> ## Documentation Index
> Fetch the complete documentation index at: https://docs.coreweave.com/llms.txt
> Use this file to discover all available pages before exploring further.
# Ajouter des environnements d’exécution personnalisés
> Connectez des points de terminaison d’inférence compatibles avec OpenAI à un projet Weave en tant qu’environnements d’exécution personnalisés, et gérez-les depuis l’interface utilisateur ou avec les SDK Python et TypeScript.
Enregistrez un environnement d’exécution personnalisé pour connecter un point de terminaison d’inférence compatible avec OpenAI à un projet W\&B Weave. Une fois l’enregistrement effectué, les modèles de ce point de terminaison apparaissent dans les sélecteurs de modèles de Weave. Votre équipe et vous pouvez alors les utiliser dans le Playground, le playground d’évaluation et les flux de travail LLM-as-a-judge, sans écrire de code d’intégration.
Un environnement d’exécution personnalisé permet de connecter notamment :
* Un agent ou un prototype de modèle que votre équipe expose derrière une API compatible avec OpenAI.
* Un modèle auto-hébergé ou local (par exemple, servi par Ollama ou vLLM).
* Un fournisseur ou une version de modèle que Weave ne prend pas en charge nativement.
Vous pouvez gérer les environnements d’exécution personnalisés dans l’interface utilisateur de Weights & Biases, ou par programmation avec les SDK Python et TypeScript. L’approche par SDK est pensée pour la CI/CD : l’enregistrement étant déclaratif et idempotent, votre pipeline peut réenregistrer un runtime à chaque déploiement, et Weave converge alors vers la configuration que vous avez spécifiée.
Où utiliser les environnements d’exécution personnalisés
Les modèles d’un environnement d’exécution personnalisé enregistré apparaissent dans le sélecteur de modèle aux emplacements suivants :
* [Playground](/fr/products/wandb/weave/guides/tools/playground) : discutez de manière interactive avec le point de terminaison.
* [Playground d’évaluation](/fr/products/wandb/weave/guides/tools/evaluation_playground) : évaluez le point de terminaison et comparez-le à d’autres modèles.
* [Signals](/fr/products/wandb/weave/guides/evaluation/monitors) : utilisez le point de terminaison comme modèle juge chargé de noter les traces entrantes.
* Les sélecteurs de modèle de l’itération sur les scorers et d’Agent Signals.
* L’API de complétion de Weave : transmettez l’ID du modèle `custom::::` au point de terminaison `completions/create` pour exécuter par programmation des complétions tracées sur votre point de terminaison. Consultez la [référence de l’API de service](/fr/products/wandb/weave/reference/service-api).
Ajouter un environnement d’exécution personnalisé
Vous pouvez ajouter un environnement d’exécution personnalisé à votre projet par code ou depuis l’interface utilisateur de Weights & Biases. Pour ce faire, vous devez disposer des informations suivantes sur votre runtime :
| Champ | Description |
| - | - |
| Nom | Identifie le runtime au sein du projet. S’affiche comme nom de groupe dans les sélecteurs de modèles. |
| URL de base | Point de terminaison compatible avec OpenAI auquel Weave envoie les requêtes de complétion. Doit être accessible depuis les serveurs de W\&B. |
| ID de runtime | Un ou plusieurs ID des modèles servis par le point de terminaison. Chaque ID s’affiche comme un modèle sélectionnable. |
| Nombre maximal de jetons | Nombre maximal de jetons que le modèle peut générer dans une seule réponse. À définir pour chaque ID de runtime. Valeur par défaut : 4096. |
| Secret de clé API (facultatif) | Nom d’un [secret d’équipe](/fr/products/wandb/platform/secrets) contenant la clé API du point de terminaison. |
| En-têtes (facultatif) | En-têtes HTTP personnalisés envoyés avec chaque requête au point de terminaison. |
Ajouter un environnement d’exécution personnalisé à l’aide de code
À partir des informations sur le runtime présentées dans la section précédente, renseignez les champs appropriés dans la requête d’enregistrement suivante, puis exécutez-la pour créer ou mettre à jour un environnement d’exécution personnalisé dans votre projet. L’enregistrement par programmation nécessite le package Python `weave` en version 0.53.4 ou ultérieure, ou le package npm `weave` en version 0.16.5 ou ultérieure.
```python theme={"system"}
import weave
client = weave.init("[YOUR-TEAM-NAME]/[YOUR-PROJECT-NAME]")
client.register_custom_runtime(
name="support-agent",
base_url="https://agent.example/v1",
api_key_secret="AGENT_API_KEY",
headers={"X-Tenant-ID": "customer-1"},
runtime_ids=[
"support-v12",
weave.CustomRuntimeID(id="support-canary", max_tokens=8192),
],
)
```
```typescript theme={"system"}
import * as weave from 'weave';
const client = await weave.init('[YOUR-TEAM-NAME]/[YOUR-PROJECT-NAME]');
await client.registerCustomRuntime({
name: 'support-agent',
baseUrl: 'https://agent.example/v1',
apiKeySecret: 'AGENT_API_KEY',
headers: {'X-Tenant-ID': 'customer-1'},
runtimeIds: ['support-v12', {id: 'support-canary', maxTokens: 8192}],
});
```
Une fois le runtime ajouté, son ID de runtime prend la forme `custom::::`. Une fois l’appel réussi, les modèles du runtime apparaissent dans les sélecteurs de modèles sous le nom du runtime, comme pour un runtime enregistré dans l’interface utilisateur.
Après la mise à jour d’un runtime, l’inférence peut continuer à utiliser l’ancienne configuration pendant 60 secondes au maximum, le temps que les caches expirent.
Enregistrer un environnement d’exécution personnalisé dans l’interface utilisateur
Pour enregistrer un environnement d’exécution personnalisé depuis l’interface utilisateur de Weights & Biases :
1. Dans la barre latérale de Weave, sélectionnez **Project**, puis l’onglet **AI Providers**. Vous pouvez également cliquer sur **Configure providers** dans le sélecteur de modèles du Playground.
2. Cliquez sur **Ajouter un environnement d’exécution personnalisé**. Le volet latéral de configuration s’ouvre.
3. Dans le volet latéral, saisissez le nom du runtime, son URL de base et un ou plusieurs ID de runtime. Vous pouvez également ajouter un secret de clé API et des en-têtes personnalisés (facultatif).
4. Enregistrez le runtime.
Les modèles du runtime apparaissent alors dans les sélecteurs de modèles, regroupés sous le nom du runtime. Un runtime enregistré sans ID de runtime reste visible dans le sélecteur, accompagné d’une action **Add runtime ID** qui rouvre l’éditeur.
Pour modifier ou supprimer un runtime, utilisez les boutons de modification et de suppression situés sur la ligne du runtime, dans l’onglet **AI Providers**. La suppression d’un runtime est irréversible.