LangChain LangSmith — Observabilidad
LangSmith es la plataforma oficial de observabilidad de LangChain que te ayuda a trazar el proceso de ejecución de los Agent, monitorear el rendimiento y depurar problemas.
¿Qué es LangSmith?
Cuando un Agent se ejecuta en segundo plano, no puedes ver qué sucede internamente: qué modelos se llamaron, qué herramientas se ejecutaron, cuántos Token se consumieron en cada paso. LangSmith resuelve este problema de "caja negra".
| Funciones | Descripción |
|---|---|
| Trazado de ejecución | Registra la traza de ejecución de cada paso del Agent. |
| Monitoreo de rendimiento | Calcula el tiempo y el consumo de Token de cada llamada. |
| Reproducción de depuración | Ver información detallada de ejecuciones históricas. |
| Evaluación de pruebas | Crear conjuntos de pruebas para evaluar el rendimiento del Agent. |
Inicio rápido
Registro e instalación
$ pip install langsmith
Ensmith.langchain.comCrea una cuenta, obtén tu API Key y luego configúrala en .env:
Ejemplo
LANGCHAIN_TRACING_V2=true
LANGCHAIN_API_KEY=lsv2_pt_your_key_here
LANGCHAIN_PROJECT=my-agent-project
Trazado automático
Ejemplo
load_dotenv() # La configuración de LangSmith se carga automáticamente
from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
from langchain.messages import HumanMessage
from langchain.tools import tool
# Después de configurar las variables de entorno, todas las ejecuciones de Agent se trazan automáticamente
# ¡No se necesita código adicional!
@tool
def search_course(keyword: str) -> str:
"""Buscar cursos"""
return f"Resultados de búsqueda: cursos relacionados con {keyword}"
model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)
agent = create_agent(
model=model,
tools=[search_course],
system_prompt="Eres el asistente de EJEMPLO (Tutorial para novatos).",
)
# Esta ejecución se registrará automáticamente en LangSmith
result = agent.invoke({
"messages": [HumanMessage(content="Buscar cursos de Python")]
})
# Abre https://smith.langchain.com para ver los registros de trazado
print("Completado, consulta los detalles del trazado en la consola de LangSmith")
Ver registros de trazado
En la consola de LangSmith, puedes ver la traza completa de cada ejecución del Agent:
- Línea de tiempo de ejecución: la línea de tiempo completa de llamada al modelo → llamada a herramienta → nueva llamada al modelo
- Entrada/Salida: los mensajes de entrada y los resultados devueltos por el modelo en cada paso
- Uso de Token: el consumo de Token y la estimación de costo por cada llamada al modelo
- Análisis de latencia: la distribución del tiempo empleado en cada paso
- Información de error: si un paso falla, puedes ver la traza de pila completa del error
Crear trazado manualmente
Ejemplo
# Usa el decorador @traceable para marcar las funciones que necesitan trazado
@traceable
def process_user_query(query: str) -> dict:
"""Procesar consulta del usuario (esta función se trazará por separado)"""
# Preprocesamiento
cleaned = query.strip().lower()
# Llamar al Agent
result = agent.invoke({"messages": [HumanMessage(content=cleaned)]})
return {
"query": cleaned,
"answer": result["messages"][-1].content,
}
# En LangSmith verás process_user_query como un paso independiente
result = process_user_query(" Recomendación de cursos de Python ")
print(result["answer"])
Configuración común
| Variable de entorno | Descripción | Ejemplo |
|---|---|---|
| LANGCHAIN_TRACING_V2 | Habilitar trazado (debe establecerse en true) | true |
| LANGCHAIN_API_KEY | LangSmith API Key | lsv2_pt_xxx |
| LANGCHAIN_PROJECT | Nombre del proyecto (para agrupar trazados) | my-agent |
| LANGCHAIN_ENDPOINT | Endpoint de API (el predeterminado es suficiente) | https://api.smith.langchain.com |
Otras extensionesEn producción, se recomienda configurar una tasa de muestreo de trazado más baja en LangSmith (para evitar el alto costo de registrar todas las solicitudes), y solo habilitar el trazado completo cuando sea necesario depurar.