메인 콘텐츠로 건너뛰기
weave.init()를 호출하면 Weave가 ChatNVIDIA 라이브러리를 통해 이루어지는 LLM Call을 자동으로 추적하고 기록합니다. 이 가이드에서는 ChatNVIDIA를 사용하는 Python 개발자가 트레이스를 캡처하고, 자신의 함수를 Ops로 래핑하고, Weave의 Model 클래스를 사용해 실험을 구성하여 LLM 애플리케이션을 더 효율적으로 디버그하고, 개선을 반복하고, 비교하는 방법을 설명합니다.
최신 튜토리얼은 Weights & Biases on NVIDIA에서 확인하세요.

​
트레이싱

개발 중이든 프로덕션 환경이든, LLM 애플리케이션의 트레이스를 중앙 데이터베이스에 저장하면 문제를 디버깅하고 애플리케이션을 개선하는 동안 평가에 사용할 까다로운 예시 데이터셋을 구축하는 데 도움이 됩니다. 다음 섹션에서는 ChatNVIDIA call에 대한 자동 트레이싱을 활성화하는 방법을 설명합니다.
Weave는 ChatNVIDIA Python 라이브러리의 트레이스를 자동으로 캡처할 수 있습니다.원하는 프로젝트 이름으로 weave.init([PROJECT-NAME])을 호출해 캡처를 시작하세요.
from langchain_nvidia_ai_endpoints import ChatNVIDIA
import weave
client = ChatNVIDIA(model="mistralai/mixtral-8x7b-instruct-v0.1", temperature=0.8, max_tokens=64, top_p=1)
weave.init('emoji-bot')

messages=[
    {
      "role": "system",
      "content": "You are AGI. You will be provided with a message, and your task is to respond using emojis only."
    }]

response = client.invoke(messages)
이 코드를 실행하면 Weave가 지정한 프로젝트 이름 아래에 ChatNVIDIA call을 캡처하며, 여기에서 입력, 출력, 메타데이터를 검사할 수 있습니다.
chatnvidia_trace.png

​
나만의 op 추적하기

함수에 @weave.op를 적용하면 입력, 출력, 앱 로직 캡처가 시작되어 앱에서 데이터가 어떻게 흐르는지 디버그할 수 있습니다. op를 깊게 중첩해 추적하려는 함수 트리를 구축할 수도 있습니다. 또한 실험하는 동안 자동 코드 버전 관리가 시작되어 아직 Git에 커밋하지 않은 임시 세부 정보도 캡처할 수 있습니다.ChatNVIDIA Python library를 호출하는 @weave.op로 데코레이션된 함수를 만드세요.다음 예시에서는 두 개의 함수가 op로 래핑됩니다. 이를 통해 RAG 앱의 retrieval step 같은 중간 step이 앱 동작에 어떤 영향을 주는지 확인할 수 있습니다.
import weave
from langchain_nvidia_ai_endpoints import ChatNVIDIA
import requests, random
PROMPT="""Emulate the Pokedex from early Pokémon episodes. State the name of the Pokemon and then describe it.
        Your tone is informative yet sassy, blending factual details with a touch of dry humor. Be concise, no more than 3 sentences. """
POKEMON = ['pikachu', 'charmander', 'squirtle', 'bulbasaur', 'jigglypuff', 'meowth', 'eevee']
client = ChatNVIDIA(model="mistralai/mixtral-8x7b-instruct-v0.1", temperature=0.7, max_tokens=100, top_p=1)

@weave.op
def get_pokemon_data(pokemon_name):
    # 이것은 애플리케이션 내의 한 step으로, RAG 앱의 retrieval step과 같습니다
    url = f"https://pokeapi.co/api/v2/pokemon/{pokemon_name}"
    response = requests.get(url)
    if response.status_code == 200:
        data = response.json()
        name = data["name"]
        types = [t["type"]["name"] for t in data["types"]]
        species_url = data["species"]["url"]
        species_response = requests.get(species_url)
        evolved_from = "Unknown"
        if species_response.status_code == 200:
            species_data = species_response.json()
            if species_data["evolves_from_species"]:
                evolved_from = species_data["evolves_from_species"]["name"]
        return {"name": name, "types": types, "evolved_from": evolved_from}
    else:
        return None

@weave.op
def pokedex(name: str, prompt: str) -> str:
    # 이것은 다른 op를 호출하는 루트 op입니다
    data = get_pokemon_data(name)
    if not data: return "Error: Unable to fetch data"

    messages=[
            {"role": "system","content": prompt},
            {"role": "user", "content": str(data)}
        ]

    response = client.invoke(messages)
    return response.content

weave.init('pokedex-nvidia')
# 특정 Pokémon의 데이터를 가져옵니다
pokemon_data = pokedex(random.choice(POKEMON), PROMPT)
Weave로 이동한 다음 UI에서 get_pokemon_data를 클릭해 해당 step의 입력과 출력을 확인하세요.
nvidia_pokedex.png

​
더 쉽게 실험하려면 Model 만들기

실험과 관련된 요소가 많아지면 이를 체계적으로 정리하기가 어렵습니다. Model 클래스를 사용하면 system 프롬프트나 사용 중인 모델처럼 앱의 실험 세부 정보를 캡처하고 정리할 수 있습니다. 이렇게 하면 앱의 여러 반복 버전을 정리하고 비교하는 데 도움이 됩니다.코드 버전을 관리하고 입력과 출력을 캡처하는 것에 더해, Model은 애플리케이션의 동작을 제어하는 구조화된 매개변수도 캡처하므로 어떤 매개변수가 가장 효과적이었는지 쉽게 찾을 수 있습니다. 또한 Weave Models를 serve 및 Evaluation과 함께 사용할 수도 있습니다.다음 예시에서는 model 및 system_message를 바꿔 가며 실험할 수 있습니다. 이 둘 중 하나를 변경할 때마다 GrammarCorrectorModel의 새 version 이 생성됩니다.
import weave
from langchain_nvidia_ai_endpoints import ChatNVIDIA

weave.init('grammar-nvidia')

class GrammarCorrectorModel(weave.Model): # `weave.Model`로 변경
  system_message: str

  @weave.op()
  def predict(self, user_input): # `predict`로 변경
    client = ChatNVIDIA(model="mistralai/mixtral-8x7b-instruct-v0.1", temperature=0, max_tokens=100, top_p=1)

    messages=[
          {
              "role": "system",
              "content": self.system_message
          },
          {
              "role": "user",
              "content": user_input
          }
          ]

    response = client.invoke(messages)
    return response.content

corrector = GrammarCorrectorModel(
    system_message = "You are a grammar checker, correct the following user input.")
result = corrector.predict("That was so easy, it was a piece of pie!")
print(result)
chatnvidia_model.png

​
사용 정보

다음 참고 사항에서는 ChatNVIDIA 인테그레이션에서 무엇을 지원하는지 설명합니다. ChatNVIDIA 인테그레이션은 invoke, stream 및 해당 비동기 버전을 지원합니다. 또한 도구 사용도 지원합니다. ChatNVIDIA는 여러 유형의 모델과 함께 사용하도록 설계되었기 때문에 함수 호출은 지원하지 않습니다.