> ## Documentation Index > Fetch the complete documentation index at: https://wb-21fd5541-docs-hivemind-launch.mintlify.site/llms.txt > Use this file to discover all available pages before exploring further. # LiteLLM > Suivre et consigner automatiquement les appels LLM effectués via LiteLLM Ouvrir dans Colab Weave suit et consigne automatiquement les appels LLM effectués via LiteLLM, une fois `weave.init()` exécuté.
## Traces
Il est important de stocker les traces des applications LLM dans une base de données centrale, aussi bien pendant le développement qu’en Production. Vous utiliserez ces traces pour le débogage, ainsi que comme jeu de données pour vous aider à améliorer votre application. > **Remarque :** Lorsque vous utilisez LiteLLM, veillez à importer la bibliothèque avec `import litellm` et à appeler la fonction de complétion avec `litellm.completion()` plutôt que `from litellm import completion`. Cela garantit que toutes les fonctions et tous les paramètres sont correctement référencés. Weave capture automatiquement les traces pour LiteLLM. Vous pouvez utiliser la bibliothèque comme d’habitude. Commencez par appeler `weave.init()` : ```python lines {4} theme={null} import litellm import weave weave.init("weave_litellm_integration") openai_response = litellm.completion( model="gpt-3.5-turbo", messages=[{"role": "user", "content": "Translate 'Hello, how are you?' to French"}], max_tokens=1024 ) print(openai_response.choices[0].message.content) claude_response = litellm.completion( model="claude-3-5-sonnet-20240620", messages=[{"role": "user", "content": "Translate 'Hello, how are you?' to French"}], max_tokens=1024 ) print(claude_response.choices[0].message.content) ``` Weave va désormais suivre et consigner tous les appels LLM effectués via LiteLLM. Vous pouvez consulter les traces dans l’interface web de Weave.
## Utiliser vos propres ops
Les ops Weave rendent les résultats reproductibles grâce à la gestion automatique des versions du code au fil de vos expériences, et elles capturent leurs entrées et sorties. Créez simplement une fonction décorée avec `@weave.op()` qui appelle la fonction de complétion de LiteLLM, et Weave suivra pour vous les entrées et les sorties. Voici un exemple : ```python lines {4,6} theme={null} import litellm import weave weave.init("weave_litellm_integration") @weave.op() def translate(text: str, target_language: str, model: str) -> str: response = litellm.completion( model=model, messages=[{"role": "user", "content": f"Translate '{text}' to {target_language}"}], max_tokens=1024 ) return response.choices[0].message.content print(translate("Hello, how are you?", "French", "gpt-3.5-turbo")) print(translate("Hello, how are you?", "Spanish", "claude-3-5-sonnet-20240620")) ```
## Créez un `Model` pour expérimenter plus facilement
Il est difficile d’organiser ses expérimentations lorsqu’il y a de nombreuses composantes. En utilisant la classe `Model`, vous pouvez consigner et structurer les détails expérimentaux de votre application, comme le prompt système ou le modèle que vous utilisez. Cela facilite l’organisation et la comparaison des différentes itérations de votre application. En plus de la gestion des versions du code et de la capture des entrées/sorties, les Models enregistrent des paramètres structurés qui contrôlent le comportement de votre application, ce qui permet d’identifier facilement les paramètres les plus efficaces. Vous pouvez également utiliser les Weave Models avec `serve` et les Évaluations. Dans l’exemple ci-dessous, vous pouvez tester différents modèles et différentes températures : ```python lines {4,6,10} theme={null} import litellm import weave weave.init('weave_litellm_integration') class TranslatorModel(weave.Model): model: str temperature: float @weave.op() def predict(self, text: str, target_language: str): response = litellm.completion( model=self.model, messages=[ {"role": "system", "content": f"You are a translator. Translate the given text to {target_language}."}, {"role": "user", "content": text} ], max_tokens=1024, temperature=self.temperature ) return response.choices[0].message.content # Créer des instances avec différents modèles gpt_translator = TranslatorModel(model="gpt-3.5-turbo", temperature=0.3) claude_translator = TranslatorModel(model="claude-3-5-sonnet-20240620", temperature=0.1) # Utiliser différents modèles pour la traduction english_text = "Hello, how are you today?" print("GPT-3.5 Translation to French:") print(gpt_translator.predict(english_text, "French")) print("\nClaude-3.5 Sonnet Translation to Spanish:") print(claude_translator.predict(english_text, "Spanish")) ```
## Appels de fonction
LiteLLM prend en charge les appels de fonction pour les modèles compatibles. Weave suivra automatiquement ces appels de fonction. ```python lines {4} theme={null} import litellm import weave weave.init("weave_litellm_integration") response = litellm.completion( model="gpt-3.5-turbo", messages=[{"role": "user", "content": "Translate 'Hello, how are you?' to French"}], functions=[ { "name": "translate", "description": "Translate text to a specified language", "parameters": { "type": "object", "properties": { "text": { "type": "string", "description": "The text to translate", }, "target_language": { "type": "string", "description": "The language to translate to", } }, "required": ["text", "target_language"], }, }, ], ) print(response) ``` Nous capturons automatiquement les fonctions que vous avez utilisées dans le prompt et en conservons les différentes versions. [litellm.gif](https://wandb.ai/a-sh0ts/weave_litellm_integration/weave/calls)