https://api.novita.ai/openai) können Sie Prompts, Antworten, Latenz, Token-Nutzung und Modellmetadaten in MLflow erfassen.

Voraussetzungen
Bevor Sie beginnen, stellen Sie sicher, dass Sie Folgendes haben:- Novita-AI-API-Schlüssel: Erstellen Sie einen in Key Management.
- Einen laufenden MLflow-Tracking-Server. Sie können den lokalen Standard
http://localhost:5000verwenden. - Python- oder JavaScript-Laufzeitumgebung.
Integrationsschritte
Schritt 1: Abhängigkeiten installieren
Schritt 2: MLflow-Server starten
Wenn Sie eine lokale Python-Umgebung >= 3.10 haben, können Sie MLflow starten mit:http://localhost:5000, um zu bestätigen, dass die MLflow-UI erreichbar ist.
Schritt 3: Tracing aktivieren und Novita AI aufrufen
Schritt 4: Traces in der MLflow-UI anzeigen
Öffnen Sie Ihre MLflow-UI (zum Beispielhttp://localhost:5000) und gehen Sie zu Ihrem konfigurierten Experiment, um Traces zu prüfen.
Sie sollten Folgendes sehen:
- Prompt- und Completion-Inhalte
- Latenz und Token-Nutzung
- Modell- und Anfrage-Metadaten
- Errors/exceptions (falls vorhanden)
Schritt 5: Referenzen für erweitertes Tracing
Streaming und Async
MLflow unterstützt Tracing für Streaming- und Async-Novita-AI-APIs. Siehe:Mit Frameworks oder manuellem Tracing kombinieren
- MLflow-Novita-AI-Integrationsseite: Tracing Novita AI
- MLflow-OpenAI-Tracing-Dokumentation: OpenAI Tracing
- Novita LLM API-Leitfaden: LLM API