Skip to main content

Portkey

Portkey 是 AI 应用的控制面板。凭借其流行的 AI 网关和可观察性套件，数百个团队交付 可靠、成本高效 和 快速 的应用。

LangChain 的 LLMOps​

Portkey 为 LangChain 带来了生产就绪性。使用 Portkey，您可以

  • 通过统一 API 连接 150+ 个模型，
  • 查看 42+ 个 指标和日志 以获取所有请求，
  • 启用 语义缓存 以减少延迟和成本，
  • 为失败的请求实现自动 重试和回退，
  • 为请求添加 自定义标签 以便更好地跟踪和分析，以及 更多。

快速入门 - Portkey 和 LangChain​

由于 Portkey 完全兼容 OpenAI 签名，您可以通过 ChatOpenAI 接口连接到 Portkey AI 网关。

  • 将 base_url 设置为 PORTKEY_GATEWAY_URL
  • 添加 default_headers 以使用 createHeaders 辅助方法消耗 Portkey 所需的头部信息。

首先，通过 在此注册 获取您的 Portkey API 密钥。 （点击左下角的个人资料图标，然后点击“复制 API 密钥”）或在 您自己的环境中 部署开源 AI 网关。

接下来，安装 Portkey SDK

pip install -U portkey_ai

现在我们可以通过更新LangChain中的ChatOpenAI模型来连接Portkey AI网关。

from langchain_openai import ChatOpenAI
from portkey_ai import createHeaders, PORTKEY_GATEWAY_URL

PORTKEY_API_KEY = "..." # Not needed when hosting your own gateway
PROVIDER_API_KEY = "..." # Add the API key of the AI provider being used 

portkey_headers = createHeaders(api_key=PORTKEY_API_KEY,provider="openai")

llm = ChatOpenAI(api_key=PROVIDER_API_KEY, base_url=PORTKEY_GATEWAY_URL, default_headers=portkey_headers)

llm.invoke("What is the meaning of life, universe and everything?")

请求通过您的Portkey AI网关路由到指定的provider。Portkey还将开始记录您账户中的所有请求，这使得调试变得非常简单。

View logs from Langchain in Portkey

通过AI网关使用150+模型​

AI网关的强大之处在于您能够使用上述代码片段连接到20多个提供商支持的150多个模型。

让我们修改上述代码，以调用Anthropic的claude-3-opus-20240229模型。

Portkey支持**虚拟密钥**，这是一种安全存储和管理API密钥的简单方法。让我们尝试使用虚拟密钥进行LLM调用。您可以在Portkey中导航到虚拟密钥选项卡并为Anthropic创建一个新密钥。

virtual_key参数设置所使用的AI提供商的身份验证和大模型供应商。在我们的例子中，我们使用的是Anthropic虚拟密钥。

请注意，api_key可以留空，因为该身份验证将不会被使用。

from langchain_openai import ChatOpenAI
from portkey_ai import createHeaders, PORTKEY_GATEWAY_URL

PORTKEY_API_KEY = "..."
VIRTUAL_KEY = "..." # Anthropic's virtual key we copied above

portkey_headers = createHeaders(api_key=PORTKEY_API_KEY,virtual_key=VIRTUAL_KEY)

llm = ChatOpenAI(api_key="X", base_url=PORTKEY_GATEWAY_URL, default_headers=portkey_headers, model="claude-3-opus-20240229")

llm.invoke("What is the meaning of life, universe and everything?")

Portkey AI网关将对Anthropic的API请求进行身份验证，并以OpenAI格式返回响应供您使用。

AI网关扩展了LangChain的ChatOpenAI类，使其成为调用任何提供商和任何模型的单一接口。

高级路由 - 负载均衡、回退、重试​

Portkey AI 网关通过配置优先的方法为 LangChain 带来了负载均衡、回退、实验和金丝雀测试等功能。

让我们举一个例子，假设我们想要将流量在 gpt-4 和 claude-opus 之间以 50:50 的比例进行分配，以测试这两个大型模型。网关的配置如下所示：

config = {
    "strategy": {
         "mode": "loadbalance"
    },
    "targets": [{
        "virtual_key": "openai-25654", # OpenAI's virtual key
        "override_params": {"model": "gpt4"},
        "weight": 0.5
    }, {
        "virtual_key": "anthropic-25654", # Anthropic's virtual key
        "override_params": {"model": "claude-3-opus-20240229"},
        "weight": 0.5
    }]
}

然后我们可以在从 LangChain 发出的请求中使用这个配置。

portkey_headers = createHeaders(
    api_key=PORTKEY_API_KEY,
    config=config
)

llm = ChatOpenAI(api_key="X", base_url=PORTKEY_GATEWAY_URL, default_headers=portkey_headers)

llm.invoke("What is the meaning of life, universe and everything?")

当调用大型语言模型时，Portkey 将按照定义的权重比例将请求分配给 gpt-4 和 claude-3-opus-20240229。

您可以在这里找到更多配置示例。

追踪链与代理​

Portkey 的 LangChain 集成使您能够全面了解代理的运行情况。让我们举一个流行的代理工作流的例子。

我们只需修改 ChatOpenAI 类以使用上述 AI 网关。

from langchain import hub  
from langchain.agents import AgentExecutor, create_openai_tools_agent  
from langchain_openai import ChatOpenAI
from langchain_core.tools import tool
from portkey_ai import PORTKEY_GATEWAY_URL, createHeaders
 
prompt = hub.pull("hwchase17/openai-tools-agent")

portkey_headers = createHeaders(
    api_key=PORTKEY_API_KEY,
    virtual_key=OPENAI_VIRTUAL_KEY,
    trace_id="uuid-uuid-uuid-uuid"
)

@tool
def multiply(first_int: int, second_int: int) -> int:
    """Multiply two integers together."""
    return first_int * second_int
  
  
@tool  
def exponentiate(base: int, exponent: int) -> int:  
    "Exponentiate the base to the exponent power."  
    return base**exponent  
  
  
tools = [multiply, exponentiate]

model = ChatOpenAI(api_key="X", base_url=PORTKEY_GATEWAY_URL, default_headers=portkey_headers, temperature=0)
  
# Construct the OpenAI Tools agent  
agent = create_openai_tools_agent(model, tools, prompt)

# Create an agent executor by passing in the agent and tools
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

agent_executor.invoke({
    "input": "Take 3 to the fifth power and multiply that by thirty six, then square the result"
})

您可以在 Portkey 仪表板上查看请求日志及其追踪 ID： Langchain Agent Logs on Portkey

更多文档可在此查看：

您可以在此查看我们流行的开源 AI 网关 - https://github.com/portkey-ai/gateway

有关每个功能及其使用方法的详细信息，请参考 Portkey 文档。如果您有任何问题或需要进一步的帮助，请在 Twitter 上与我们联系。 或通过我们的支持邮箱。

Was this page helpful?


You can also leave detailed feedback on GitHub.

扫我，入群扫我，找书