Journalisation par lot - CoreWeave Docs

Accédez à ces éléments via le module tracing :

from coreweave.forge.agentlens import tracing

log_turn

def log_turn(
    *,
    conversation_id: str,
    agent_name: str = '',
    conversation_name: str = '',
    model: str = '',
    agent_id: str = '',
    agent_description: str = '',
    agent_version: str = '',
    messages: Union[list[Message], None] = None,
    output_messages: Union[list[Message], None] = None,
    system_instructions: Union[list[str], None] = None,
    spans: Union[list[Union[LLM, Tool, SubAgent]], None] = None,
    started_at: Union[datetime, None] = None,
    ended_at: Union[datetime, None] = None,
    include_content: bool = True,
    continue_parent_trace: bool = False,
    attributes: Attributes = None,
) -> LogResult: ...

Émet de manière impérative un tour de conversation et ses spans enfants vers OTel. À utiliser lorsque les gestionnaires de contexte ne sont pas envisageables (conteneurs sans état, callbacks, workers de file d’attente). Chaque span enfant transmis doit avoir started_at / ended_at définis ; les horodatages des spans OTel émis proviennent de ces champs. Si le tour de conversation ne fournit pas ses propres horodatages, l’horodatage le plus ancien/le plus récent des enfants est utilisé, puis now(). agent_id / agent_description / agent_version reproduisent le comportement du chemin de streaming. Les attributes sont apposés sur chaque span émis ; le chemin de streaming, lui, les lit depuis la conversation active. Utilisez des clés personnalisées, hors conventions sémantiques : une clé qui entre en conflit avec un attribut gen_ai.* / weave.* propre à un span n’est pas prise en charge (la valeur retenue dépend du chemin). messages enregistre l’entrée du tour de conversation et output_messages enregistre la réponse finale de l’agent sur le même span invoke_agent.

log_conversation

def log_conversation(
    *,
    turns: list[Turn],
    conversation_id: str = '',
    conversation_name: str = '',
    agent_name: str = '',
    model: str = '',
    agent_id: str = '',
    agent_description: str = '',
    agent_version: str = '',
    include_content: bool = True,
    continue_parent_trace: bool = False,
    attributes: Attributes = None,
) -> LogResult: ...

Émet de manière impérative une conversation complète. L’attribut .spans de chaque Turn fournit ses enfants. Génère automatiquement conversation_id s’il est vide. Par défaut, chaque tour de conversation reçoit sa propre trace OTel. agent_name / model / agent_id / agent_description / agent_version sont des valeurs par défaut définies au niveau de la conversation. La valeur propre d’un Turn est prioritaire ; la valeur de la conversation ne s’applique que si le Turn ne la renseigne pas. Le paramètre continue_parent_trace de la conversation s’applique à chaque tour de conversation et remplace la valeur définie au niveau de chaque Turn. Les attributes sont appliqués à chaque span émis. Utilisez des clés personnalisées, hors conventions sémantiques : une clé qui entre en conflit avec un attribut gen_ai.* / weave.* propre à un span n’est pas prise en charge (la valeur retenue dépend du chemin d’exécution).

LogResult

class LogResult(BaseModel): ...

Résultat d’un appel log_* par lot. LogResult est un modèle Pydantic. Lors de sa construction, vous pouvez définir chacun des champs ci-dessous en tant qu’argument nommé. Champs

Champ	Type	Par défaut
`conversation_id`	`str`	`''`
`trace_ids`	`list[str]`	`[]`
`root_span_ids`	`list[str]`	`[]`
`span_count`	`int`	`0`

​log_turn

​log_conversation

​LogResult

log_turn

log_conversation

LogResult