メインコンテンツへスキップ

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.

Open In Colab
セットアップ不要で Google AI モデルを Weave で試すには、 LLM Playground を使用してください。
このページでは、 W&B Weave を Google Vertex AI API および Google Gemini API と共に使用する方法について説明します。 Weave を使用して、 Google GenAI アプリケーションの 評価、 モニタリング、 およびイテレーションを行うことができます。 Weave は以下の Traces を自動的にキャプチャします。
  1. Google GenAI SDK: Python SDK、 Node.js SDK、 Go SDK、 および REST 経由でアクセス可能です。
  2. Google Vertex AI API: Google の Gemini モデルや 様々なパートナーモデル へのアクセスを提供します。
非推奨となった Google AI Python SDK for the Gemini API もサポートしています。 ただし、 このサポートも同様に非推奨であり、 将来の バージョン で削除される予定ですのでご注意ください。

​
クイックスタート

Weave は Google GenAI SDK の Traces を自動的にキャプチャします。 トラッキングを開始するには、 weave.init(project_name="<YOUR-WANDB-PROJECT-NAME>") を呼び出し、 通常通り ライブラリ を使用してください。 
import os
from google import genai
import weave

# プロジェクト名を指定して初期化
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 は Vertex API の Traces も自動的にキャプチャします。 トラッキングを開始するには、 weave.init(project_name="<YOUR-WANDB-PROJECT-NAME>") を呼び出し、 通常通り ライブラリ を使用してください。 
import vertexai
import weave
from vertexai.generative_models import GenerativeModel

# プロジェクト名を指定して初期化
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?"
)

​
独自の ops をトラックする

関数を @weave.op でラップすると、 入出力とアプリのロジックのキャプチャが開始され、 アプリ内での データの流れをデバッグできるようになります。 ops は深くネストさせることができ、 トラックしたい関数の ツリー を構築できます。 これにより、 実験 中の コード の バージョン管理 も自動的に開始され、 git にコミットされていないアドホックな詳細もキャプチャされます。 単に @weave.op でデコレートした関数を作成するだけです。 以下の例では、 都市の観光スポットを推薦する @weave.op でラップされた関数 recommend_places_to_visit を定義しています。 
import os
from google import genai
import weave

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

​
実験を容易にするための Model 作成

多くの要素が動的に変化する場合、 実験 の整理は困難になります。 Model クラスを使用することで、 システムプロンプトや使用している モデル などのアプリの実験的な詳細をキャプチャし、 整理することができます。 これにより、 アプリの異なるイテレーションの整理や比較が容易になります。 コード の バージョン管理 や入出力のキャプチャに加え、 Model は アプリケーション の 振る舞い を制御する構造化された パラメータ をキャプチャするため、 どの パラメータ が最適だったかを簡単に見つけ出すことができます。 また、 Weave Models は serve や Evaluations と共に使用することもできます。 以下の例では、 CityVisitRecommender を使って 実験 を行うことができます。 これらを変更するたびに、 CityVisitRecommender の新しい バージョン が作成されます。 
import os
from google import genai
import weave

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"))