Documentation Index
Fetch the complete documentation index at: https://wb-21fd5541-weave-caching.mintlify.app/llms.txt
Use this file to discover all available pages before exploring further.
これはインタラクティブなノートブックです。ローカルで実行するか、以下のリンクを使用してください： Service API を使用して Traces の ログ とクエリを行う
このガイドでは、 Weave Service API を使用して Traces を ログ に記録する方法を学びます。具体的には、Service API を使用して以下の操作を行います。
- シンプルな LLM の呼び出しと応答のモックを作成し、 Weave に ログ を記録する。
- より複雑な LLM の呼び出しと応答のモックを作成し、 Weave に ログ を記録する。
- ログ に記録された Traces に対してサンプル検索クエリを実行する。
ログに記録された Traces を表示する
このガイドの コード を実行した際に作成されたすべての Weave Traces は、 Weave プロジェクト（team_id\project_id で指定）の Traces タブに移動し、 Trace の名前を選択することで表示できます。
開始する前に、事前準備を完了させてください。
事前準備：変数とエンドポイントの設定
以下の コード は、Service API への アクセス に使用される URL エンドポイントを設定します。
さらに、以下の変数を設定する必要があります。
project_id: Traces を ログ に記録したい W&B Projects の名前。team_id: W&B の Teams 名。wandb_token: あなたの W&B APIキー。
import datetime
import json
import requests
# ヘッダーとURL
headers = {"Content-Type": "application/json"}
url_start = "https://trace.wandb.ai/call/start"
url_end = "https://trace.wandb.ai/call/end"
url_stream_query = "https://trace.wandb.ai/calls/stream_query"
# W&B 変数
team_id = ""
project_id = ""
wandb_token = ""
シンプルな Trace
以下のセクションでは、シンプルな Trace の作成手順を説明します。
- シンプルな Trace を開始する
- シンプルな Trace を終了する
シンプルな Trace を開始する
以下の コード は、サンプルの LLM 呼び出し payload_start を作成し、url_start エンドポイントを使用して Weave に ログ を記録します。payload_start オブジェクト は、Why is the sky blue?（なぜ空は青いの？）というクエリを用いた OpenAI の gpt-4o への呼び出しを模倣しています。
成功すると、この コード は Trace が開始されたことを示すメッセージを出力します。
Call started. ID: 01939cdc-38d2-7d61-940d-dcca0a56c575, Trace ID: 01939cdc-38d2-7d61-940d-dcd0e76c5f34
## ------------
## Trace を開始
## ------------
payload_start = {
"start": {
"project_id": f"{team_id}/{project_id}",
"op_name": "simple_trace",
"started_at": datetime.datetime.now().isoformat(),
"inputs": {
# 展開された Trace でチャット UI を生成するには、この "messages" スタイルを使用します。
"messages": [{"role": "user", "content": "Why is the sky blue?"}],
"model": "gpt-4o",
},
"attributes": {},
}
}
response = requests.post(
url_start, headers=headers, json=payload_start, auth=("api", wandb_token)
)
if response.status_code == 200:
data = response.json()
call_id = data.get("id")
trace_id = data.get("trace_id")
print(f"Call started. ID: {call_id}, Trace ID: {trace_id}")
else:
print("Start request failed with status:", response.status_code)
print(response.text)
exit()
シンプルな Trace を終了する
シンプルな Trace を完了するために、以下の コード はサンプルの LLM 呼び出し payload_end を作成し、url_end エンドポイントを使用して Weave に ログ を記録します。payload_end オブジェクト は、クエリ Why is the sky blue? に対する OpenAI の gpt-4o からのレスポンスを模倣しています。この オブジェクト は、Weave ダッシュボード の Trace ビューで料金サマリー 情報 とチャットの完了内容が生成されるようにフォーマットされています。
成功すると、この コード は Trace が完了したことを示すメッセージを出力します。
## ------------
## Trace を終了
## ------------
payload_end = {
"end": {
"project_id": f"{team_id}/{project_id}",
"id": call_id,
"ended_at": datetime.datetime.now().isoformat(),
"output": {
# 展開された Trace のチャット UI に回答を追加するには、この "choices" スタイルを使用します。
"choices": [
{
"message": {
"content": "It’s due to Rayleigh scattering, where shorter blue wavelengths of sunlight scatter in all directions."
}
},
]
},
# Traces テーブルに料金サマリー情報を生成するには、サマリーをこのようにフォーマットします。
"summary": {
"usage": {
"gpt-4o": {
"prompt_tokens": 10,
"completion_tokens": 20,
"total_tokens": 30,
"requests": 1,
}
}
},
}
}
response = requests.post(
url_end, headers=headers, json=payload_end, auth=("api", wandb_token)
)
if response.status_code == 200:
print("Call ended.")
else:
print("End request failed with status:", response.status_code)
print(response.text)
複雑な Trace
以下のセクションでは、マルチオペレーションの RAG 検索に似た、子スパン（child spans）を持つより複雑な Trace の作成手順を説明します。
- 複雑な Trace を開始する
- RAG ドキュメント検索用の子スパンを追加する
- LLM 完了呼び出し用の子スパンを追加する
- 複雑な Trace を終了する
複雑な Trace を開始する
以下の コード は、複数のスパンを持つより複雑な Trace を作成する方法を示しています。この例としては、RAG（検索拡張生成）検索の後に LLM 呼び出しを行う場合が挙げられます。最初のパートでは、全体の操作を表す親 Trace（payload_parent_start）を初期化します。このケースでは、ユーザーのクエリ Can you summarize the key points of this document?（このドキュメントの要点をまとめてくれますか？）を処理する操作です。
payload_parent_start オブジェクト は、マルチステップ ワークフロー の最初のステップを模倣し、url_start エンドポイントを使用して Weave に操作を ログ 記録します。
成功すると、この コード は親の呼び出しが ログ に記録されたことを示すメッセージを出力します。
Parent call started. ID: 01939d26-0844-7c43-94bb-cdc471b6d65f, Trace ID: 01939d26-0844-7c43-94bb-cdd97dc296c8
## ------------
## Trace を開始 (parent)
## ------------
# 親呼び出し: 開始
payload_parent_start = {
"start": {
"project_id": f"{team_id}/{project_id}",
"op_name": "complex_trace",
"started_at": datetime.datetime.now().isoformat(),
"inputs": {"question": "Can you summarize the key points of this document?"},
"attributes": {},
}
}
response = requests.post(
url_start, headers=headers, json=payload_parent_start, auth=("api", wandb_token)
)
if response.status_code == 200:
data = response.json()
parent_call_id = data.get("id")
trace_id = data.get("trace_id")
print(f"Parent call started. ID: {parent_call_id}, Trace ID: {trace_id}")
else:
print("Parent start request failed with status:", response.status_code)
print(response.text)
exit()
RAG ドキュメント検索用の子スパンを追加する
以下の コード は、前のステップで開始した複雑な親 Trace に子スパンを追加する方法を示しています。このステップでは、全体的な ワークフロー 内の RAG ドキュメント検索サブ操作をモデル化しています。
子 Trace は payload_child_start オブジェクト で開始され、以下を含みます。
trace_id: この子スパンを親 Trace にリンクします。parent_id: 子スパンを親の操作に関連付けます。inputs: 検索クエリを ログ に記録します。例：
"This is a search query of the documents I'm looking for."
url_start エンドポイントへの呼び出しが成功すると、 コード は子の呼び出しが開始および完了したことを示すメッセージを出力します。
Child call started. ID: 01939d32-23d6-75f2-9128-36a4a806f179
Child call ended.
## ------------
## 子スパン:
## 例：RAG ドキュメント検索
## ------------
# 子呼び出し: 開始
payload_child_start = {
"start": {
"project_id": f"{team_id}/{project_id}",
"op_name": "rag_document_lookup",
"trace_id": trace_id,
"parent_id": parent_call_id,
"started_at": datetime.datetime.now().isoformat(),
"inputs": {
"document_search": "This is a search query of the documents I'm looking for."
},
"attributes": {},
}
}
response = requests.post(
url_start, headers=headers, json=payload_child_start, auth=("api", wandb_token)
)
if response.status_code == 200:
data = response.json()
child_call_id = data.get("id")
print(f"Child call started. ID: {child_call_id}")
else:
print("Child start request failed with status:", response.status_code)
print(response.text)
exit()
# 子呼び出し: 終了
payload_child_end = {
"end": {
"project_id": f"{team_id}/{project_id}",
"id": child_call_id,
"ended_at": datetime.datetime.now().isoformat(),
"output": {
"document_results": "This will be the RAG'd document text which will be returned from the search query."
},
"summary": {},
}
}
response = requests.post(
url_end, headers=headers, json=payload_child_end, auth=("api", wandb_token)
)
if response.status_code == 200:
print("Child call ended.")
else:
print("Child end request failed with status:", response.status_code)
print(response.text)
LLM 完了呼び出し用の子スパンを追加する
以下の コード は、複雑な親 Trace に別の子スパンを追加し、LLM の完了呼び出しを表現する方法を示しています。このステップでは、前の RAG 操作で取得されたドキュメントのコンテキストに基づいた AI のレスポンス生成をモデル化しています。
LLM 完了 Trace は payload_child_start オブジェクト で開始され、以下を含みます。
trace_id: この子スパンを親 Trace にリンクします。parent_id: 子スパンを全体的な ワークフロー に関連付けます。inputs: ユーザーのクエリと付加されたドキュメントのコンテキストを含む、LLM への入力メッセージを ログ に記録します。model: 操作に使用された モデル を指定します（gpt-4o）。
成功すると、 コード は LLM の子スパン Trace が開始および終了したことを示すメッセージを出力します。
Child call started. ID: 0245acdf-83a9-4c90-90df-dcb2b89f234a
payload_child_end オブジェクト が output フィールドに LLM 生成レスポンスを ログ 記録して Trace を終了します。使用状況のサマリー 情報 も ログ に記録されます。
成功すると、 コード は LLM の子スパン Trace が開始および終了したことを示すメッセージを出力します。
Child call started. ID: 0245acdf-83a9-4c90-90df-dcb2b89f234a
Child call ended.
## ------------
## 子スパン:
## LLM 完了呼び出しの作成
## ------------
# 子呼び出し: 開始
payload_child_start = {
"start": {
"project_id": f"{team_id}/{project_id}",
"op_name": "llm_completion",
"trace_id": trace_id,
"parent_id": parent_call_id,
"started_at": datetime.datetime.now().isoformat(),
"inputs": {
"messages": [
{
"role": "user",
"content": "With the following document context, could you help me answer:\n Can you summarize the key points of this document?\n [+ appended document context]",
}
],
"model": "gpt-4o",
},
"attributes": {},
}
}
response = requests.post(
url_start, headers=headers, json=payload_child_start, auth=("api", wandb_token)
)
if response.status_code == 200:
data = response.json()
child_call_id = data.get("id")
print(f"Child call started. ID: {child_call_id}")
else:
print("Child start request failed with status:", response.status_code)
print(response.text)
exit()
# 子呼び出し: 終了
payload_child_end = {
"end": {
"project_id": f"{team_id}/{project_id}",
"id": child_call_id,
"ended_at": datetime.datetime.now().isoformat(),
"output": {
"choices": [
{"message": {"content": "This is the response generated by the LLM."}},
]
},
"summary": {
"usage": {
"gpt-4o": {
"prompt_tokens": 10,
"completion_tokens": 20,
"total_tokens": 30,
"requests": 1,
}
}
},
}
}
response = requests.post(
url_end, headers=headers, json=payload_child_end, auth=("api", wandb_token)
)
if response.status_code == 200:
print("Child call ended.")
else:
print("Child end request failed with status:", response.status_code)
print(response.text)
複雑な Trace を終了する
以下の コード は、親 Trace を終了し、 ワークフロー 全体の完了をマークする方法を示しています。このステップでは、すべての子スパン（例：RAG 検索と LLM 完了）の結果を集約し、最終的な出力と メタデータ を ログ に記録します。
Trace は payload_parent_end オブジェクト を使用して完了します。これには以下が含まれます。
id: 最初の親 Trace 開始時の parent_call_id。output: ワークフロー 全体の最終出力を表します。summary: ワークフロー 全体の使用状況データを統合します。prompt_tokens: すべてのプロンプトで使用された合計トークン数。completion_tokens: すべてのレスポンスで生成された合計トークン数。total_tokens: ワークフロー の合計トークン数。requests: 行われたリクエストの総数（この場合は 1）。
成功すると、 コード は以下を出力します。
## ------------
## Trace を終了
## ------------
# 親呼び出し: 終了
payload_parent_end = {
"end": {
"project_id": f"{team_id}/{project_id}",
"id": parent_call_id,
"ended_at": datetime.datetime.now().isoformat(),
"output": {
"choices": [
{"message": {"content": "This is the response generated by the LLM."}},
]
},
"summary": {
"usage": {
"gpt-4o": {
"prompt_tokens": 10,
"completion_tokens": 20,
"total_tokens": 30,
"requests": 1,
}
}
},
}
}
response = requests.post(
url_end, headers=headers, json=payload_parent_end, auth=("api", wandb_token)
)
if response.status_code == 200:
print("Parent call ended.")
else:
print("Parent end request failed with status:", response.status_code)
print(response.text)
検索クエリの実行
以下の コード は、前の例で作成された Traces を照会し、inputs.model フィールドが gpt-4o に等しい Traces のみをフィルタリングする方法を示しています。
query_payload オブジェクト には以下が含まれます。
project_id: クエリ対象の Team と プロジェクト を特定します。filter: クエリが trace roots（トップレベルの Trace）のみを返すようにします。query: $expr 演算子を使用してフィルタロジックを定義します。
$getField: inputs.model フィールドを取得します。$literal: inputs.model が "gpt-4o" に一致する Traces を照合します。
limit: クエリの結果を 10,000 件に制限します。offset: クエリを最初の結果から開始します。sort_by: started_at タイムスタンプの降順で結果を並べ替えます。include_feedback: 結果からフィードバック データ を除外します。
クエリが成功すると、レスポンスにはクエリ パラメータ に一致する Trace データが含まれます。
{'id': '01939cf3-541f-76d3-ade3-50cfae068b39', 'project_id': 'cool-new-team/uncategorized', 'op_name': 'simple_trace', 'display_name': None, 'trace_id': '01939cf3-541f-76d3-ade3-50d5cfabe2db', 'parent_id': None, 'started_at': '2024-12-06T17:10:12.590000Z', 'attributes': {}, 'inputs': {'messages': [{'role': 'user', 'content': 'Why is the sky blue?'}], 'model': 'gpt-4o'}, 'ended_at': '2024-12-06T17:47:08.553000Z', 'exception': None, 'output': {'choices': [{'message': {'content': 'It’s due to Rayleigh scattering, where shorter blue wavelengths of sunlight scatter in all directions.'}}]}, 'summary': {'usage': {'gpt-4o': {'prompt_tokens': 10, 'completion_tokens': 20, 'requests': 1, 'total_tokens': 30}}, 'weave': {'status': 'success', 'trace_name': 'simple_trace', 'latency_ms': 2215963}}, 'wb_user_id': 'VXNlcjoyMDk5Njc0', 'wb_run_id': None, 'deleted_at': None}
query_payload = {
"project_id": f"{team_id}/{project_id}",
"filter": {"trace_roots_only": True},
"query": {
"$expr": {"$eq": [{"$getField": "inputs.model"}, {"$literal": "gpt-4o"}]}
},
"limit": 10000,
"offset": 0,
"sort_by": [{"field": "started_at", "direction": "desc"}],
"include_feedback": False,
}
response = requests.post(
url_stream_query, headers=headers, json=query_payload, auth=("api", wandb_token)
)
if response.status_code == 200:
print("Query successful!")
try:
data = response.json()
print(data)
except json.JSONDecodeError as e:
# 代替のデコード
json_objects = response.text.strip().split("\n")
parsed_data = [json.loads(obj) for obj in json_objects]
print(parsed_data)
else:
print(f"Query failed with status code: {response.status_code}")
print(response.text)
Platform
W&B Models
W&B Weave
W&B Inference
W&B Training
Release Notes