Traçage automatique et intégrations

Un seul appel — mlflow.<framework>.autolog() — active le traçage pour plus de 30 frameworks et fournisseurs de LLM pris en charge. Il applique un patch à la bibliothèque lors de l’importation afin que chaque invocation de LLM, appel d’outil et étape d’agent soit capturé en tant que portée sans instrumentation supplémentaire.

Activer le traçage automatique

remarque

Sur les clusters de compute serverless, l’enregistrement automatique n’est pas activé par default. Vous devez appeler explicitement mlflow.<library>.autolog() pour chaque intégration que vous souhaitez tracer.

Installer

Python

%pip install --upgrade "mlflow[databricks]>=3.1.0" "openai>=1.0.0"
# Also install the SDKs for any other frameworks you want to trace
dbutils.library.restartPython()

Définir les identifiants

Databricks notebook

Python

import os
os.environ["OPENAI_API_KEY"] = "your-api-key"
# Add other provider keys as needed:
# os.environ["ANTHROPIC_API_KEY"] = "your-api-key"

External environment

Bash

export DATABRICKS_HOST="https://your-workspace.cloud.databricks.com"
export DATABRICKS_TOKEN="your-databricks-token"
# Add provider keys for your chosen LLM

Exemples de démarrage rapide

Choisissez votre framework pour voir un exemple minimal fonctionnel. Chaque tab renvoie au guide complet par framework.

OpenAI

Python

import mlflow
import openai

mlflow.openai.autolog()
mlflow.set_tracking_uri("databricks")
mlflow.set_experiment("/Shared/openai-tracing-demo")

client = openai.OpenAI()
response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[{"role": "user", "content": "What is the capital of France?"}],
)
# Trace appears in the MLflow UI automatically

Guide OpenAI complet

LangChain

Python

import mlflow
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

mlflow.langchain.autolog()
mlflow.set_tracking_uri("databricks")
mlflow.set_experiment("/Shared/langchain-tracing-demo")

chain = (
    ChatPromptTemplate.from_template("Tell me a joke about {topic}.")
    | ChatOpenAI(model="gpt-4o-mini", temperature=0.7)
    | StrOutputParser()
)
chain.invoke({"topic": "artificial intelligence"})

Guide LangChain complet

LangGraph

Python

import mlflow
from langchain_core.tools import tool
from langchain_openai import ChatOpenAI
from langgraph.prebuilt import create_react_agent

mlflow.langchain.autolog()  # LangGraph uses LangChain's autolog
mlflow.set_tracking_uri("databricks")
mlflow.set_experiment("/Shared/langgraph-tracing-demo")

@tool
def get_weather(city: str):
    """Get weather for a city."""
    return f"It might be cloudy in {city}"

graph = create_react_agent(ChatOpenAI(model="gpt-4o-mini"), [get_weather])
graph.invoke({"messages": [("user", "What is the weather in SF?")]})

Guide complet de LangGraph

Anthropic

Python

import mlflow
import anthropic
import os

mlflow.anthropic.autolog()
mlflow.set_tracking_uri("databricks")
mlflow.set_experiment("/Shared/anthropic-tracing-demo")

client = anthropic.Anthropic(api_key=os.environ.get("ANTHROPIC_API_KEY"))
message = client.messages.create(
    model="claude-3-5-sonnet-20241022",
    max_tokens=1024,
    messages=[{"role": "user", "content": "Hello, Claude"}],
)

Guide Anthropic complet

Databricks FMAPI

Python

import mlflow
import os
from openai import OpenAI

# Databricks Foundation Model APIs use the OpenAI client
mlflow.openai.autolog()
mlflow.set_tracking_uri("databricks")
mlflow.set_experiment("/Shared/databricks-fmapi-tracing")

client = OpenAI(
    api_key=os.environ.get("DATABRICKS_TOKEN"),
    base_url=f"{os.environ.get('DATABRICKS_HOST')}/serving-endpoints",
)
response = client.chat.completions.create(
    model="databricks-llama-4-maverick",
    messages=[{"role": "user", "content": "Key features of MLflow?"}],
)

Guide complet de Databricks

DSPy

Python

import mlflow
import dspy

mlflow.dspy.autolog()
mlflow.set_tracking_uri("databricks")
mlflow.set_experiment("/Shared/dspy-tracing-demo")

dspy.configure(lm=dspy.LM("openai/gpt-4o-mini"))

class SimpleSignature(dspy.Signature):
    input_text: str = dspy.InputField()
    output_text: str = dspy.OutputField()

result = dspy.Predict(SimpleSignature)(input_text="Summarize MLflow Tracing.")

Guide complet sur DSPy

Bedrock

Python

import mlflow
import boto3

mlflow.bedrock.autolog()
mlflow.set_tracking_uri("databricks")
mlflow.set_experiment("/Shared/bedrock-tracing-demo")

bedrock = boto3.client(service_name="bedrock-runtime", region_name="us-east-1")
response = bedrock.converse(
    modelId="anthropic.claude-3-5-sonnet-20241022-v2:0",
    messages=[{"role": "user", "content": "Hello World."}],
)

Guide Bedrock complet

AutoGen

Python

import mlflow
from autogen import ConversableAgent
import os

mlflow.autogen.autolog()
mlflow.set_tracking_uri("databricks")
mlflow.set_experiment("/Shared/autogen-tracing-demo")

config_list = [{"model": "gpt-4o-mini", "api_key": os.environ.get("OPENAI_API_KEY")}]
assistant = ConversableAgent("assistant", llm_config={"config_list": config_list})
user_proxy = ConversableAgent("user_proxy", human_input_mode="NEVER", code_execution_config=False)
user_proxy.initiate_chat(assistant, message="What is 2+2?")

Guide AutoGen complet

Toutes les intégrations

Chaque page comprend des prérequis, des options de configuration et des exemples au-delà du guide de démarrage rapide ci-dessus.

Fournisseurs de LLM

• • 
  • Anthropic
• • 
  • AWS Bedrock
• • 
  • Databricks Foundation Model APIs
• • 
  • DeepSeek
• • 
  • Google Gemini
• • 
  • Groq
• • 
  • Mistral
• • 
  • Ollama
• • 
  • OpenAI

Frameworks d'agents et orchestrateurs

• • 
  • AG2
• • 
  • Agno
• • 
  • AutoGen
• • 
  • CrewAI
• • 
  • DSPy
• • 
  • Haystack
• • 
  • LangChain
• • 
  • LangGraph
• • 
  • LlamaIndex
• • 
  • OpenAI Agents SDK
• • 
  • PydanticAI
• • 
  • Semantic Kernel
• • 
  • Smolagents
• • 
  • Strands
• • 
  • Swarm
• • 
  • TxtAI

Infrastructures publiques et autres

• • 
  • Claude Code
• • 
  • Instructeur
• • 
  • LiteLLM
• • 
  • OpenTelemetry

Désactiver le traçage automatique

Python

import mlflow

# Disable for a specific library
mlflow.openai.autolog(disable=True)

# Disable all autologging at once
mlflow.autolog(disable=True)

Ressources supplémentaires

• Traçage manuel et personnalisé — ajoutez des portées personnalisées lorsque la fonctionnalité d'enregistrement automatique ne capture pas ce dont vous avez besoin
• Stocker les traces OpenTelemetry dans Unity Catalog — un stockage de traces géré et interrogeable en SQL pour la production
• Afficher les traces dans l’interface utilisateur MLflow de Databricks — explorer les traces dans l’interface utilisateur MLflow
• Monitoring de production — exécutez des évaluateurs sur les traces de production pour surveiller la qualité de l’agent

Étape suivante : Traçage manuel et personnalisé