메인 콘텐츠로 건너뛰기
Open In Colab
설정 없이 LLM Playground를 사용하여 Weave 에서 Google AI 모델을 실험해 볼 수 있습니다.
이 페이지는 Google Vertex AI API 및 Google Gemini API와 함께 W&B Weave 를 사용하는 방법을 설명합니다. Weave 를 사용하여 Google GenAI 애플리케이션을 평가, 모니터링 및 반복할 수 있습니다. Weave 는 다음 서비스에 대한 트레이스를 자동으로 캡처합니다:
  1. Google GenAI SDK: Python SDK, Node.js SDK, Go SDK 및 REST를 통해 엑세스할 수 있습니다.
  2. Google Vertex AI API: Google의 Gemini 모델 및 다양한 파트너 모델에 대한 엑세스를 제공합니다.
현재 지원 중단된 Gemini API용 Google AI Python SDK도 지원합니다. 단, 이 지원 역시 지원 중단 예정이며 향후 버전에서 제거될 예정입니다.

​
시작하기

Weave 는 Google GenAI SDK의 트레이스를 자동으로 캡처합니다. 추적을 시작하려면 weave.init(project_name="<YOUR-WANDB-PROJECT-NAME>")을 호출하고 라이브러리를 평소처럼 사용하세요. 
import os
from google import genai
import weave

# 프로젝트 초기화
weave.init(project_name="google-genai")

google_client = genai.Client(api_key=os.getenv("GOOGLE_GENAI_KEY"))
response = google_client.models.generate_content(
    model="gemini-2.0-flash",
    contents="What's the capital of France?",
)
dspy_trace.png Weave 는 또한 Vertex APIs의 트레이스를 자동으로 캡처합니다. 추적을 시작하려면 weave.init(project_name="<YOUR-WANDB-PROJECT-NAME>")을 호출하고 라이브러리를 평소처럼 사용하세요. 
import vertexai
import weave
from vertexai.generative_models import GenerativeModel

# 프로젝트 초기화
weave.init(project_name="vertex-ai-test")
vertexai.init(project="<YOUR-VERTEXAIPROJECT-NAME>", location="<YOUR-VERTEXAI-PROJECT-LOCATION>")
model = GenerativeModel("gemini-1.5-flash-002")
response = model.generate_content(
    "What's a good name for a flower shop specialising in selling dried flower bouquets?"
)

​
자체 op 추적하기

함수를 @weave.op로 래핑하면 입력, 출력 및 앱 로직 캡처가 시작되어 앱을 통해 데이터가 흐르는 방식을 디버그할 수 있습니다. op를 깊게 중첩하고 추적하려는 함수 트리를 구축할 수 있습니다. 또한 실험을 진행하면서 git에 커밋되지 않은 세부 사항을 캡처하기 위해 코드의 버전 관리도 자동으로 시작합니다. @weave.op 데코레이터가 적용된 함수를 만들기만 하면 됩니다. 아래 예시에서 recommend_places_to_visit 함수는 도시의 방문 장소를 추천하는 @weave.op 래핑 함수입니다. 
import os
from google import genai
import weave

# 프로젝트 초기화
weave.init(project_name="google-genai")
google_client = genai.Client(api_key=os.getenv("GOOGLE_GENAI_KEY"))


@weave.op()
def recommend_places_to_visit(city: str, model: str = "gemini-1.5-flash"):
    response = google_client.models.generate_content(
        model=model,
        contents="You are a helpful assistant meant to suggest all budget-friendly places to visit in a city",
    )
    return response.text


recommend_places_to_visit("New York")
recommend_places_to_visit("Paris")
recommend_places_to_visit("Kolkata")
dspy_trace.png

​
더 쉬운 실험을 위해 Model 만들기

많은 구성 요소가 움직일 때 실험을 정리하는 것은 어렵습니다. Model 클래스를 사용하면 시스템 프롬프트나 사용 중인 모델과 같은 앱의 실험 세부 정보를 캡처하고 정리할 수 있습니다. 이는 앱의 다양한 반복 버전을 정리하고 비교하는 데 도움이 됩니다. 코드 버전 관리 및 입력/출력 캡처 외에도, Model은 애플리케이션의 행동을 제어하는 구조화된 파라미터를 캡처하여 어떤 파라미터가 가장 효과적이었는지 쉽게 찾을 수 있도록 합니다. Weave Models 는 serve 및 Evaluation과 함께 사용할 수도 있습니다. 아래 예시에서 CityVisitRecommender를 사용하여 실험할 수 있습니다. 이를 변경할 때마다 CityVisitRecommender의 새로운 _버전_이 생성됩니다. 
import os
from google import genai
import weave

# 프로젝트 초기화
weave.init(project_name="google-genai")
google_client = genai.Client(api_key=os.getenv("GOOGLE_GENAI_KEY"))


class CityVisitRecommender(weave.Model):
    model: str

    @weave.op()
    def predict(self, city: str) -> str:
        response = google_client.models.generate_content(
            model=self.model,
            contents="You are a helpful assistant meant to suggest all budget-friendly places to visit in a city",
        )
        return response.text


city_recommender = CityVisitRecommender(model="gemini-1.5-flash")
print(city_recommender.predict("New York"))
print(city_recommender.predict("San Francisco"))
print(city_recommender.predict("Los Angeles"))