監視 LangGraph

オンラインで編集

LangGraph は、ステートフルなマルチエージェントワークフローを構築するために使用できるフレームワークです LangChain。 LangGraph 大規模言語モデル（LLM）である WatsonX,OpenAI, や Claude と統合します。

Instanaを使用して LangGraph 監視し、トレース、メトリクス、ログをキャプチャできます。このデータは、AIエージェントの対話、実行パス、およびシステムパフォーマンスに関するリアルタイムの洞察を提供します。

LangGraph 非線形実行によるマルチエージェントワークフローを実現する。したがって、LLMの相互作用とAPI呼び出しを追跡するには、分散トレースが必要です。 (OTel)と OpenTelemetry Traceloopを統合することで、ワーク OpenLLMetry, フローに LangGraph 計測機能を組み込み、スパンとトレースをキャプチャできます。これにより、Instana内で実行フローを可視化することが可能になります。リアルタイムの可観測性は、リソース利用率とパフォーマンスの傾向を分析することで、ワークフローの最適化をさらに強化します。この統合により、AI駆動の自動化を微調整することが可能となり、アプリケーション LangGraph-based の信頼性と効率性が向上します。

アプリケーションの LangGraph 計測

オンラインで編集

アプリケーションを LangGraph 計測するには、次の手順を完了してください：

環境がすべての前提条件を満たしていることを確認してください。詳細については、「前提条件」を参照してください。

依存関係をインストールするには、次のコマンド LangGraph, を実行してください:
```
pip3 install langgraph langchain_ibm duckduckgo_search
```
サンプル LangGraph アプリケーションで使用されているモデルと WatsonX 検索ツールにアクセスするための以下の認証情報をエクスポートします。
```
export WATSONX_URL="<watsonx-url>"
export WATSONX_PROJECT_ID="<watsonx-project-id>"
export WATSONX_API_KEY="<watsonx-api-key>"
export TAVILY_API_KEY="<tavily-api-key>"
```

以下のコードを実行してサンプル LangGraph アプリケーションを生成します:

import os
from langchain_community.tools.tavily_search import TavilySearchResults
from langchain_community.tools import DuckDuckGoSearchRun
from typing import Literal
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 langchain_ibm.chat_models import ChatWatsonx

from traceloop.sdk import Traceloop
from traceloop.sdk.decorators import workflow

# Initialize Traceloop
Traceloop.init(app_name="langGraph_sample_app")

# Define external tools
tavily_tool = TavilySearchResults(max_results=10)
duckDuckGoSearchRun_tool = DuckDuckGoSearchRun()

# Define LLM
parameters = {
    "decoding_method": "sample",
    "max_new_tokens": 600,
    "min_new_tokens": 1,
    "temperature": 0.5,
    "top_k": 50,
    "top_p": 1,
}
llm = ChatWatsonx(
    model_id="ibm/granite-3-2b-instruct",
    url="https://us-south.ml.cloud.ibm.com",
    project_id=os.getenv("WATSONX_PROJECT_ID"),
    apikey=os.getenv("WATSONX_API_KEY"),
    params=parameters,
)


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=[tavily_tool],
    state_modifier="You are a research assistant. Your ONLY job is to conduct thorough research. ",
)


def research_node(
    state: MessagesState,
) -> Command[Literal["blogger", END]]:
    result = research_agent.invoke(state)
    goto = get_next_node(result["messages"][-1], "blogger")
    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=[duckDuckGoSearchRun_tool],
    state_modifier="You are a blog writer. Your task is to create a well-structured blog",
)


def writer_node(state: MessagesState) -> Command[Literal["researcher", END]]:
    result = writer_agent.invoke(state)
    result["messages"][-1] = HumanMessage(
        content=result["messages"][-1].content, name="blogger"
    )
    return Command(
        update={
            "messages": result["messages"],
        },
    )


# Define workflow graph
workflow = StateGraph(MessagesState)
workflow.add_node("researcher", research_node)
workflow.add_node("blogger", writer_node)

workflow.add_edge(START, "researcher")
graph = workflow.compile()

# Execute workflow
events = graph.stream(
    {
        "messages": [
            (
                "user",
                "First, conduct a research on AI trend in 2025 "
                "Then, based on that research, create a well-structured blog post.",
            )
        ],
    },
    {"recursion_limit": 150},
)

# Print workflow execution steps
for s in events:
    print(s)
    print("----")

アプリケーション LangChain を実行するには、次のコマンドを実行してください:
```
python3 ./<langGraph-sample-application>.py
```

LangGraph 以下の例に示すような応答を生成します：

監視を設定すると、Instanaはアプリケーション LangGraph から以下のトレースとメトリクスを収集します：

LLMから収集されたメトリクスを確認するには、[ メトリクスの表示] を LangGraph, 参照してください。