Journalisation par lots pour votre agent

Pour les frameworks qui ont déjà effectué l’appel LLM et n’ont plus qu’à l’enregistrer, utilisez tracing.log_turn et tracing.log_conversation du SDK CoreWeave Forge. Tous les spans sont créés et clôturés immédiatement, sans qu’aucun gestionnaire de contexte ne reste ouvert. Les données journalisées de cette manière peuvent être historiques : aucune conversation en direct n’est nécessaire. Définissez conversation_id sur une chaîne stable qui identifie la conversation de manière unique. Les tours de conversation partageant le même conversation_id sont regroupés en une seule conversation dans l’onglet Conversations. Si vous développez votre propre boucle d’agent, utilisez plutôt les API d’instrumentation en temps réel décrites dans Tracer vos agents.

Journaliser un tour de conversation

Pour enregistrer un tour de conversation terminé après coup, utilisez tracing.log_turn. Cette méthode accepte un tour de conversation complet, avec l’ensemble de ses spans LLM et d’outil. Construisez directement les objets LLM et Tool plutôt que de passer par une fabrique start_*. Un span construit directement n’émet rien tant que vous ne le transmettez pas à log_turn, si bien que ces objets servent de simples données.

Python
TypeScript

from coreweave.forge.agentlens import tracing
from coreweave.forge.agentlens.tracing import LLM, Message, Tool, Usage

tracing.init("[YOUR-TEAM]/[YOUR-PROJECT]")

llm_span = LLM(
    model="gpt-4o",
    provider_name="openai",
    input_messages=[Message(role="user", content="What is the weather?")],
    output_messages=[Message(role="assistant", content="Let me check.")],
    usage=Usage(input_tokens=100, output_tokens=20),
)

tool_span = Tool(
    name="get_weather",
    arguments='{"city": "Tokyo"}',
    result='"24°C, sunny"',
)

llm_span2 = LLM(
    model="gpt-4o",
    provider_name="openai",
    input_messages=[Message(role="user", content="What is the weather?")],
    output_messages=[Message(role="assistant", content="It is 24°C and sunny.")],
    usage=Usage(input_tokens=150, output_tokens=30),
)

# Journaliser un tour de conversation avec tous ses spans.
tracing.log_turn(
    conversation_id="my-conversation-abc",
    agent_name="weather-bot",
    messages=[
        Message(role="user", content="What is the weather in Tokyo?"),
        Message(role="assistant", content="It is 24°C and sunny in Tokyo."),
    ],
    spans=[llm_span, tool_span, llm_span2],
)

This feature is not available in the TypeScript SDK yet.

log_turn renvoie un LogResult contenant les ID de trace des spans émis. Le paramètre facultatif model de log_turn définit le modèle du span propre au tour de conversation, et non celui des spans LLM enfants. Chaque span LLM possède son propre model, indépendamment des autres. Si un tour de conversation fait appel à plusieurs modèles, attribuez à model dans log_turn celui que vous considérez comme le modèle principal de ce tour de conversation. Pour enregistrer le moment où le tour de conversation a réellement eu lieu, et non celui où vous l’avez journalisé, transmettez started_at et ended_at sous forme de valeurs datetime tenant compte du fuseau horaire.

Journaliser une conversation

Pour importer en une seule fois une conversation complète sur plusieurs tours de conversation, utilisez tracing.log_conversation. Le paramètre turns accepte une liste d’objets Turn, chacun construit de la même manière que les spans de l’exemple log_turn précédent.

Python
TypeScript

tracing.log_conversation(
    conversation_id="my-conversation-abc",
    agent_name="weather-bot",
    turns=[turn_1, turn_2],
)

Cette fonctionnalité n’est pas encore disponible dans le SDK TypeScript.

​Journaliser un tour de conversation

​Journaliser une conversation

Journaliser un tour de conversation

Journaliser une conversation