Трассировка базовых моделей Databricks

Трассировка MLflow предоставляет возможность автоматической трассировки для моделей Databricks Foundation. Так как модели Databricks Foundation используют API, совместимый с OpenAI, вы можете включить автоматическую трассировку, вызвав функцию mlflow.openai.autolog, и MLflow будет фиксировать трассы вызовов LLM и записывать их в активный эксперимент MLflow.

import mlflow

mlflow.openai.autolog()

Трассировка MLflow автоматически записывает следующие сведения о вызовах Databricks Foundation Model:

• Запросы и результаты выполнения
• Задержки
• Имя модели и конечная точка
• Дополнительные метаданные, такие как temperature, max_tokensесли задано
• Вызов функции, если она возвращается в рамках ответа
• Любое исключение, если оно возникнет

Предпосылки

Чтобы использовать трассировку MLflow с моделями Databricks Foundation, необходимо установить MLflow и пакет SDK OpenAI (так как модели Databricks Foundation используют API, совместимый с OpenAI).

Развитие

Для сред разработки установите полный пакет MLflow с дополнительными компонентами Databricks и пакетом SDK OpenAI:

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

Полный mlflow[databricks] пакет включает все функции для локальной разработки и экспериментирования в Databricks.

Производство

Для рабочих развертываний установите mlflow-tracing и пакет SDK OpenAI:

pip install --upgrade mlflow-tracing openai

Пакет mlflow-tracing оптимизирован для использования в рабочей среде.

Перед выполнением примеров необходимо настроить среду:

Для пользователей вне ноутбуков Databricks: задайте переменные среды Databricks:

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

Для пользователей записных книжек Databricks: эти учетные данные устанавливаются автоматически.

Поддерживаемые API

MLflow поддерживает автоматическую трассировку для следующих API модели Databricks Foundation:

Чтобы запросить поддержку дополнительных API, откройте запрос на функцию на сайте GitHub.

Базовый пример

import mlflow
import os
from openai import OpenAI

# Databricks Foundation Model APIs use Databricks authentication.

# Enable auto-tracing for OpenAI (which will trace Databricks Foundation Model API calls)
mlflow.openai.autolog()

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

# Create OpenAI client configured for Databricks
client = OpenAI(
    api_key=os.environ.get("DATABRICKS_TOKEN"),
    base_url=f"{os.environ.get('DATABRICKS_HOST')}/serving-endpoints"
)

messages = [
    {
        "role": "user",
        "content": "What is the capital of France?",
    }
]

response = client.chat.completions.create(
    model="databricks-llama-4-maverick",
    messages=messages,
    temperature=0.1,
    max_tokens=100,
)

Стриминг

Трассировка MLflow поддерживает API потоковой передачи моделей Databricks Foundation. При той же настройке автоматической трассировки MLflow автоматически отслеживает ответ потоковой передачи и отрисовывает объединенные выходные данные в пользовательском интерфейсе диапазона.

import mlflow
import os
from openai import OpenAI

# Enable auto-tracing for OpenAI (which will trace Databricks Foundation Model API calls)
mlflow.openai.autolog()

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

# Create OpenAI client configured for Databricks
client = OpenAI(
    api_key=os.environ.get("DATABRICKS_TOKEN"),
    base_url=f"{os.environ.get('DATABRICKS_HOST')}/serving-endpoints"
)

stream = client.chat.completions.create(
    model="databricks-llama-4-maverick",
    messages=[
        {"role": "user", "content": "Explain the benefits of using Databricks Foundation Models"}
    ],
    stream=True,  # Enable streaming response
)

for chunk in stream:
    print(chunk.choices[0].delta.content or "", end="")

Вызов функции

Трассировка MLflow автоматически фиксирует ответ на вызовы функций из моделей Databricks Foundation. Инструкция функции в ответе будет выделена в интерфейсе трассировки. Более того, можно аннотировать функцию инструмента с помощью декоратора @mlflow.trace, чтобы создать область для выполнения инструмента.

В следующем примере реализован простой агент вызова функции с помощью моделей Databricks Foundation и трассировки MLflow.

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

# Enable auto-tracing for OpenAI (which will trace Databricks Foundation Model API calls)
mlflow.openai.autolog()

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

# Create OpenAI client configured for Databricks
client = OpenAI(
    api_key=os.environ.get("DATABRICKS_TOKEN"),
    base_url=f"{os.environ.get('DATABRICKS_HOST')}/serving-endpoints"
)

# 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="databricks-llama-4-maverick",
        messages=messages,
        tools=tools,
    )
    ai_msg = response.choices[0].message

    # If the model requests 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,
                }
            )

        # Send the tool results to the model and get a new response
        response = client.chat.completions.create(
            model="databricks-llama-4-maverick", 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)

Доступные модели

Databricks Foundation Models предоставляет доступ к разнообразным передовым моделям, включая Llama, Anthropic и другие ведущие базовые модели.

Полный и наиболее up-toсписок доступных моделей и их идентификаторов моделей см. в документации по Databricks Foundation Models.

Отключение автоматической трассировки

Автоматическая трассировка для моделей Databricks Foundation может быть отключена в глобальном масштабе путем вызова mlflow.openai.autolog(disable=True) или mlflow.autolog(disable=True).