Rastreando o DeepSeek

O MLflow Tracing fornece o recurso de rastreamento automático para modelos do Deepseek por meio da integração do OpenAI SDK. Como o DeepSeek usa um formato de API compatível com OpenAI, o senhor pode usar mlflow.openai.autolog() para rastrear interações com os modelos do DeepSeek.

Python

import mlflow

mlflow.openai.autolog()

MLflow O rastreamento captura automaticamente as seguintes informações sobre as chamadas do DeepSeek:

• Solicitações e respostas de conclusão
• Latências
• Nome do modelo
• Metadados adicionais, como temperature, max_tokens, se especificados.
• Chamada de função se retornada na resposta
• Qualquer exceção, se levantada

Pré-requisitos

Para usar o MLflow Tracing com o DeepSeek (por meio de sua API compatível com OpenAI), o senhor precisa instalar o MLflow e o OpenAI SDK.

Development

Para ambientes de desenvolvimento, instale o pacote completo do MLflow com os extras do Databricks e openai:

Bash

pip install --upgrade "mlflow[databricks]>=3.1" openai

O pacote completo do mlflow[databricks] inclui todos os recursos para desenvolvimento local e experimentação no Databricks.

Production

Para implantações de produção, instale mlflow-tracing e openai:

Bash

pip install --upgrade mlflow-tracing openai

O pacote mlflow-tracing é otimizado para uso na produção.

nota

O MLflow 3 é altamente recomendado para obter a melhor experiência de rastreamento.

Antes de executar os exemplos, você precisará configurar seu ambiente:

Para usuários fora do Databricks Notebook : Defina seu Databricks variável de ambiente:

Bash

export DATABRICKS_HOST="https://your-workspace.cloud.databricks.com"
export DATABRICKS_TOKEN="your-personal-access-token"

Para usuários do Databricks Notebook : Essas credenciais são definidas automaticamente para o senhor.

API chave : Certifique-se de que seu DeepSeek API key esteja configurado. Para uso em produção, use os segredos do Mosaic AI Gateway ou do Databricks em vez de valores codificados:

Bash

export DEEPSEEK_API_KEY="your-deepseek-api-key"

APIs suportadas

O MLflow oferece suporte ao rastreamento automático para as seguintes APIs do DeepSeek por meio da integração com o OpenAI:

Conclusão do bate-papo	Chamada de função	transmissão	Assíncrono
✅	✅	✅ (*1)	✅ (*2)

(*1) O suporte à transmissão requer o site MLflow 2.15.0 ou posterior. (*2) O suporte a assíncrono requer o MLflow 2.21.0 ou posterior.

Para solicitar suporte para APIs adicionais, abra uma solicitação de recurso no GitHub.

Exemplo básico

Python

import openai
import mlflow
import os

# Ensure your DEEPSEEK_API_KEY is set in your environment
# os.environ["DEEPSEEK_API_KEY"] = "your-deepseek-api-key" # Uncomment and set if not globally configured

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

# Set up MLflow tracking to Databricks
mlflow.set_tracking_uri("databricks")
mlflow.set_experiment("/Shared/deepseek-demo")

# Initialize the OpenAI client with DeepSeek API endpoint and your key
client = openai.OpenAI(
    base_url="https://api.deepseek.com",
    api_key=os.environ.get("DEEPSEEK_API_KEY") # Or directly pass your key string
)

messages = [
    {"role": "system", "content": "You are a helpful assistant."},
    {"role": "user", "content": "What is the capital of France?"},
]

response = client.chat.completions.create(
    model="deepseek-chat",
    messages=messages,
    temperature=0.1,
    max_tokens=100,
)

O exemplo acima deve gerar um rastreamento no experimento na interface do usuário do MLflow:

atenção

Para ambientes de produção, use segredosMosaic AI Gateway ou Databricks em vez de valores codificados para um gerenciamento seguro API key .

Transmissão e suporte assíncrono

MLflow suporta rastreamento para transmissão e DeepSeek assíncrono APIs. Visite a documentação do OpenAI Tracing para obter exemplos de trechos de código para rastrear a transmissão e as chamadas assíncronas por meio do OpenAI SDK.

Exemplo avançado: Function Calling Agent

O MLflow Tracing captura automaticamente as respostas de chamada de função dos modelos DeepSeek por meio do OpenAI SDK. A instrução da função na resposta será destacada na interface do usuário de rastreamento. Além disso, o senhor pode anotar a função da ferramenta com o decorador @mlflow.trace para criar um intervalo para a execução da ferramenta.

O exemplo a seguir implementa um agente de chamada de função simples usando DeepSeek Function Calling e MLflow Tracing.

Python

import json
from openai import OpenAI
import mlflow
from mlflow.entities import SpanType
import os

# Ensure your DEEPSEEK_API_KEY is set in your environment
# os.environ["DEEPSEEK_API_KEY"] = "your-deepseek-api-key" # Uncomment and set if not globally configured

# Initialize the OpenAI client with DeepSeek API endpoint and your key
client = OpenAI(
    base_url="https://api.deepseek.com",
    api_key=os.environ.get("DEEPSEEK_API_KEY") # Or directly pass your key string
)

# Set up MLflow tracking to Databricks if not already configured
# mlflow.set_tracking_uri("databricks")
# mlflow.set_experiment("/Shared/deepseek-agent-demo")

# Assuming autolog is enabled globally or called earlier
# mlflow.openai.autolog()

# Define the tool function. Decorate it with `@mlflow.trace` to create a span for its execution.
@mlflow.trace(span_type=SpanType.TOOL)
def get_weather(city: str) -> str:
    if city == "Tokyo":
        return "sunny"
    elif city == "Paris":
        return "rainy"
    return "unknown"


tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "parameters": {
                "type": "object",
                "properties": {"city": {"type": "string"}},
            },
        },
    }
]

_tool_functions = {"get_weather": get_weather}


# Define a simple tool calling agent
@mlflow.trace(span_type=SpanType.AGENT)
def run_tool_agent(question: str):
    messages = [{"role": "user", "content": question}]

    # Invoke the model with the given question and available tools
    response = client.chat.completions.create(
        model="deepseek-chat",
        messages=messages,
        tools=tools,
    )

    ai_msg = response.choices[0].message
    messages.append(ai_msg)

    # If the model request tool call(s), invoke the function with the specified arguments
    if tool_calls := ai_msg.tool_calls:
        for tool_call in tool_calls:
            function_name = tool_call.function.name
            if tool_func := _tool_functions.get(function_name):
                args = json.loads(tool_call.function.arguments)
                tool_result = tool_func(**args)
            else:
                raise RuntimeError("An invalid tool is returned from the assistant!")

            messages.append(
                {
                    "role": "tool",
                    "tool_call_id": tool_call.id,
                    "content": tool_result,
                }
            )

        # Sent the tool results to the model and get a new response
        response = client.chat.completions.create(
            model="deepseek-chat", messages=messages
        )

    return response.choices[0].message.content


# Run the tool calling agent
question = "What's the weather like in Paris today?"
answer = run_tool_agent(question)

Desativar o rastreamento automático

O rastreamento automático para o DeepSeek (por meio do OpenAI SDK) pode ser desativado globalmente chamando mlflow.openai.autolog(disable=True) ou mlflow.autolog(disable=True).