별도 설정 없이 Weave에서 OpenAI 모델을 사용해 실험해 보고 싶으신가요? LLM 플레이그라운드를 사용해 보세요. weave.init(<project-name>)를 호출해 캡처를 시작하세요. OpenAI는 임포트하는 시점과 관계없이 자동으로 패치됩니다.
weave.init()를 호출할 때 W&B 팀을 지정하지 않으면 기본 entity가 사용됩니다. 기본 entity를 확인하거나 업데이트하려면 W&B Models 문서의 User Settings를 참고하세요.
자동 패치
Weave는 weave.init() 호출 전후와 관계없이 OpenAI를 자동으로 패치합니다.
from openai import OpenAI
import weave
weave.init('emoji-bot') # OpenAI가 자동으로 패치됩니다!
client = OpenAI()
response = client.chat.completions.create(
model="gpt-4",
messages=[
{
"role": "system",
"content": "You are AGI. You will be provided with a message, and your task is to respond using emojis only."
},
{
"role": "user",
"content": "How are you?"
}
]
)
import weave
weave.init('emoji-bot')
weave.integrations.patch_openai() # OpenAI 추적 활성화
from openai import OpenAI
client = OpenAI()
response = client.chat.completions.create(
model="gpt-4",
messages=[
{"role": "user", "content": "Make me a emoji"}
]
)
from openai import OpenAI
from pydantic import BaseModel
import weave
class UserDetail(BaseModel):
name: str
age: int
client = OpenAI()
weave.init('extract-user-details')
completion = client.beta.chat.completions.parse(
model="gpt-4o-2024-08-06",
messages=[
{"role": "system", "content": "Extract the user details from the message."},
{"role": "user", "content": "My name is David and I am 30 years old."},
],
response_format=UserDetail,
)
user_detail = completion.choices[0].message.parsed
print(user_detail)
from openai import AsyncOpenAI
import weave
client = AsyncOpenAI()
weave.init('async-emoji-bot')
async def call_openai():
response = await client.chat.completions.create(
model="gpt-4",
messages=[
{
"role": "system",
"content": "You are AGI. You will be provided with a message, and your task is to respond using emojis only."
},
{
"role": "user",
"content": "How are you?"
}
]
)
return response
# 비동기 함수를 호출합니다
result = await call_openai()
from openai import OpenAI
import weave
client = OpenAI()
weave.init('streaming-emoji-bot')
response = client.chat.completions.create(
model="gpt-4",
messages=[
{
"role": "system",
"content": "You are AGI. You will be provided with a message, and your task is to respond using emojis only."
},
{
"role": "user",
"content": "How are you?"
}
],
stream=True
)
for chunk in response:
print(chunk.choices[0].delta.content or "", end="")
from openai import OpenAI
import weave
client = OpenAI()
weave.init('function-calling-bot')
tools = [
{
"type": "function",
"function": {
"name": "get_weather",
"description": "Get the weather in a given location",
"parameters": {
"type": "object",
"properties": {
"location": {
"type": "string",
"description": "The location to get the weather for"
},
"unit": {
"type": "string",
"enum": ["celsius", "fahrenheit"],
"description": "The unit to return the temperature in"
}
},
"required": ["location"]
}
}
}
]
response = client.chat.completions.create(
model="gpt-4",
messages=[
{
"role": "user",
"content": "What's the weather like in New York?"
}
],
tools=tools
)
print(response.choices[0].message.tool_calls)
from openai import OpenAI
import weave
client = OpenAI()
weave.init('batch-processing')
# 배치 파일 생성
batch_input = [
{
"custom_id": "request-1",
"method": "POST",
"url": "/v1/chat/completions",
"body": {
"model": "gpt-4",
"messages": [{"role": "user", "content": "Hello, how are you?"}]
}
},
{
"custom_id": "request-2",
"method": "POST",
"url": "/v1/chat/completions",
"body": {
"model": "gpt-4",
"messages": [{"role": "user", "content": "What's the weather like?"}]
}
}
]
# 배치 제출
batch = client.batches.create(
input_file_id="your-file-id",
endpoint="/v1/chat/completions",
completion_window="24h"
)
# 배치 결과 조회
completed_batch = client.batches.retrieve(batch.id)
from openai import OpenAI
import weave
client = OpenAI()
weave.init('assistant-bot')
# 어시스턴트 생성
assistant = client.beta.assistants.create(
name="Math Assistant",
instructions="You are a personal math tutor. Answer questions about math.",
model="gpt-4"
)
# 스레드 생성
thread = client.beta.threads.create()
# 스레드에 메시지 추가
message = client.beta.threads.messages.create(
thread_id=thread.id,
role="user",
content="What is 2+2?"
)
# 어시스턴트 실행
run = client.beta.threads.runs.create(
thread_id=thread.id,
assistant_id=assistant.id
)
# 어시스턴트 응답 조회
messages = client.beta.threads.messages.list(thread_id=thread.id)
비용 추적은 모든 OpenAI 모델에서 사용할 수 있으며, 최신 OpenAI 가격을 기준으로 계산됩니다.
@weave.op 데코레이터를 사용하면 OpenAI를 사용하는 맞춤형 함수도 트레이스할 수 있습니다.
from openai import OpenAI
import weave
client = OpenAI()
weave.init('custom-function-bot')
@weave.op
def generate_response(prompt: str) -> str:
response = client.chat.completions.create(
model="gpt-4",
messages=[
{
"role": "user",
"content": prompt
}
]
)
return response.choices[0].message.content
# 이 함수 호출은 트레이스됩니다
result = generate_response("Hello, how are you?")
- Weave UI에서 트레이스 보기: Weave 프로젝트로 이동해 OpenAI 호출의 트레이스를 확인합니다
- 평가 생성: 트레이스를 사용해 평가용 데이터셋을 만듭니다
- 성능 모니터링: 지연 시간, 비용 및 기타 메트릭을 추적합니다
- 문제 디버깅: 트레이스를 사용해 LLM 애플리케이션에서 어떤 일이 일어나고 있는지 파악합니다
이 주제에 대한 자세한 내용은 평가 가이드 및 모니터링 가이드를 참조하세요.
