Skip to main content
MLflow 是一个多功能的开源平台，用于管理机器学习和生成式 AI 生命周期中的工作流和制品。它内置了与许多流行 AI 和 ML 库的集成，但也可以与任何库、算法或部署工具一起使用。
MLflow 的 LangChain 集成 提供以下功能：
  • 追踪：只需一行代码 (mlflow.langchain.autolog()) 即可可视化数据在 LangChain 组件中的流动。
  • 实验跟踪：记录来自 LangChain 运行的制品、代码和指标。
  • 模型管理：对 LangChain 应用程序进行版本控制和部署，并跟踪依赖关系。
  • 评估：衡量 LangChain 应用程序的性能。
注意：MLflow 追踪功能在 MLflow 2.14.0 及更高版本中可用。 本简短指南重点介绍 MLflow 针对 LangChain 和 LangGraph 应用程序的追踪功能。您将了解如何通过一行代码启用追踪，并查看应用程序的执行流程。有关 MLflow 其他功能的信息以及探索更多教程，请参阅 LangChain 的 MLflow 文档。如果您是 MLflow 新手，请查看 MLflow 入门指南。

​
设置

要开始使用 MLflow 追踪 LangChain，请安装 MLflow Python 包。我们还将使用 langchain-openai 包。 
pip install mlflow langchain-openai langgraph -qU
接下来，设置 MLflow 跟踪 URI 和 OpenAI API 密钥。 
import os

# 如果您运行了 MLflow 跟踪服务器，请设置 MLflow 跟踪 URI
os.environ["MLFLOW_TRACKING_URI"] = ""
os.environ["OPENAI_API_KEY"] = ""

​
MLflow 追踪

MLflow 的追踪功能帮助您可视化 LangChain 应用程序的执行流程。以下是启用方法。 
import mlflow

# 可选：设置一个实验来组织您的追踪
mlflow.set_experiment("LangChain MLflow Integration")

# 启用追踪
mlflow.langchain.autolog()

​
示例：追踪 LangChain 应用程序

这是一个展示 MLflow 与 LangChain 追踪的完整示例： 
import mlflow
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

# 启用 MLflow 追踪
mlflow.langchain.autolog()

# 创建一个简单的链
llm = ChatOpenAI(model_name="gpt-5.4")

prompt = ChatPromptTemplate.from_messages(
    [
        (
            "system",
            "You are a helpful assistant that translates {input_language} to {output_language}.",
        ),
        ("human", "{input}"),
    ]
)

chain = prompt | llm | StrOutputParser()

# 运行链
result = chain.invoke(
    {
        "input_language": "English",
        "output_language": "German",
        "input": "I love programming.",
    }
)
要查看追踪，请在终端中运行 mlflow ui 并导航到 MLflow UI 中的“追踪”选项卡。

​
示例：追踪 LangGraph 应用程序

MLflow 也支持追踪 LangGraph 应用程序： 
import mlflow
from langchain.tools import tool
from langchain.agents import create_agent


# 启用 MLflow 追踪
mlflow.langchain.autolog()


# 定义一个工具
@tool
def count_words(text: str) -> str:
    """Counts the number of words in a text."""
    word_count = len(text.split())
    return f"This text contains {word_count} words."


# 创建一个 LangGraph 代理
llm = ChatOpenAI(model="gpt-5.4")
tools = [count_words]
graph = create_agent(llm, tools)

# 运行代理
result = graph.invoke(
    {"messages": [{"role": "user", "content": "Write me a 71-word story about a cat."}]}
)
要查看追踪，请在终端中运行 mlflow ui 并导航到 MLflow UI 中的“追踪”选项卡。

​
资源

有关将 MLflow 与 LangChain 结合使用的更多信息，请访问：
将这些文档 通过 MCP 连接到 Claude、VSCode 等，以获取实时答案。
在 GitHub 上编辑此页面 或 提交问题。