpanExporter
from opentelemetry.sdk.trace.export import ConsoleSpanExporter, BatchSpanProcessor

# Configuration
ENTITY = "<your-team-name>"
PROJECT = "<your-project-name>"
WANDB_API_KEY = os.environ["WANDB_API_KEY"]

OTEL_EXPORTER_OTLP_ENDPOINT = "https://trace.wandb.ai/otel/v1/traces"

exporter = OTLPSpanExporter(
    endpoint=OTEL_EXPORTER_OTLP_ENDPOINT,
    headers={"wandb-api-key": WANDB_API_KEY},
)

tracer_provider = trace_sdk.TracerProvider(resource=Resource({
    "wandb.entity": ENTITY,
    "wandb.project": PROJECT,
}))
tracer_provider.add_span_processor(BatchSpanProcessor(exporter))

# Facultatif : affichez les spans dans la console
tracer_provider.add_span_processor(BatchSpanProcessor(ConsoleSpanExporter()))

trace.set_tracer_provider(tracer_provider)

# Crée un traceur à partir du fournisseur de traceurs global
tracer = trace.get_tracer(__name__)

import { trace, context } from "@opentelemetry/api";
import { NodeTracerProvider } from "@opentelemetry/sdk-trace-node";
import {
  BatchSpanProcessor,
  ConsoleSpanExporter,
} from "@opentelemetry/sdk-trace-base";
import { OTLPTraceExporter } from "@opentelemetry/exporter-trace-otlp-proto";
import { Resource } from "@opentelemetry/resources";

// Configuration
const ENTITY = "<your-team-name>";
const PROJECT = "<your-project-name>";
const WANDB_API_KEY = process.env.WANDB_API_KEY;

if (!WANDB_API_KEY) {
  console.error("Erreur : la variable d’environnement WANDB_API_KEY n’est pas définie");
  console.error("Exécutez : export WANDB_API_KEY=your_api_key_here");
  process.exit(1);
}

// Configuration d’OTel
const OTEL_EXPORTER_OTLP_ENDPOINT = "https://trace.wandb.ai/otel/v1/traces";

const exporter = new OTLPTraceExporter({
  url: OTEL_EXPORTER_OTLP_ENDPOINT,
  headers: { "wandb-api-key": WANDB_API_KEY },
});

// Initialiser le fournisseur de traceurs avec des processeurs de span
const provider = new NodeTracerProvider({
  resource: new Resource({
    "wandb.entity": ENTITY,
    "wandb.project": PROJECT,
  }),
  spanProcessors: [
    new BatchSpanProcessor(exporter),
    new BatchSpanProcessor(new ConsoleSpanExporter()),
  ],
});

// Enregistrer le fournisseur de traceurs
provider.register();

// Créer un traceur à partir du fournisseur de traceurs global
const tracer = trace.getTracer("threads-examples");

Tracer un thread simple à un seul tour de conversation

Python
TypeScript

def example_1_basic_thread_and_turn():
    """Exemple 1 : thread simple avec un seul tour de conversation"""
    print("\n=== Exemple 1 : thread simple et tour de conversation ===")

    # Créer un contexte de thread
    thread_id = "thread_example_1"

    # Ce span représente un tour de conversation (enfant direct du thread)
    with tracer.start_as_current_span("process_user_message") as turn_span:
        # Définir les attributs du thread
        turn_span.set_attribute("wandb.thread_id", thread_id)
        turn_span.set_attribute("wandb.is_turn", True)

        # Ajouter quelques attributs d'exemple
        turn_span.set_attribute("input.value", "Bonjour, aidez-moi avec la configuration")

        # Simuler du travail avec des spans imbriqués
        with tracer.start_as_current_span("generate_response") as nested_span:
            # Il s'agit d'un appel imbriqué dans le tour de conversation, donc is_turn doit être false ou non défini
            nested_span.set_attribute("wandb.thread_id", thread_id)
            # wandb.is_turn n'est pas défini ou est défini sur False pour les appels imbriqués

            response = "Je vais vous aider à démarrer le processus de configuration."
            nested_span.set_attribute("output.value", response)

        turn_span.set_attribute("output.value", response)
        print(f"Tour de conversation terminé dans le thread : {thread_id}")

def main():
    example_1_basic_thread_and_turn()

if __name__ == "__main__":
    main()

function example_1_basic_thread_and_turn() {
  console.log("\n=== Exemple 1 : thread simple et tour de conversation ===");

  // Créer un contexte de thread
  const threadId = "thread_example_1";

  // Ce span représente un tour de conversation (enfant direct du thread)
  tracer.startActiveSpan("process_user_message", (turnSpan) => {
    // Définir les attributs du thread
    turnSpan.setAttribute("wandb.thread_id", threadId);
    turnSpan.setAttribute("wandb.is_turn", true);

    // Ajouter quelques attributs d'exemple
    turnSpan.setAttribute("input.value", "Bonjour, aidez-moi avec la configuration");

    let response: string;
    
    // Simuler du travail avec des spans imbriqués
    tracer.startActiveSpan("generate_response", (nestedSpan) => {
      // Il s'agit d'un appel imbriqué dans le tour de conversation, donc is_turn doit être false ou non défini
      nestedSpan.setAttribute("wandb.thread_id", threadId);
      // wandb.is_turn n'est pas défini ou est défini sur false pour les appels imbriqués

      response = "Je vais vous aider à démarrer le processus de configuration.";
      nestedSpan.setAttribute("output.value", response);
      nestedSpan.end();
    });
    
    turnSpan.setAttribute("output.value", response!);
    console.log(`Tour de conversation terminé dans le thread : ${threadId}`);
    turnSpan.end();
  });
}

function main() {
  example_1_basic_thread_and_turn();
}

main();

Tracer une conversation à plusieurs tours de conversation partageant un même ID de thread

Python
TypeScript

def example_2_multiple_turns():
    """Exemple 2 : plusieurs tours de conversation dans un seul thread"""
    print("\n=== Exemple 2 : plusieurs tours de conversation dans le thread ===")

    thread_id = "thread_conversation_123"

    # Tour de conversation 1
    with tracer.start_as_current_span("process_message_turn1") as turn1_span:
        turn1_span.set_attribute("wandb.thread_id", thread_id)
        turn1_span.set_attribute("wandb.is_turn", True)
        turn1_span.set_attribute("input.value", "Quels langages de programmation recommandez-vous ?")

        # Opérations imbriquées
        with tracer.start_as_current_span("analyze_query") as analyze_span:
            analyze_span.set_attribute("wandb.thread_id", thread_id)
            # Aucun attribut is_turn, ou défini sur False pour les spans imbriqués

        response1 = "Je recommande Python pour les débutants et JavaScript pour le développement web."
        turn1_span.set_attribute("output.value", response1)
        print(f"Tour de conversation 1 terminé dans le thread : {thread_id}")

    # Tour de conversation 2
    with tracer.start_as_current_span("process_message_turn2") as turn2_span:
        turn2_span.set_attribute("wandb.thread_id", thread_id)
        turn2_span.set_attribute("wandb.is_turn", True)
        turn2_span.set_attribute("input.value", "Pouvez-vous expliquer Python par rapport à JavaScript ?")

        # Opérations imbriquées
        with tracer.start_as_current_span("comparison_analysis") as compare_span:
            compare_span.set_attribute("wandb.thread_id", thread_id)
            compare_span.set_attribute("wandb.is_turn", False)  # False explicite pour les spans imbriqués

        response2 = "Python excelle en data science, tandis que JavaScript domine le développement web."
        turn2_span.set_attribute("output.value", response2)
        print(f"Tour de conversation 2 terminé dans le thread : {thread_id}")

def main():
    example_2_multiple_turns()

if __name__ == "__main__":
    main()

function example_2_multiple_turns() {
  console.log("\n=== Exemple 2 : plusieurs tours de conversation dans le thread ===");

  const threadId = "thread_conversation_123";

  // Tour de conversation 1
  tracer.startActiveSpan("process_message_turn1", (turn1Span) => {
    turn1Span.setAttribute("wandb.thread_id", threadId);
    turn1Span.setAttribute("wandb.is_turn", true);
    turn1Span.setAttribute(
      "input.value",
      "Quels langages de programmation recommandez-vous ?"
    );

    // Opérations imbriquées
    tracer.startActiveSpan("analyze_query", (analyzeSpan) => {
      analyzeSpan.setAttribute("wandb.thread_id", threadId);
      // Aucun attribut is_turn, ou défini sur false pour les spans imbriqués
      analyzeSpan.end();
    });

    const response1 =
      "Je recommande Python pour les débutants et JavaScript pour le développement web.";
    turn1Span.setAttribute("output.value", response1);
    console.log(`Tour de conversation 1 terminé dans le thread : ${threadId}`);
    turn1Span.end();
  });

  // Tour de conversation 2
  tracer.startActiveSpan("process_message_turn2", (turn2Span) => {
    turn2Span.setAttribute("wandb.thread_id", threadId);
    turn2Span.setAttribute("wandb.is_turn", true);
    turn2Span.setAttribute("input.value", "Pouvez-vous expliquer Python par rapport à JavaScript ?");

    // Opérations imbriquées
    tracer.startActiveSpan("comparison_analysis", (compareSpan) => {
      compareSpan.setAttribute("wandb.thread_id", threadId);
      compareSpan.setAttribute("wandb.is_turn", false); // false explicite pour les spans imbriqués
      compareSpan.end();
    });

    const response2 =
      "Python excelle en data science, tandis que JavaScript domine le développement web.";
    turn2Span.setAttribute("output.value", response2);
    console.log(`Tour de conversation 2 terminé dans le thread : ${threadId}`);
    turn2Span.end();
  });
}

function main() {
  example_2_multiple_turns();
}

main();

Tracez des opérations profondément imbriquées et marquez uniquement le span le plus externe comme tour de conversation

Python
TypeScript

def example_3_complex_nested_structure():
    """Example 3: Complex nested structure with multiple levels"""
    print("\n=== Example 3: Complex Nested Structure ===")

    thread_id = "thread_complex_456"

    # Tour de conversation avec plusieurs niveaux d'imbrication
    with tracer.start_as_current_span("handle_complex_request") as turn_span:
        turn_span.set_attribute("wandb.thread_id", thread_id)
        turn_span.set_attribute("wandb.is_turn", True)
        turn_span.set_attribute("input.value", "Analyze this code and suggest improvements")

        # Opération imbriquée de niveau 1
        with tracer.start_as_current_span("code_analysis") as analysis_span:
            analysis_span.set_attribute("wandb.thread_id", thread_id)
            # Pas de is_turn pour les opérations imbriquées

            # Opération imbriquée de niveau 2
            with tracer.start_as_current_span("syntax_check") as syntax_span:
                syntax_span.set_attribute("wandb.thread_id", thread_id)
                syntax_span.set_attribute("result", "No syntax errors found")

            # Autre opération imbriquée de niveau 2
            with tracer.start_as_current_span("performance_check") as perf_span:
                perf_span.set_attribute("wandb.thread_id", thread_id)
                perf_span.set_attribute("result", "Found 2 optimization opportunities")

        # Autre opération imbriquée de niveau 1
        with tracer.start_as_current_span("generate_suggestions") as suggest_span:
            suggest_span.set_attribute("wandb.thread_id", thread_id)
            suggestions = ["Use list comprehension", "Consider caching results"]
            suggest_span.set_attribute("suggestions", json.dumps(suggestions))

        turn_span.set_attribute("output.value", "Analysis complete with 2 improvement suggestions")
        print(f"Complex tour de conversation completed in thread: {thread_id}")

def main():
    example_3_complex_nested_structure()

if __name__ == "__main__":
    main()

function example_3_complex_nested_structure() {
  console.log("\n=== Example 3: Complex Nested Structure ===");

  const threadId = "thread_complex_456";

  // Tour de conversation avec plusieurs niveaux d'imbrication
  tracer.startActiveSpan("handle_complex_request", (turnSpan) => {
    turnSpan.setAttribute("wandb.thread_id", threadId);
    turnSpan.setAttribute("wandb.is_turn", true);
    turnSpan.setAttribute(
      "input.value",
      "Analyze this code and suggest improvements"
    );

    // Opération imbriquée de niveau 1
    tracer.startActiveSpan("code_analysis", (analysisSpan) => {
      analysisSpan.setAttribute("wandb.thread_id", threadId);
      // Pas de is_turn pour les opérations imbriquées

      // Opération imbriquée de niveau 2
      tracer.startActiveSpan("syntax_check", (syntaxSpan) => {
        syntaxSpan.setAttribute("wandb.thread_id", threadId);
        syntaxSpan.setAttribute("result", "No syntax errors found");
        syntaxSpan.end();
      });

      // Autre opération imbriquée de niveau 2
      tracer.startActiveSpan("performance_check", (perfSpan) => {
        perfSpan.setAttribute("wandb.thread_id", threadId);
        perfSpan.setAttribute("result", "Found 2 optimization opportunities");
        perfSpan.end();
      });

      analysisSpan.end();
    });

    // Autre opération imbriquée de niveau 1
    tracer.startActiveSpan("generate_suggestions", (suggestSpan) => {
      suggestSpan.setAttribute("wandb.thread_id", threadId);
      const suggestions = ["Use list comprehension", "Consider caching results"];
      suggestSpan.setAttribute("suggestions", JSON.stringify(suggestions));
      suggestSpan.end();
    });

    turnSpan.setAttribute(
      "output.value",
      "Analysis complete with 2 improvement suggestions"
    );
    console.log(`Complex tour de conversation completed in thread: ${threadId}`);
    turnSpan.end();
  });
}

function main() {
  example_3_complex_nested_structure();
}

main();

Tracer les opérations d’arrière-plan appartenant à un thread mais qui ne sont pas des tours de conversation

Python
TypeScript

def example_4_non_turn_operations():
    """Example 4: Operations that are part of a thread but not turns"""
    print("\n=== Example 4: Non-Turn Thread Operations ===")

    thread_id = "thread_background_789"

    # Opération d’arrière-plan faisant partie du thread, mais pas d’un tour de conversation
    with tracer.start_as_current_span("background_indexing") as bg_span:
        bg_span.set_attribute("wandb.thread_id", thread_id)
        # wandb.is_turn n'est pas défini ou vaut false - ce n'est pas un tour de conversation
        bg_span.set_attribute("wandb.is_turn", False)
        bg_span.set_attribute("operation", "Indexing conversation history")
        print(f"Background operation in thread: {thread_id}")

    # Tour de conversation réel dans le même thread
    with tracer.start_as_current_span("user_query") as turn_span:
        turn_span.set_attribute("wandb.thread_id", thread_id)
        turn_span.set_attribute("wandb.is_turn", True)
        turn_span.set_attribute("input.value", "Search my previous conversations")
        turn_span.set_attribute("output.value", "Found 5 relevant conversations")
        print(f"Turn completed in thread: {thread_id}")

def main():
    example_4_non_turn_operations()

if __name__ == "__main__":
    main()

function example_4_non_turn_operations() {
  console.log("\n=== Example 4: Non-Turn Thread Operations ===");

  const threadId = "thread_background_789";

  // Opération d’arrière-plan faisant partie du thread, mais pas d’un tour de conversation
  tracer.startActiveSpan("background_indexing", (bgSpan) => {
    bgSpan.setAttribute("wandb.thread_id", threadId);
    // wandb.is_turn n'est pas défini ou vaut false - ce n'est pas un tour de conversation
    bgSpan.setAttribute("wandb.is_turn", false);
    bgSpan.setAttribute("operation", "Indexing conversation history");
    console.log(`Background operation in thread: ${threadId}`);
    bgSpan.end();
  });

  // Tour de conversation réel dans le même thread
  tracer.startActiveSpan("user_query", (turnSpan) => {
    turnSpan.setAttribute("wandb.thread_id", threadId);
    turnSpan.setAttribute("wandb.is_turn", true);
    turnSpan.setAttribute("input.value", "Search my previous conversations");
    turnSpan.setAttribute("output.value", "Found 5 relevant conversations");
    console.log(`Turn completed in thread: ${threadId}`);
    turnSpan.end();
  });
}

function main() {
  example_4_non_turn_operations();
}

main();

Après l’envoi de ces traces, vous pouvez les consulter dans l’interface Weave, sous l’onglet Threads : elles y sont regroupées par thread_id, et chaque tour de conversation apparaît sur une ligne distincte.

Correspondance des attributs

Weave associe les attributs de span OpenTelemetry issus de divers frameworks d’instrumentation à son modèle de données interne. Cette correspondance signifie que vous n’avez pas besoin de renommer ou de transformer les attributs de votre instrumentation existante pour obtenir une vue détaillée dans Weave. Lorsque plusieurs noms d’attributs sont associés au même champ, Weave les traite par ordre de priorité, ce qui permet aux frameworks de coexister dans les mêmes traces.

Frameworks pris en charge

Weave prend en charge les conventions d’attributs des frameworks d’observabilité et SDK suivants :

OpenTelemetry GenAI: conventions sémantiques standard pour l’IA générative (gen_ai.*).
OpenInference: bibliothèque d’instrumentation d’Arize AI (input.value, output.value, llm.*, openinference.*).
Vercel AI SDK: attributs du SDK d’IA de Vercel (ai.prompt, ai.response, ai.model.*, ai.usage.*).
MLflow: attributs de tracking de MLflow (mlflow.spanInputs, mlflow.spanOutputs).
Traceloop: instrumentation OpenLLMetry (traceloop.entity.*, traceloop.span.kind).
Google Vertex AI: attributs d’agent de Vertex AI (gcp.vertex.agent.*).
OpenLit: attributs d’observabilité d’OpenLit (gen_ai.content.completion).
Langfuse: attributs de tracing de Langfuse (langfuse.startTime, langfuse.endTime).

Référence des attributs

Nom du champ d’attribut	Correspondance W&B	Description	Type	Exemple
`ai.prompt`	`inputs`	Texte ou messages de la requête utilisateur.	Chaîne, liste, dict	`"Écris un court haïku sur l’été."`
`gen_ai.prompt`	`inputs`	Prompt du modèle d’IA ou liste de messages.	Liste, dict, chaîne	`[{"role":"user","content":"abc"}]`
`input.value`	`inputs`	Valeur d’entrée pour l’appel du modèle.	Chaîne, liste, dict	`{"text":"Raconte une blague"}`
`mlflow.spanInputs`	`inputs`	Données d’entrée du span.	Chaîne, liste, dict	`["texte d’invite"]`
`traceloop.entity.input`	`inputs`	Données d’entrée de l’entité.	Chaîne, liste, dict	`"Traduisez ceci en français"`
`gcp.vertex.agent.tool_call_args`	`inputs`	Arguments de l’appel à l’outil.	Dict	`{"args":{"query":"météo à SF"}}`
`gcp.vertex.agent.llm_request`	`inputs`	Corps de la requête LLM.	Dict	`{"contents":[{"role":"user","parts":[...]}]}`
`input`	`inputs`	Valeur d’entrée générique.	Chaîne, liste, dict	`"Résume ce texte"`
`inputs`	`inputs`	Liste d’entrée générique.	Liste, dict, chaîne	`["Résume ce texte"]`
`ai.response`	`outputs`	Texte ou données de réponse du modèle.	Chaîne, liste, dict	`"Voici un haïku..."`
`gen_ai.completion`	`outputs`	Résultat de génération de l’IA.	Chaîne, liste, dict	`"Texte de complétion"`
`output.value`	`outputs`	Valeur de sortie du modèle.	Chaîne, liste, dict	`{"text":"Texte de réponse"}`
`mlflow.spanOutputs`	`outputs`	Données de sortie du span.	String, liste, dict	`["answer"]`
`gen_ai.content.completion`	`outputs`	Résultat de complétion de contenu.	String	`"Texte de réponse"`
`traceloop.entity.output`	`outputs`	Données de sortie de l’entité.	String, liste, dict	`"Texte de réponse"`
`gcp.vertex.agent.tool_response`	`outputs`	Réponse d’exécution de l’outil.	dict, chaîne	`{"toolResponse":"ok"}`
`gcp.vertex.agent.llm_response`	`outputs`	Charge utile de la réponse du LLM.	dict, chaîne	`{"candidates":[...]}`
`output`	`outputs`	Valeur de sortie générique.	Chaîne, liste, dict	`"Texte de réponse"`
`outputs`	`outputs`	Tableau de sortie générique.	liste, dict, chaîne de caractères	`["Texte de réponse"]`
`gen_ai.usage.input_tokens`	`usage.input_tokens`	Nombre de tokens d’entrée consommés.	Int	`42`
`gen_ai.usage.prompt_tokens`	`usage.prompt_tokens`	Nombre de tokens de prompt consommés.	Int	`30`
`llm.token_count.prompt`	`usage.prompt_tokens`	Nombre de tokens de prompt.	Int	`30`
`ai.usage.promptTokens`	`usage.prompt_tokens`	Tokens de prompt consommés.	Int	`30`
`gen_ai.usage.completion_tokens`	`usage.completion_tokens`	Nombre de tokens de complétion générés.	Int	`40`
`llm.token_count.completion`	`usage.completion_tokens`	Nombre de tokens de complétion.	Int	`40`
`ai.usage.completionTokens`	`usage.completion_tokens`	Tokens de complétion générés.	Int	`40`
`llm.usage.total_tokens`	`usage.total_tokens`	Nombre total de tokens utilisés dans la requête.	Int	`70`
`llm.token_count.total`	`usage.total_tokens`	Nombre total de tokens.	Entier	`70`
`gen_ai.system`	`attributes.system`	Prompt système ou consignes.	Chaîne de caractères	`"Vous êtes un assistant utile."`
`llm.system`	`attributes.system`	Prompt système ou consignes.	Chaîne de caractères	`"Vous êtes un assistant serviable."`
`weave.span.kind`	`attributes.kind`	Type ou catégorie du span.	Chaîne de caractères	`"llm"`
`traceloop.span.kind`	`attributes.kind`	Type ou catégorie du span.	String	`"llm"`
`openinference.span.kind`	`attributes.kind`	Type ou catégorie du span.	String	`"llm"`
`gen_ai.response.model`	`attributes.model`	Identifiant du modèle.	String	`"gpt-4o"`
`llm.model_name`	`attributes.model`	Identifiant du modèle.	Chaîne	`"gpt-4o-mini"`
`ai.model.id`	`attributes.model`	Identifiant du modèle.	Chaîne	`"gpt-4o"`
`llm.provider`	`attributes.provider`	Nom du fournisseur du modèle.	Chaîne	`"openai"`
`ai.model.provider`	`attributes.provider`	Nom du fournisseur du modèle.	String	`"openai"`
`gen_ai.request`	`attributes.model_parameters`	Paramètres de génération du modèle.	Dict	`{"temperature":0.7,"max_tokens":256}`
`llm.invocation_parameters`	`attributes.model_parameters`	Paramètres d’appel du modèle.	Dict	`{"temperature":0.2}`
`wandb.display_name`	`display_name`	Nom d’affichage personnalisé pour l’UI.	Chaîne de caractères	`"Message utilisateur"`
`gcp.vertex.agent.session_id`	`thread_id`	Identifiant de session ou de fil.	Chaîne de caractères	`"thread_123"`
`wandb.thread_id`	`thread_id`	Identifiant de fil pour les conversations.	Chaîne de caractères	`"thread_123"`
`wb_run_id`	`wb_run_id`	Identifiant du run W&B associé.	Chaîne	`"abc123"`
`wandb.wb_run_id`	`wb_run_id`	Identifiant du run W&B associé.	Chaîne	`"abc123"`
`gcp.vertex.agent.session_id`	`is_turn`	Indique que le span correspond à un tour de conversation.	Booléen	`true`
`wandb.is_turn`	`is_turn`	Indique que le span correspond à un tour de conversation.	Booléen	`true`
`langfuse.startTime`	`start_time` (remplace)	Remplacer l’horodatage de début du span.	Horodatage (ISO8601/unix ns)	`"2024-01-01T12:00:00Z"`
`langfuse.endTime`	`end_time` (override)	Remplacer l’horodatage de fin du span.	Horodatage (ISO8601/unix ns)	`"2024-01-01T12:00:01Z"`

Limites

L’interface Weave ne prend pas en charge le rendu des appels d’outil de trace OTel dans la vue Chat. Ils s’affichent à la place sous forme de JSON brut.

​Détails du point de terminaison

​Authentification et acheminement

​Exemples

​Instrumentation OpenInference

​Instrumentation OpenLLMetry

​Sans instrumentation

​Utiliser un collecteur OpenTelemetry

​Configurer un collecteur

​Organiser les traces OTel en threads

​Correspondance des attributs

​Frameworks pris en charge

​Référence des attributs

​Limites

Détails du point de terminaison

Authentification et acheminement

Exemples

Instrumentation OpenInference

Instrumentation OpenLLMetry

Sans instrumentation

Utiliser un collecteur OpenTelemetry

Configurer un collecteur

Organiser les traces OTel en threads

Correspondance des attributs

Frameworks pris en charge

Référence des attributs

Limites