Rastreamento de extensão com gerenciadores de contexto

O gerenciador de contexto mlflow.start_span permite criar intervalos para blocos de código arbitrários. Pode ser útil para capturar interações complexas dentro do seu código com mais detalhes do que é possível capturando os limites de uma única função.

O rastreamento de trechos de código com gerenciadores de contexto oferece controle preciso sobre qual código será rastreado:

• Blocos de código arbitrários : Rastreie qualquer bloco de código, não apenas funções inteiras.
• Limites flexíveis : Defina pontos iniciais e finais exatos para os vãos.
• Gerenciamento automático de contexto : o MLflow lida com relacionamentos pai-filho e limpeza.
• Funciona com decoradores de função : combine com @mlflow.trace para abordagens híbridas.
• Tratamento de exceções : Captura automática de erros, como decoradores.

Pré-requisitos

MLflow 3

Esta página requer o seguinte pacote:

• mlflow[databricks] 3.1 e versões superiores: Funcionalidade principal MLflow com recurso GenAI e conectividade com Databricks .
• openai 1.0.0 e versões superiores: (Opcional) Somente se o seu código personalizado interagir com OpenAI; substitua por outros SDKs, se necessário.

Instale os requisitos básicos:

Python

%pip install --upgrade "mlflow[databricks]>=3.1"
# %pip install --upgrade openai>=1.0.0 # Install if needed

MLflow 2.x

Este guia requer o seguinte pacote:

• mlflow[databricks] 2.15.0 e versões superiores: Funcionalidade principal MLflow com conectividade Databricks .
• openai 1.0.0 e versões superiores: (Opcional) Somente se o seu código personalizado interagir com OpenAI.

nota

Versão MLflow

A Databricks recomenda fortemente a instalação do MLflow 3.1 ou mais recente se estiver usando mlflow[databricks].

Instale os requisitos básicos:

Python

%pip install --upgrade "mlflow[databricks]>=2.15.0,<3.0.0"
# pip install --upgrade openai>=1.0.0 # Install if needed

API do Gerenciador de Contexto

De forma semelhante ao decorador, o gerenciador de contexto captura automaticamente a relação pai-filho, exceções, tempo de execução e funciona com rastreamento automático. No entanto, o nome, as entradas e as saídas do intervalo devem ser fornecidos manualmente. Você pode configurá-los usando o objeto mlflow.entities.Span que é retornado pelo gerenciador de contexto.

Python

with mlflow.start_span(name="my_span") as span:
    span.set_inputs({"x": 1, "y": 2})
    z = x + y
    span.set_outputs(z)

abaixo está um exemplo um pouco mais complexo que usa o gerenciador de contexto mlflow.start_span em conjunto com o decorador e o rastreamento automático para OpenAI.

Python

import mlflow
import openai
from mlflow.entities import SpanType

# Enable auto-tracing for OpenAI
mlflow.openai.autolog()

# Create OpenAI client
client = openai.OpenAI()

@mlflow.trace(span_type=SpanType.CHAIN)
def start_session():
    messages = [{"role": "system", "content": "You are a friendly chat bot"}]
    while True:
        with mlflow.start_span(name="User") as span:
            span.set_inputs(messages)
            user_input = input(">> ")
            span.set_outputs(user_input)

        if user_input == "BYE":
            break

        messages.append({"role": "user", "content": user_input})

        response = client.chat.completions.create(
            model="gpt-4o-mini",
            max_tokens=100,
            messages=messages,
        )
        answer = response.choices[0].message.content
        print(f"Assistant: {answer}")

        messages.append({"role": "assistant", "content": answer})


start_session()

Próximos passos

• Decoradores de função - Uma abordagem mais simples para rastrear funções inteiras.
• APIs de cliente de baixo nível - Aprenda cenários avançados que exigem controle total.
• Depure e observe seu aplicativo - Use seu aplicativo rastreado manualmente para depuração.