Cohere

Weave를 사용해 Cohere Python 라이브러리를 통해 이루어진 LLM 호출을 자동으로 추적하고 로깅합니다

weave.init()가 호출되면 Weave는 Cohere Python 라이브러리를 통해 이루어진 LLM 호출을 자동으로 추적하고 로깅합니다.

​

트레이스

개발 중은 물론 프로덕션 환경에서도 LLM 애플리케이션의 트레이스를 중앙 데이터베이스에 저장하는 것이 중요합니다. 이러한 트레이스는 디버깅에 사용하고, 애플리케이션을 개선하는 데 도움이 되는 데이터셋으로도 활용할 수 있습니다.

Weave는 cohere-python의 트레이스를 자동으로 캡처합니다. 라이브러리는 평소처럼 사용하면 되며, 먼저 weave.init()를 호출해 시작하세요:

import cohere
import os
import weave

# Cohere 라이브러리를 평소처럼 사용하세요
co = cohere.Client(api_key=os.environ["COHERE_API_KEY"])

weave.init("cohere_project")

response = co.chat(
    message="How is the weather in Boston?",
    # 질문에 답하기 전에 웹 검색을 수행합니다. 자체 맞춤형 커넥터를 사용할 수도 있습니다.
    connectors=[{"id": "web-search"}],
)
print(response.text)

weave.init()를 호출할 때 W&B team을 지정하지 않으면 기본 entity가 사용됩니다. 기본 entity를 확인하거나 업데이트하려면 W&B Models 문서의 User Settings를 참고하세요.

cohere 모델의 강력한 기능 중 하나는 connectors를 사용해 엔드포인트 측에서 다른 API로 요청을 보낼 수 있다는 점입니다. 그러면 응답에는 커넥터가 반환한 문서로 연결되는 인용 요소와 함께 생성된 텍스트가 포함됩니다.

LLM Call을 추적할 수 있도록 Cohere의 Client.chat(), AsyncClient.chat(), Client.chat_stream(), AsyncClient.chat_stream() 방법을 자동으로 패치합니다.

​

자체 ops로 래핑하기

Weave ops는 실험하는 동안 코드를 자동으로 버전 관리하고 입력과 출력을 캡처하여 결과를 재현 가능하게 만듭니다. Cohere의 chat 방법을 호출하는 함수를 @weave.op()으로 데코레이션해 만들기만 하면, Weave가 입력과 출력을 추적합니다. 예시는 다음과 같습니다:

import cohere
import os
import weave

co = cohere.Client(api_key=os.environ["COHERE_API_KEY"])

weave.init("cohere_project")

@weave.op()
def weather(location: str, model: str) -> str:
    response = co.chat(
        model=model,
        message=f"How is the weather in {location}?",
        # 질문에 답하기 전에 웹 검색을 수행합니다. 맞춤형 커넥터를 사용할 수도 있습니다.
        connectors=[{"id": "web-search"}],
    )
    return response.text

print(weather("Boston", "command"))

​

더 쉽게 실험할 수 있도록 Model 만들기

구성 요소가 많아지면 실험을 체계적으로 정리하기가 어렵습니다. Model 클래스를 사용하면 시스템 프롬프트나 사용 중인 모델처럼 앱의 실험 관련 세부 정보를 담아 정리할 수 있습니다. 이렇게 하면 앱의 여러 반복 버전을 정리하고 비교하는 데 도움이 됩니다.

Model은 코드를 버전 관리하고 입력/출력을 기록하는 것에 더해, 애플리케이션의 동작을 제어하는 구조화된 매개변수도 함께 담아 어떤 매개변수가 가장 잘 작동했는지 쉽게 찾을 수 있게 해줍니다. 또한 Weave Models는 serve 및 Evaluation과 함께 사용할 수도 있습니다.

아래 예시에서는 model과 temperature를 바꿔 가며 실험할 수 있습니다. 이 둘 중 하나를 변경할 때마다 WeatherModel의 새로운 version이 생성됩니다.

import weave
import cohere
import os

weave.init('weather-cohere')

class WeatherModel(weave.Model):
    model: str
    temperature: float
  
    @weave.op()
    def predict(self, location: str) -> str:
        co = cohere.Client(api_key=os.environ["COHERE_API_KEY"])
        response = co.chat(
            message=f"How is the weather in {location}?",
            model=self.model,
            temperature=self.temperature,
            connectors=[{"id": "web-search"}]
        )
        return response.text

weather_model = WeatherModel(
    model="command",
    temperature=0.7
)
result = weather_model.predict("Boston")
print(result)