NVIDIA NIM - CoreWeave Docs

Une fois weave.init() appelé, Weave suit et journalise automatiquement les appels LLM effectués via la bibliothèque ChatNVIDIA. Ce guide explique aux développeurs Python qui utilisent ChatNVIDIA comment capturer les traces, encapsuler leurs propres fonctions sous forme d’ops et organiser leurs expériences avec la classe Model de Weave, afin de déboguer et comparer plus efficacement leurs applications LLM, et d’itérer plus rapidement sur celles-ci.

Pour découvrir les derniers tutoriels, consultez Weights & Biases on NVIDIA.

Traçage

Stocker les traces de vos applications LLM dans une base de données centrale, aussi bien pendant le développement qu’en production, vous aide à déboguer les problèmes et à constituer un jeu de données d’exemples difficiles sur lesquels évaluer votre application au fil de ses améliorations. La section suivante explique comment activer le traçage automatique des appels ChatNVIDIA.

Python
TypeScript

Weave peut capturer automatiquement les traces de la bibliothèque Python ChatNVIDIA.Pour lancer la capture, appelez weave.init([PROJECT-NAME]) avec le nom de projet de votre choix.

from langchain_nvidia_ai_endpoints import ChatNVIDIA
import weave
client = ChatNVIDIA(model="mistralai/mixtral-8x7b-instruct-v0.1", temperature=0.8, max_tokens=64, top_p=1)
weave.init('emoji-bot')

messages=[
    {
      "role": "system",
      "content": "You are AGI. You will be provided with a message, and your task is to respond using emojis only."
    }]

response = client.invoke(messages)

Une fois ce code exécuté, Weave capture l’appel ChatNVIDIA dans le projet que vous avez indiqué. Vous pouvez alors y examiner les entrées, les sorties et les métadonnées.

This feature is not available in TypeScript yet since this library is only in Python.

Suivre vos propres ops

Python
TypeScript

Encapsuler une fonction avec @weave.op permet de capturer les entrées, les sorties et la logique de l’application, afin de déboguer le parcours des données dans votre application. Vous pouvez imbriquer les ops sur plusieurs niveaux et construire une arborescence des fonctions que vous souhaitez suivre. Cela active également la gestion automatique des versions du code au fil de vos expériences, pour capturer les modifications ponctuelles que vous n’avez pas encore commitées dans Git.Créez une fonction décorée avec @weave.op qui appelle la bibliothèque Python ChatNVIDIA.Dans l’exemple suivant, deux fonctions sont encapsulées avec op. Vous pouvez ainsi observer comment les étapes intermédiaires, comme l’étape de récupération dans une application RAG, influent sur le comportement de votre application.

import weave
from langchain_nvidia_ai_endpoints import ChatNVIDIA
import requests, random
PROMPT="""Emulate the Pokedex from early Pokémon episodes. State the name of the Pokemon and then describe it.
        Your tone is informative yet sassy, blending factual details with a touch of dry humor. Be concise, no more than 3 sentences. """
POKEMON = ['pikachu', 'charmander', 'squirtle', 'bulbasaur', 'jigglypuff', 'meowth', 'eevee']
client = ChatNVIDIA(model="mistralai/mixtral-8x7b-instruct-v0.1", temperature=0.7, max_tokens=100, top_p=1)

@weave.op
def get_pokemon_data(pokemon_name):
    # Il s’agit d’une étape de votre application, comme l’étape de récupération dans une application RAG
    url = f"https://pokeapi.co/api/v2/pokemon/{pokemon_name}"
    response = requests.get(url)
    if response.status_code == 200:
        data = response.json()
        name = data["name"]
        types = [t["type"]["name"] for t in data["types"]]
        species_url = data["species"]["url"]
        species_response = requests.get(species_url)
        evolved_from = "Unknown"
        if species_response.status_code == 200:
            species_data = species_response.json()
            if species_data["evolves_from_species"]:
                evolved_from = species_data["evolves_from_species"]["name"]
        return {"name": name, "types": types, "evolved_from": evolved_from}
    else:
        return None

@weave.op
def pokedex(name: str, prompt: str) -> str:
    # Il s’agit de votre op racine, qui appelle d’autres ops
    data = get_pokemon_data(name)
    if not data: return "Error: Unable to fetch data"

    messages=[
            {"role": "system","content": prompt},
            {"role": "user", "content": str(data)}
        ]

    response = client.invoke(messages)
    return response.content

weave.init('pokedex-nvidia')
# Obtenir les données d’un Pokémon spécifique
pokemon_data = pokedex(random.choice(POKEMON), PROMPT)

Accédez à Weave et cliquez sur get_pokemon_data dans l’interface utilisateur pour afficher les entrées et les sorties de cette étape.

Cette fonctionnalité n’est pas encore disponible en TypeScript, car cette bibliothèque n’existe qu’en Python.

Créer un `Model` pour faciliter l’expérimentation

Python
TypeScript

Il est difficile d’organiser ses expériences lorsque de nombreux éléments évoluent en même temps. La classe Model vous permet de capturer et d’organiser les détails expérimentaux de votre application, comme votre prompt système ou le modèle que vous utilisez. Vous pouvez ainsi organiser et comparer plus facilement les différentes itérations de votre application.En plus de gérer les versions du code et de capturer les entrées et les sorties, les Models capturent des paramètres structurés qui contrôlent le comportement de votre application, ce qui permet de trouver facilement les paramètres les plus efficaces. Vous pouvez également utiliser les Weave Models avec serve et les Evaluations.Dans l’exemple suivant, vous pouvez expérimenter avec model et system_message. Chaque fois que vous modifiez l’un de ces éléments, vous obtenez une nouvelle version de GrammarCorrectorModel.

import weave
from langchain_nvidia_ai_endpoints import ChatNVIDIA

weave.init('grammar-nvidia')

class GrammarCorrectorModel(weave.Model): # Remplacer par `weave.Model`
  system_message: str

  @weave.op()
  def predict(self, user_input): # Remplacer par `predict`
    client = ChatNVIDIA(model="mistralai/mixtral-8x7b-instruct-v0.1", temperature=0, max_tokens=100, top_p=1)

    messages=[
          {
              "role": "system",
              "content": self.system_message
          },
          {
              "role": "user",
              "content": user_input
          }
          ]

    response = client.invoke(messages)
    return response.content

corrector = GrammarCorrectorModel(
    system_message = "You are a grammar checker, correct the following user input.")
result = corrector.predict("That was so easy, it was a piece of pie!")
print(result)

Cette fonctionnalité n’est pas encore disponible en TypeScript, car cette bibliothèque n’existe qu’en Python.

Informations d’utilisation

Les remarques suivantes décrivent les fonctionnalités prises en charge par l’intégration ChatNVIDIA. L’intégration ChatNVIDIA prend en charge invoke, stream et leurs variantes asynchrones. Elle prend également en charge l’utilisation d’outils. ChatNVIDIA étant conçu pour fonctionner avec de nombreux types de modèles, il ne prend pas en charge l’appel de fonctions.

​Traçage

​Suivre vos propres ops

​Créer un Model pour faciliter l’expérimentation

​Informations d’utilisation

Traçage

Suivre vos propres ops

Créer un `Model` pour faciliter l’expérimentation

Informations d’utilisation