168
172

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

LLMアプリ開発の必須ツール?!Langfuseがすごい!

Last updated at Posted at 2024-04-06

2024/04/09 続編書きました。


LangChainを使って色々LLMアプリを作って遊んでいます。

  • 体感速度が遅いけど、どこが遅いかわからない
  • サンプルソースをコピペして作ったので、実は中身のことをわかってない
  • 入力と出力だけじゃなくて、中間の状態も知りたい

みたいなことってありませんか?そんなときに使えるツールを見つけましたのでご紹介します。

Langfuseとは

LangfuseはLLMエンジニアリングプラットフォームです。LLMアプリからメトリクスやトレースを取得し可視化できます。また、評価、プロンプトの管理、データセットの作成なども行えます

OSS開発が進められており、開発の主導はFinto Technologies GmbHというドイツの企業のようです。

公式サイト

主要機能(公式サイトより)

LangSmithと類似したツールですが、OSSなのでセルフホストできる点がポイントです。クラウドサービスも提供されています。

Langfuseサーバーの起動

公式ドキュメントを参考にしました。

# Clone the Langfuse repository
git clone https://github.com/langfuse/langfuse.git
cd langfuse

docker-compose.ymlが用意されています。

詳細は不明ですが、Postgresが起動直後にシャットダウンしてしまう現象が発生。
そのためPostgresのバージョンを16.1にダウングレードしました。(本日時点でlatestは16.2

  services:
    langfuse-server:
      image: ghcr.io/langfuse/langfuse:latest
      depends_on:
        - db
      ports:
        - "3000:3000"
      environment:
        - DATABASE_URL=postgresql://postgres:postgres@db:5432/postgres
        - NEXTAUTH_SECRET=mysecret
        - SALT=mysalt
        - NEXTAUTH_URL=http://localhost:3000
        - TELEMETRY_ENABLED=${TELEMETRY_ENABLED:-true}
        - NEXT_PUBLIC_SIGN_UP_DISABLED=${NEXT_PUBLIC_SIGN_UP_DISABLED:-false}
        - LANGFUSE_ENABLE_EXPERIMENTAL_FEATURES=${LANGFUSE_ENABLE_EXPERIMENTAL_FEATURES:-false}
  
    db:
-     image: postgres
+     image: postgres:16.1
      restart: always
      environment:
        - POSTGRES_USER=postgres
        - POSTGRES_PASSWORD=postgres
        - POSTGRES_DB=postgres
      ports:
        - 5432:5432
      volumes:
        - database_data:/var/lib/postgresql/data
  
  volumes:
    database_data:
      driver: local
  

起動します。

# Start the server and database
docker compose up

上記方法はあくまでローカル環境向けとなります。プロダクション利用の際はSelf-Hosting Guideを参照し、環境を構築しましょう。

Langfuseの初期設定

Web画面で設定を行います。http://localhost:3000にアクセスします。Sign upのリンクからアカウントを作成し、サインインします。

サインイン直後の画面です。Create new projectからプロジェクトを作成します。

プロジェクトの設定画面です。

API keysの部分でAPIキー(Secret KeyとPublic Key)が発行できます。後で使いますのでメモしておいてください。

最低限必要な設定は以上です。

検証用LLMアプリを作成

簡単にRAGを作成しました。

ナレッジDBを作成

iPhone15のリリース記事を持ってきました。

FaissのベクトルDBに格納し、ファイルに保存します。

参考:Faiss | 🦜️🔗 LangChain

from langchain_community.embeddings.bedrock import BedrockEmbeddings
from langchain_community.vectorstores import FAISS
from langchain_text_splitters import HTMLHeaderTextSplitter

headers_to_split_on = [
    ("h1", "Header 1"),
    ("h2", "Header 2"),
]

url = (
    "https://www.apple.com/newsroom/2023/09/apple-debuts-iphone-15-and-iphone-15-plus/"
)

html_splitter = HTMLHeaderTextSplitter(headers_to_split_on=headers_to_split_on)
docs = html_splitter.split_text_from_url(url)

embeddings = BedrockEmbeddings(model_id="amazon.titan-embed-text-v1")
db = FAISS.from_documents(docs, embeddings)

db.save_local("faiss_index")

Streamlitアプリを作成

チャット履歴付きのRAGをStreamlitで作成します。長々と書いてますが、サンプルをほぼそのまま流用です。BedrockにしてStreamlitと組み合わせたぐらいです。

参考:Add chat history | 🦜️🔗 LangChain

import uuid

import streamlit as st
from langchain.chains import create_history_aware_retriever, create_retrieval_chain
from langchain.chains.combine_documents import create_stuff_documents_chain
from langchain_community.chat_message_histories import ChatMessageHistory
from langchain_community.chat_models.bedrock import BedrockChat
from langchain_community.embeddings.bedrock import BedrockEmbeddings
from langchain_community.vectorstores import FAISS
from langchain_core.messages import AIMessage, HumanMessage
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.runnables.history import RunnableWithMessageHistory


st.title("Bedrock Claude Haiku チャット")

if "retriever" not in st.session_state:
    embeddings = BedrockEmbeddings(model_id="amazon.titan-embed-text-v1")
    db = FAISS.load_local(
        "faiss_index", embeddings, allow_dangerous_deserialization=True
    )
    retriever = db.as_retriever()
    st.session_state["retriever"] = retriever
retriever = st.session_state["retriever"]

if "llm" not in st.session_state:
    st.session_state["llm"] = BedrockChat(
        model_id="anthropic.claude-3-haiku-20240307-v1:0"
    )
llm = st.session_state["llm"]

if "session_id" not in st.session_state:
    st.session_state["session_id"] = str(uuid.uuid4())[:8]
session_id = st.session_state["session_id"]

if "history" not in st.session_state:
    st.session_state["history"] = ChatMessageHistory()
history = st.session_state["history"]


def get_session_history(session_id: str):
    return history


def create_chain():

    ### Contextualize question ###
    contextualize_q_system_prompt = """Given a chat history and the latest user question \
    which might reference context in the chat history, formulate a standalone question \
    which can be understood without the chat history. Do NOT answer the question, \
    just reformulate it if needed and otherwise return it as is."""
    contextualize_q_prompt = ChatPromptTemplate.from_messages(
        [
            ("system", contextualize_q_system_prompt),
            MessagesPlaceholder("chat_history"),
            ("human", "{input}"),
        ]
    )
    history_aware_retriever = create_history_aware_retriever(
        llm, retriever, contextualize_q_prompt
    )

    ### Answer question ###
    qa_system_prompt = """You are an assistant for question-answering tasks. \
    Use the following pieces of retrieved context to answer the question. \
    If you don't know the answer, just say that you don't know. \
    Use three sentences maximum and keep the answer concise.\

    {context}"""
    qa_prompt = ChatPromptTemplate.from_messages(
        [
            ("system", qa_system_prompt),
            MessagesPlaceholder("chat_history"),
            ("human", "{input}"),
        ]
    )
    question_answer_chain = create_stuff_documents_chain(llm, qa_prompt)

    rag_chain = create_retrieval_chain(history_aware_retriever, question_answer_chain)

    conversational_rag_chain = RunnableWithMessageHistory(
        rag_chain,
        get_session_history,
        input_messages_key="input",
        history_messages_key="chat_history",
        output_messages_key="answer",
    )

    return conversational_rag_chain


if "chain" not in st.session_state:
    st.session_state["chain"] = create_chain()

chain = st.session_state["chain"]

for h in history:
    for message in h[1]:
        if isinstance(message, AIMessage):
            with st.chat_message("AI"):
                st.write(message.content)
        if isinstance(message, HumanMessage):
            with st.chat_message("Human"):
                st.write(message.content)


if prompt := st.chat_input("質問を入力"):
    with st.chat_message("user"):
        st.markdown(prompt)

    with st.chat_message("assistant"):
        stream = chain.stream(
            {"input": prompt},
            config={
                "configurable": {"session_id": session_id},
            },
        )

        def s():
            for chunk in stream:
                if "answer" in chunk:
                    yield chunk["answer"]

        st.write_stream(s)

こんな感じになります。

チャット履歴付きのRAGが完成しました。

検証用LLMアプリにLangfuseを導入

LLMアプリからLangfuseサーバー側にトレース情報を送信する設定を行います。

LangfuseにはLangChainなどのフレームワークと簡単にインテグレーションする機能があるので、これを使用します。他にはLlamaIndex統合などもあります。

  • Import

    + # Initialize Langfuse handler
    + from langfuse.callback import CallbackHandler
    
  • CallbackHandlerを生成
    Streamlit対応のためsession_stateにセットしています。session_idは一連のチャットごとに採番するイメージです。

    + if "langfuse_handler" not in st.session_state:
    +     st.session_state["langfuse_handler"] = CallbackHandler(
    +         secret_key="sk-lf-2118d2b1-fa5e-4e1a-aa08-c1c1ab8671d9",
    +         public_key="pk-lf-ef961176-2578-4a29-8d80-0ec3a1f34d8b",
    +         host="http://localhost:3000",
    +         session_id=session_id,
    +     )
    + langfuse_handler = st.session_state["langfuse_handler"]
    
  • Chain呼び出し時にCallbackHandlerを指定

            stream = chain.stream(
                {"input": prompt},
                config={
                    "configurable": {"session_id": session_id},
    +               "callbacks": [langfuse_handler],
                },
            )
    

これで完了です。簡単ですね。

Langfuseのトレースを確認

設定後、検証用LLMアプリでメッセージを送信すると、Langfuseサーバーにトレース情報が送られます。Langfuseの画面のTracesメニューで確認できます。

  • Retrieveしている部分

  • Bedrockを呼び出している部分
    さすがClaude 3 Haikuです。3秒で結果が返ってきています。

適当にコピペして作ったので中身を把握してなかったのですが、こんなにいろいろ処理をしてたんですね😅

Sessionメニューでは1つのチャットしてのやり取りがまとめて確認できます。個々のトレースを確認したくなったら、右側のTrace IDをクリックすると画面遷移します。

Generationsメニューでは、LLM呼び出し部分だけをピックアップして一覧表示されます。レイテンシーを一覧で見れていいですね。

ダッシュボードメニューではわかりやすくグラフ表示されます。


まとめ

Langfuseいいですね。まだ紹介できていない機能がたくさんあるので、次回紹介したいと思います。
いいねとストックをしてお待ち下さい(笑)


2024/04/09 続編書きました。


168
172
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
168
172

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?