Visão Geral do MLflow

MLflow é uma plataforma open-source que auxilia profissionais e equipes de machine learning a lidar com as complexidades do processo de aprendizagem de máquina. Ela oferece um recurso de tracing que aprimora a observabilidade de LLMs em suas aplicações de IA Generativa, capturando informações detalhadas sobre a execução dos serviços de sua aplicação. O tracing fornece uma forma de registrar os inputs, outputs e metadados associados a cada etapa intermediária de uma requisição, permitindo que você identifique facilmente a origem de bugs e comportamentos inesperados.

Visão geral do uso de tracing MLflow com crewAI

Funcionalidades

Painel de Tracing: Monitore as atividades dos seus agentes crewAI com painéis detalhados que incluem entradas, saídas e metadados dos spans.
Tracing Automatizado: Uma integração totalmente automatizada com crewAI, que pode ser habilitada executando mlflow.crewai.autolog().
Instrumentação Manual de Tracing com pouco esforço: Personalize a instrumentação dos traces usando as APIs de alto nível do MLflow, como decorators, wrappers de funções e context managers.
Compatibilidade com OpenTelemetry: O MLflow Tracing suporta a exportação de traces para um OpenTelemetry Collector, que pode então ser usado para exportar traces para diversos backends como Jaeger, Zipkin e AWS X-Ray.
Empacote e Faça Deploy dos Agents: Empacote e faça deploy de seus agents crewAI em um servidor de inferência com diversas opções de destino.
Hospede LLMs com Segurança: Hospede múltiplos LLMs de vários provedores em um endpoint unificado através do gateway do MFflow.
Avaliação: Avalie seus agents crewAI com uma ampla variedade de métricas utilizando a API conveniente mlflow.evaluate().

Instruções de Configuração

Instale o pacote MLflow

# A integração crewAI está disponível no mlflow>=2.19.0
pip install mlflow

Inicie o servidor de tracking do MFflow

# Este processo é opcional, mas é recomendado utilizar o servidor de tracking do MLflow para melhor visualização e mais funcionalidades.
mlflow server

Inicialize o MLflow em sua aplicação

Adicione as duas linhas a seguir ao código da sua aplicação:

import mlflow

mlflow.crewai.autolog()

# Opcional: Defina uma tracking URI e um nome de experimento caso utilize um servidor de tracking
mlflow.set_tracking_uri("http://localhost:5000")
mlflow.set_experiment("CrewAI")

Exemplo de uso para tracing de Agents do CrewAI:

from crewai import Agent, Crew, Task
from crewai.knowledge.source.string_knowledge_source import StringKnowledgeSource
from crewai_tools import SerperDevTool, WebsiteSearchTool

from textwrap import dedent

content = "Users name is John. He is 30 years old and lives in San Francisco."
string_source = StringKnowledgeSource(
    content=content, metadata={"preference": "personal"}
)

search_tool = WebsiteSearchTool()


class TripAgents:
    def city_selection_agent(self):
        especialista_cidades = Agent(
            role="Especialista em Seleção de Cidades",
            goal="Selecionar a melhor cidade com base no clima, estação e preços",
            backstory="Especialista em analisar dados de viagem para escolher destinos ideais",
            tools=[search_tool],
            verbose=True,
        )

    def local_expert(self):
        especialista_local = Agent(
            role="Especialista Local nesta cidade",
            goal="Fornecer as MELHORES informações sobre a cidade selecionada",
            backstory="Um guia local experiente com amplo conhecimento sobre a cidade, suas atrações e costumes",
            tools=[search_tool],
            verbose=True,
        )


class TripTasks:
    def identify_task(self, agent, origin, cities, interests, range):
        return Task(
            description=dedent(
                f"""
                Analise e selecione a melhor cidade para a viagem com base em critérios específicos como padrões climáticos, eventos sazonais e custos de viagem. Esta tarefa envolve comparar várias cidades, considerando fatores como condições climáticas atuais, eventos culturais ou sazonais e despesas gerais de viagem.
                Sua resposta final deve ser um relatório detalhado sobre a cidade escolhida e tudo o que você descobriu sobre ela, incluindo custos reais de voo, previsão do tempo e atrações.

                Saindo de: {origin}
                Opções de cidades: {cities}
                Data da viagem: {range}
                Interesses do viajante: {interests}
            """
            ),
            agent=agent,
            expected_output="Relatório detalhado sobre a cidade escolhida incluindo custos de voo, previsão do tempo e atrações",
        )

    def gather_task(self, agent, origin, interests, range):
        return Task(
            description=dedent(
                f"""
                Como especialista local nesta cidade, você deve compilar um guia aprofundado para alguém que está viajando para lá e quer ter a MELHOR viagem possível!
                Reúna informações sobre principais atrações, costumes locais, eventos especiais e recomendações de atividades diárias.
                Encontre os melhores lugares para ir, aqueles que só um local conhece.
                Este guia deve fornecer uma visão abrangente do que a cidade tem a oferecer, incluindo joias escondidas, pontos culturais, marcos imperdíveis, previsão do tempo e custos gerais.
                A resposta final deve ser um guia completo da cidade, rico em insights culturais e dicas práticas, adaptado para aprimorar a experiência de viagem.

                Data da viagem: {range}
                Saindo de: {origin}
                Interesses do viajante: {interests}
            """
            ),
            agent=agent,
            expected_output="Guia completo da cidade incluindo joias escondidas, pontos culturais e dicas práticas",
        )


class TripCrew:
    def __init__(self, origin, cities, date_range, interests):
        self.cities = cities
        self.origin = origin
        self.interests = interests
        self.date_range = date_range

    def run(self):
        agents = TripAgents()
        tasks = TripTasks()

        city_selector_agent = agents.city_selection_agent()
        local_expert_agent = agents.local_expert()

        identify_task = tasks.identify_task(
            city_selector_agent,
            self.origin,
            self.cities,
            self.interests,
            self.date_range,
        )
        gather_task = tasks.gather_task(
            local_expert_agent, self.origin, self.interests, self.date_range
        )

        crew = Crew(
            agents=[city_selector_agent, local_expert_agent],
            tasks=[identify_task, gather_task],
            verbose=True,
            memory=True,
            knowledge={
                "sources": [string_source],
                "metadata": {"preference": "personal"},
            },
        )

        result = crew.kickoff()
        return result


trip_crew = TripCrew("California", "Tokyo", "Dec 12 - Dec 20", "sports")
result = trip_crew.run()

print("Resultado da equipe:", result)

Consulte a Documentação de Tracing do MLflow para mais configurações e casos de uso.

Visualize as atividades dos Agents

Agora os traces dos seus agentes crewAI estão sendo capturados pelo MLflow. Vamos acessar o servidor de tracking do MLflow para visualizar os traces e obter insights dos seus Agents.Abra 127.0.0.1:5000 em seu navegador para acessar o servidor de tracking do MLflow.

​Visão Geral do MLflow

​Funcionalidades

​Instruções de Configuração

Visão Geral do MLflow

Funcionalidades

Instruções de Configuração