 实战指南)
本文档介绍如何利用LangChain的环境变量机制，实现零代码侵入的 LangSmith 自动追踪。
1. 核心原理
LangChain 框架内置了对 LangSmith 的支持。你不需要在代码里显式初始化 Client 或写日志，只需设置一个环境变量开关：
LANGCHAIN_TRACING_V2=true只要这个开关打开，你的所有 Chain、LLM、Retriever 的运行细节都会被自动发送到 LangSmith 云端。
2. 环境配置
确保你的.env文件包含以下核心配置：
# 1. 总开关 (必须 true) LANGCHAIN_TRACING_V2=true # 2. 身份认证 (你的 Key) LANGCHAIN_API_KEY="ls__xxxxxx" # 3. 区域端点 (如果你是 EU 账号，必须加这行；US 账号不用加) # LANGCHAIN_ENDPOINT="https://eu.api.smith.langchain.com" # 4. 项目名称 (可选，如果不填，默认存入 "default" 项目) # LANGCHAIN_PROJECT="Mydemo"3. 实战演示
我们已经准备好了一个测试脚本：src/examples/trace_demo.py。
代码一览
这个脚本非常简单，就是一个普通的 LangChain 对话链，没有任何与 LangSmith 相关的代码。
importsrc.configs.configfromlangchain_openaiimportChatOpenAIfromlangchain_core.promptsimportChatPromptTemplatefromlangchain_core.output_parsersimportStrOutputParserfromsrc.llm.gemini_chat_modelimportget_gemini_llm# 1. 确保环境变量已加载 (.env)# 必须包含:# LANGCHAIN_TRACING_V2=true# LANGCHAIN_API_KEY=...# 2. 定义一个简单的链prompt=ChatPromptTemplate.from_template("请用{language}写一首关于{topic}的四行诗。")model=get_gemini_llm()parser=StrOutputParser()chain=prompt|model|parser# 3. 运行链# 这次运行会自动被 LangSmith 记录，因为环境变量开关已打开print("正在生成诗歌...")response=chain.invoke({"language":"中文","topic":"人工智能"})print("\n=== 生成结果 ===")print(response)print("==================")print("请去 LangSmith 控制台查看本次运行的 Trace 详情。")运行脚本
在终端执行：
python src/examples/trace_demo.py4. 如何查看 Trace Report (追踪报告)
脚本运行结束后，请按照以下步骤查看“上帝视角”的运行记录：
登录控制台：访问 LangSmith (EU) 或 LangSmith (US)。
进入项目：
- 在左侧侧边栏，点击Projects (项目)图标。
- 点击列表中的“default”(如果你没设置
LANGCHAIN_PROJECT变量)。
查看 Trace：
- 你会看到列表中最新出现的一行记录，Name 列通常显示为
RunnableSequence或ChatOpenAI。 - 点击这行记录。
- 你会看到列表中最新出现的一行记录，Name 列通常显示为
深度透视：
在右侧弹出的详情页中，你可以看到完整的调用链路树。
Prompt: 点击
ChatPromptTemplate节点，查看填入变量后的完整提示词。LLM: 点击
ChatOpenAI节点，查看发给 API 的原始 Payload 和 Token 消耗。Output: 查看最终输出结果和耗时。
看到的数据价值
- Latency (耗时): 哪个步骤拖慢了速度？
- Token Usage: 这次问答花了多少钱？
- Debug: 模型到底是因为 Prompt 没写好，还是逻辑错了？
总结
Zero Code Instrumentation (零代码插桩)是 LangSmith 最强大的特性之一。你只管写业务逻辑，监控和日志交给环境变量去处理。
 v14.6)
