LiteLLM - CoreWeave Docs

weave.init() を呼び出すと、Weave は LiteLLM 経由の LLM Call を自動的にトラッキングしてログします。このガイドでは、Weave と LiteLLM を組み合わせてトレースを取得する方法、Call をバージョン管理された Op でラップする方法、Model で実験を整理する方法、関数呼び出しの動作をトラッキングする方法について説明します。LLM アプリケーションを構築していて、LiteLLM がサポートする複数のモデルプロバイダー全体で可観測性を確保したい場合にご活用ください。

トレース

LLM アプリケーションのトレースは、開発中も本番環境でも、一元化されたデータベースに保存することが重要です。保存したトレースはデバッグに使用できるほか、アプリケーションの改善に役立つデータセットとしても活用できます。

注: LiteLLM を使用する場合は、from litellm import completion ではなく import litellm でライブラリをインポートし、litellm.completion() で completion 関数を呼び出してください。これにより、すべての関数とパラメーターが正しく参照されます。

Weave は LiteLLM のトレースを自動的に取得します。ライブラリはこれまでどおり使用できます。まず weave.init() を呼び出してください。

import litellm
import weave

weave.init("weave_litellm_integration")

openai_response = litellm.completion(
    model="gpt-3.5-turbo", 
    messages=[{"role": "user", "content": "Translate 'Hello, how are you?' to French"}],
    max_tokens=1024
)
print(openai_response.choices[0].message.content)

claude_response = litellm.completion(
    model="claude-3-5-sonnet-20240620", 
    messages=[{"role": "user", "content": "Translate 'Hello, how are you?' to French"}],
    max_tokens=1024
)
print(claude_response.choices[0].message.content)

これで、Weave は LiteLLM を介して行われるすべての LLM Call をトラッキングし、ログするようになりました。トレースは Weave の Web インターフェースで確認できます。基本的なトレースの設定が完了したので、次のセクションでは、LiteLLM の Call を独自の Weave Op でラップし、アプリケーションロジックをより細かい粒度で、バージョン管理しながらトラッキングする方法を説明します。

独自の Op でラップする

Weave Op は、実験中にコードを自動的にバージョン管理することで結果を再現可能にし、さらに入力と出力を取得します。LiteLLM の completion 関数を呼び出す関数を作成して @weave.op() でデコレートすると、Weave が入力と出力を自動的にトラッキングします。以下に例を示します。

import litellm
import weave

weave.init("weave_litellm_integration")

@weave.op()
def translate(text: str, target_language: str, model: str) -> str:
    response = litellm.completion(
        model=model,
        messages=[{"role": "user", "content": f"Translate '{text}' to {target_language}"}],
        max_tokens=1024
    )
    return response.choices[0].message.content

print(translate("Hello, how are you?", "French", "gpt-3.5-turbo"))
print(translate("Hello, how are you?", "Spanish", "claude-3-5-sonnet-20240620"))

実験を効率化するために `Model` を作成する

多くの要素が同時に変化する状況では、実験を整理するのは困難です。Model クラスを使用すると、システムプロンプトや使用しているモデルなど、アプリの実験に関する詳細を取得して整理できます。これにより、アプリのさまざまな反復処理を整理して比較しやすくなります。 Model は、コードのバージョン管理や入力と出力の取得に加えて、アプリケーションの動作を制御する構造化されたパラメーターも取得します。これにより、どのパラメーターが最も効果的かを見つけやすくなります。また、Weave モデルは serve や評価と組み合わせて使用することもできます。次の例では、さまざまなモデルと temperature を試すことができます。

import litellm
import weave

weave.init('weave_litellm_integration')

class TranslatorModel(weave.Model):
    model: str
    temperature: float
  
    @weave.op()
    def predict(self, text: str, target_language: str):
        response = litellm.completion(
            model=self.model,
            messages=[
                {"role": "system", "content": f"You are a translator. Translate the given text to {target_language}."},
                {"role": "user", "content": text}
            ],
            max_tokens=1024,
            temperature=self.temperature
        )
        return response.choices[0].message.content

# モデルごとにインスタンスを作成する
gpt_translator = TranslatorModel(model="gpt-3.5-turbo", temperature=0.3)
claude_translator = TranslatorModel(model="claude-3-5-sonnet-20240620", temperature=0.1)

# 異なるモデルを使用して翻訳する
english_text = "Hello, how are you today?"

print("GPT-3.5 Translation to French:")
print(gpt_translator.predict(english_text, "French"))

print("\nClaude-3.5 Sonnet Translation to Spanish:")
print(claude_translator.predict(english_text, "Spanish"))

関数呼び出し

LiteLLM は、対応するモデルでの関数呼び出しをサポートしています。Weave はこれらの関数の Call を自動的にトラッキングするため、関数、引数、応答を他のトレースとあわせて確認できます。

import litellm
import weave

weave.init("weave_litellm_integration")

response = litellm.completion(
    model="gpt-3.5-turbo",
    messages=[{"role": "user", "content": "Translate 'Hello, how are you?' to French"}],
    functions=[
        {
            "name": "translate",
            "description": "Translate text to a specified language",
            "parameters": {
                "type": "object",
                "properties": {
                    "text": {
                        "type": "string",
                        "description": "The text to translate",
                    },
                    "target_language": {
                        "type": "string",
                        "description": "The language to translate to",
                    }
                },
                "required": ["text", "target_language"],
            },
        },
    ],
)

print(response)

Weave は、プロンプトで使用する関数を自動的に取得し、バージョン管理します。

​トレース

​独自の Op でラップする

​実験を効率化するために Model を作成する

​関数呼び出し

トレース

独自の Op でラップする

実験を効率化するために `Model` を作成する

関数呼び出し