# 例如 us-east-1 或 us-west-2
```
## 配置追踪
设置好环境变量后，你可以通过使用 LangSmith 的 `@traceable` 装饰器（Python）或 `traceable` 函数（TypeScript）包装你的调用函数来追踪 Bedrock 模型调用。
以下示例演示了如何将 Bedrock 对话 API 与 LangSmith 追踪结合使用。对话 API 是 AWS 推荐的基础模型统一接口，为不同模型提供商提供一致的请求和响应处理。你可以使用自定义标签和元数据增强追踪信息——标签帮助你分类追踪（例如，按环境、功能或测试类型），而元数据允许你附加任意键值对以提供详细上下文：
```python Python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
import boto3
from langsmith import traceable
# 初始化 Bedrock 运行时客户端（确保已设置 AWS 凭证和区域）
bedrock = boto3.client("bedrock-runtime", region_name="us-east-1")
model_id = "anthropic.claude-haiku-4-5-20251001-v1:0" # 示例 Bedrock 模型 ID
# 装饰模型调用函数以自动捕获带有标签/元数据的追踪信息
@traceable(tags=["aws-bedrock", "langsmith", "integration-test"],
metadata={"env": "dev", "model_provider": "bedrock", "model_id": "claude-3-haiku"})
def generate_text(prompt: str) -> str:
# 为对话 API 准备单轮对话输入
messages = [
{"role": "user", "content": [{"text": prompt}]}
]
# 使用统一的对话 API 调用 Bedrock 模型
response = bedrock.converse(
modelId=model_id,
messages=messages,
inferenceConfig={"maxTokens": 512, "temperature": 0.5, "topP": 0.9}
)
# 从响应中提取模型的回复文本
output_text = response["output"]["message"]["content"][0]["text"]
return output_text
# 使用提示词调用被追踪的函数
result = generate_text("如何将 AWS Bedrock 模型输出追踪到 LangSmith 以进行调试？")
print(result)
```
```typescript TypeScript theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
import { BedrockRuntimeClient, ConverseCommand } from "@aws-sdk/client-bedrock-runtime";
import { traceable } from "langsmith";
const client = new BedrockRuntimeClient({ region: "us-east-1" });
const modelId = "anthropic.claude-haiku-4-5-20251001-v1:0";
// 将 Bedrock 调用包装在带有标签和元数据的可追踪函数中
const invokeBedrock = traceable(
async (userInput: string) => {
// 为 Bedrock 对话 API 准备对话消息
const conversation = [
{ role: "user", content: [{ text: userInput }] }
];
// 创建并发送 Bedrock 对话命令（单轮聊天）
const command = new ConverseCommand({
modelId,
messages: conversation,
inferenceConfig: { maxTokens: 512, temperature: 0.5, topP: 0.9 }
});
const response = await client.send(command);
// 从响应中提取助手的回复文本
const outputText = response.output?.message?.content[0]?.text;
return outputText;
},
{
tags: ["aws-bedrock", "langsmith", "integration-test"],
metadata: { env: "dev", model_provider: "bedrock", model_id: "claude-3-haiku" }
}
);
// 使用提示词调用被追踪的函数
const answer = await invokeBedrock("如何将 AWS Bedrock 模型输出追踪到 LangSmith 以进行调试？");
console.log(answer);
```
* `boto3.client("bedrock-runtime")` 创建一个 Bedrock 运行时客户端。
* `converse` 方法将聊天提示（作为消息列表）发送到指定模型并返回结构化响应。
* `generate_text` 函数使用 `@traceable` 装饰器装饰，将每次调用作为追踪记录到 LangSmith（使用函数名作为默认追踪名称）。
* 自定义标签（`aws-bedrock`、`langsmith`、`integration-test`）和元数据（环境、模型信息）被传递给装饰器并附加到追踪记录，以便在 LangSmith UI 中进行筛选。
* 当你运行此代码（设置 `LANGSMITH_TRACING=true` 并配置好 API 密钥）时，LangSmith 会自动捕获输入提示、模型输出、令牌使用量和延迟。
* AWS SDK v3 中的 `BedrockRuntimeClient` 提供 Bedrock 运行时接口。
* `ConverseCommand` 提供统一的聊天接口，发送用户消息并以结构化格式返回助手响应（无需手动解析 JSON）。
* Bedrock 调用被 LangSmith 的 `traceable` 函数包装，将 `invokeBedrock` 转换为追踪函数，将其执行记录到 LangSmith。
* 自定义标签和元数据在 traceable 选项对象中提供，并附加到每个追踪记录。
* 当你运行此脚本（设置 `LANGSMITH_TRACING=true` 并配置好 API 密钥）时，请检查你的 LangSmith 仪表板以查看包含输入提示、模型输出、计时信息和指定标签/元数据的追踪条目。
## 在 LangSmith 中查看追踪信息
运行代码后，导航至你的 LangSmith 项目 [smith.langchain.com](https://smith.langchain.com) 查看追踪信息。每条追踪记录包括：
* **请求详情**：输入消息、模型参数和配置
* **响应详情**：模型输出、令牌使用量和响应元数据
* **性能指标**：延迟、每秒令牌数和成本估算
* **自定义元数据**：你提供给 `@traceable` 装饰器的标签和元数据
你可以按标签（例如 `aws-bedrock` 或 `integration-test`）筛选追踪信息，按元数据字段搜索，或深入特定追踪记录以调试问题。
## 后续步骤
* 了解更多关于 [LangSmith 功能](/langsmith) 的信息，包括评估、数据集和反馈
* 探索 [Bedrock 模型功能](https://docs.aws.amazon.com/bedrock/latest/userguide/models-features.html)，如工具调用、流式传输和提示缓存
* 查阅 [LangChain Bedrock 集成文档](/oss/python/integrations/chat/bedrock) 了解高级功能，如扩展思考和引用
***
[将这些文档](/use-these-docs) 通过 MCP 连接到 Claude、VSCode 等，以获取实时答案。
[在 GitHub 上编辑此页面](https://github.com/langchain-ai/docs/edit/main/src/langsmith/trace-bedrock.mdx) 或 [提交问题](https://github.com/langchain-ai/docs/issues/new/choose)。