Agents d'observation créés à l'aide d' LangGraph

Assurez-vous que les conditions préalables suivantes sont remplies.

• Python 3.8 ou une version ultérieure est installée.

• Une clé d' API s LLM telle qu'Anthropic, OpenAI, ou tout autre fournisseur de LLM pris en charge par LangGraph.

• Une clé d' API de recherche (facultative, pour l'utilisation d'outils de recherche tels que Tavily ou DuckDuckGo ).

• Instana est configuré pour votre application, consultez la section « Pour commencer ».

Pour instrumenter votre application LangGraph avec Instana, suivez les étapes suivantes :

1. Installez les paquets requis pour LangGraph et OpenLLMetry.

   pip install langgraph langchain-anthropic duckduckgo-search traceloop-sdk

2. Configurez les identifiants de votre fournisseur de LLM et de votre outil de recherche.

   export ANTHROPIC_API_KEY="<your-api-key>"
   export TAVILY_API_KEY="<your-tavily-api-key>"

   Remarque :

   Remplacez par la variable d'environnement de votre fournisseur LLM si vous utilisez un autre fournisseur (par exemple, OPENAI_API_KEY pour OpenAI ). La clé « Tavily API » est facultative si vous utilisez un autre outil de recherche.

3. Créez votre application LangGraph.

   L'exemple suivant présente un flux de travail multi-acteurs impliquant un chercheur et un rédacteur :

   import os
   from typing import Literal
   from langchain_anthropic import ChatAnthropic
   from langchain_community.tools import DuckDuckGoSearchRun
   from langchain_core.messages import BaseMessage, HumanMessage
   from langgraph.prebuilt import create_react_agent
   from langgraph.graph import MessagesState, StateGraph, START, END
   from langgraph.types import Command
   from traceloop.sdk import Traceloop
   from traceloop.sdk.decorators import workflow
   
   # Initialize OpenLLMetry
   Traceloop.init(app_name="langgraph_demo")
   
   # Define search tool
   search_tool = DuckDuckGoSearchRun()
   
   # Define LLM
   llm = ChatAnthropic(
       model="claude-3-5-sonnet-20241022",
       temperature=0.7,
       max_tokens=600
   )
   
   def get_next_node(last_message: BaseMessage, goto: str):
       if not last_message.content:
           return END
       return goto
   
   # Research agent and node
   research_agent = create_react_agent(
       llm,
       tools=[search_tool],
       state_modifier="You are a research assistant. Your job is to conduct thorough research."
   )
   
   def research_node(state: MessagesState) -> Command[Literal["writer", END]]:
       result = research_agent.invoke(state)
       goto = get_next_node(result["messages"][-1], "writer")
       result["messages"][-1] = HumanMessage(
           content=result["messages"][-1].content,
           name="researcher"
       )
       return Command(
           update={"messages": result["messages"]},
           goto=goto
       )
   
   # Writer agent and node
   writer_agent = create_react_agent(
       llm,
       tools=[search_tool],
       state_modifier="You are a blog writer. Your task is to create a well-structured blog post."
   )
   
   def writer_node(state: MessagesState) -> Command[Literal[END]]:
       result = writer_agent.invoke(state)
       result["messages"][-1] = HumanMessage(
           content=result["messages"][-1].content,
           name="writer"
       )
       return Command(
           update={"messages": result["messages"]},
           goto=END
       )
   
   # Define workflow graph
   workflow = StateGraph(MessagesState)
   workflow.add_node("researcher", research_node)
   workflow.add_node("writer", writer_node)
   workflow.add_edge(START, "researcher")
   graph = workflow.compile()
   
   # Execute workflow
   @workflow(name="langgraph_multi_agent_workflow")
   def run_workflow():
       events = graph.stream(
           {
               "messages": [
                   (
                       "user",
                       "First, research AI trends in 2025. "
                       "Then, based on that research, create a well-structured blog post."
                   )
               ]
           },
           {"recursion_limit": 150}
       )
   
       # Print workflow execution steps
       for event in events:
           print(event)
           print("----")
   
   if __name__ == "__main__":
       run_workflow()

4. Lancez votre application LangGraph.

   python langgraph_app.py

   L'application exécute le flux de travail multi-agents et affiche les étapes de l'exécution :

   

5. Consultez les données sur Instana.

   Une fois votre application lancée, les données s'afficheront dans le tableau de bord d'observabilité Gen AI d' Instana :

   

   Le tableau de bord affiche :

   • Exécution de flux de travail multi-agents

   • Transitions d'état entre agents

   • Appels d'outils (opérations de recherche)

   • Interactions du LLM avec la latence et l'utilisation des jetons

   • Décisions de routage conditionnelles

Pour les problèmes courants, tels que l'absence d'affichage des traces ou les erreurs de connexion, consultez la section Dépannage.

• Découvrez les frameworks d'agents IA pris en charge par Instana

• Découvrez comment calculer le coût de votre utilisation du LLM

• Configurez des alertes pour vos workflows d' LangGraph