国产成人无码国产亚洲,一本到高清中文字幕av,台湾佬中文娱乐电影网

LLM Trace字段是阿里云參考OpenTelemetry標準以及大語言模型應用領域概念制定的，通過對Attributes、Resource、Event擴展用于描述LLM應用調用鏈數據的語義，能夠反映LLM的輸入輸出請求、令牌消耗等關鍵操作。它們為Completion、Chat、RAG、Agent、Tool等場景提供了豐富的、語境相關的語義數據，以便于數據跟蹤和上報。此語義字段將隨著社區的發展而不斷更新和優化。

Span Field

Span一級字段定義及可觀測鏈路 OpenTelemetry 版底層存儲的Trace一級字段詳細說明，請參見調用鏈分析參數說明。

Attributes

下文定義的字段為LLM Trace場景的保留字段。SDK需要參考如下Key-Value字段規范，將相關數據作為Attributes附加到Span中，然后上報Span數據到服務端。

Common Attributes

說明

不區分操作類型，一次大模型QA涉及的鏈路里可以透傳或者附屬于多個Span的字段。

Attribute	類型	描述	是否必選	示例
`gen_ai.session.id`	String	會話ID	否	`"ddde34343-f93a-4477-33333-sdfsdaf"`
`gen_ai.user.id`	String	應用的C端用戶標識	否	`"u-lK8JddD" or "張三@愛茉莉.com"`
`gen_ai.span.kind`	String	操作類型詳細信息，請參見下方Span Kind	是	`"CHAIN"`
`gen_ai.framework`	String	使用的框架類型	否	`"langchain" or "llama_index" ..`

Span Kind

在大模型的實際交互場景中，往往會涉及多個操作步驟。基于LLM應用范式以及應用研發框架，目前定義了如下操作類型，這些操作類型支持擴展，不同的操作類型對應的Attributes字段會存在差異。

CHAIN：一種將LLM和其他多個組件連接在一起以實現復雜任務的工具，可能包含Retrieval、Embedding、LLM調用，還可以嵌套Chain等。
EMBEDDING：嵌入處理，例如針對文本嵌入大模型的操作，可以根據相似度查詢并優化問題。
RETRIEVER：一般表示訪問向量存儲或者數據庫獲取數據，一般用于補充上下文內容，以提升LLM的響應準確性以及效率。
RERANKER：針對輸入的多個文檔，結合提問內容判斷相關性進行排序處理，可能返回TopK的文檔作為LLM。
LLM：標識對大模型的調用，例如基于SDK或OpenAPI請求不同的大模型進行推理或者文本生成等。
TOOL：標識對外部工具的調用，例如可能調用計算器或者請求天氣API獲取最新的天氣情況。
AGENT：智能體場景，一種復雜的CHAIN，需要基于大模型的推理結果決策執行下一步，例如可能涉及到LLM以及Tool的多次調用，一步步決策得出最終答案。
Task：標識內部自定義方法，例如可能調用本地的某個Function應用自定義的邏輯。

重要

LLM相關的Span Kind不同于OpenTelemetry中Trace定義的Span kind。

CHAIN

Attribute	類型	描述	是否必選	示例
`gen_ai.span.kind`	String	操作類型	是	`"CHAIN"`
`gen_ai.span.sub_kind`	String	操作二級類型	否	`"WORKFLOW" or "TASK"`
`input.value`	String	輸入內容	是	`"Who Are You!"`
`output.value`	String	返回內容	是	`"I am ChatBot"`

EMBEDDING

Attribute	類型	描述	是否必選	示例
`gen_ai.span.kind`	String	操作類型	是	`"EMBEDDING"`
`embedding.model_name`	String	內嵌的模型名稱	否	`"text-embedding-v1"`
`gen_ai.usage.prompt_tokens`	Integer	內嵌的Token消耗	否	10
`gen_ai.usage.total_tokens`	Integer	內嵌的Token總消耗	否	10
`embedding.embeddings.0.embedding.text`	String	內嵌的文本	否	`"hello world"`
`embedding.embeddings.0.embedding.vector`	Array	由一系列浮點數組成的嵌入向量	否	`[0.123, 0.456, ...]`
`embedding.embeddings.0.embedding.vector_size`	Integer	向量長度	否	`1536`

RETRIEVER

Attribute	類型	描述	是否必選	示例
`gen_ai.span.kind`	String	操作類型	是	`"RETRIEVER"`
`retrieval.documents.0.document.id`	String	文檔的唯一標識符	是	`"2aeab544-f93a-4477-b51d-bec27351325b"`
`retrieval.documents.0.document.score`	Float	文檔相關性的得分	是	`0.98`
`retrieval.documents.0.document.content`	String	檢索到的文檔的內容	是	`"This is a sample document content."`
`retrieval.documents.0.document.metadata`	String	與文檔相關的元數據	否	{"file_path": "/dev/EasyRAG/data/laws/laws.txt", "file_name": "/dev/EasyRAG/data/laws/laws.txt", "file_type": "text/plain", "file_size": 15618, "creation_date": "2024-03-20", "last_modified_date": "2024-03-20", "last_accessed_date": null}

RERANKER

Attribute	類型	描述	是否必選	示例
`gen_ai.span.kind`	String	操作類型	是	`"RERANKER"`
`reranker.query`	String	重排器的查詢參數	否	`"How to format timestamp?"`
`reranker.model_name`	String	重排器的模型名稱	否	`"cross-encoder/ms-marco-MiniLM-L-12-v2"`
`reranker.top_k`	Integer	重排器的TopK參數	否	`3`
`reranker.input_documents.0.document.id`	String	文檔的唯一標識符	是	`"2aeab544-f93a-4477-b51d-bec27351325b"`
`reranker.input_documents.0.document.score`	Float	文檔相關性的得分	是	`0.98`
`reranker.input_documents.0.document.content`	String	檢索到的文檔的內容	是	`"This is a sample document content."`
`reranker.input_documents.0.document.metadata`	String	與文檔相關的元數據	否	{"file_path": "/dev/EasyRAG/data/laws/laws.txt", "file_name": "/dev/EasyRAG/data/laws/laws.txt", "file_type": "text/plain", "file_size": 15618, "creation_date": "2024-03-20", "last_modified_date": "2024-03-20","last_accessed_date": null}
`reranker.output_documents.0.document.id`	String	文檔的唯一標識符	是	`"2aeab544-f93a-4477-b51d-bec27351325b"`
`reranker.output_documents.0.document.score`	Float	文檔相關性的得分	是	`0.98`
`reranker.output_documents.0.document.content`	String	檢索到的文檔的內容	是	`"This is a sample document content."`
`reranker.output_documents.0.document.metadata`	String	與文檔相關的元數據	否	{"file_path": "/dev/EasyRAG/data/laws/laws.txt", "file_name": "/dev/EasyRAG/data/laws/laws.txt", "file_type": "text/plain", "file_size": 15618, "creation_date": "2024-03-20", "last_modified_date": "2024-03-20","last_accessed_date": null}

LLM

Attribute	類型	描述	是否必選	示例
`gen_ai.span.kind`	String	操作類型	是	`"LLM"`
`gen_ai.span.sub_kind`	String	操作二級類型	否	`"CHAT" or "COMPLETION"`
`gen_ai.prompt_template.template`	String	用于生成Prompts的模板，它以Python的f-string形式存在	否	`"Weather forecast for {city} on {date}"`
`gen_ai.prompt_template.variables`	String	一組以JSON格式表示的鍵值對，這些鍵值對被用于填充一個先前定義的Prompt模板	否	`{ context: "<context from retrieval>", subject: "math" }`
`gen_ai.prompt_template.version`	String	提示模板的版本號	否	`"1.0"`
`gen_ai.system`	String	大模型的提供商	是	`"OPENAI"`
`gen_ai.request.parameters`	String	調用LLM或API時使用的參數	是	`{"temperature": 0.7}"`
`gen_ai.model_name`	String	LLM的名稱	是	`"gpt-4"`
`gen_ai.request.model`	String	請求所指向的LLM的名稱	是	`"gpt-4"`
`gen_ai.request.max_tokens`	Integer	LLM為一個請求生成的最大令牌數	否	`100`
`gen_ai.request.temperature`	Float	LLM請求的溫度設置	否	`0.1`
`gen_ai.request.top_p`	Float	LLM請求的top_p采樣設置	否	`1`
`gen_ai.request.is_stream`	Boolean	LLM是否以stream的形式響應	否	`false`
`gen_ai.request.stop_sequences`	Array	LLM用作停止序列的字符串數組	否	`"stop"`
`gen_ai.request.tool_calls`	Array	LLM生成的工具調用（例如函數調用）列表	否	`[{"tool_call.function.name": "get_current_weather"}]`
`gen_ai.response.model`	String	生成響應的LLM的名稱	否	`"gpt-4-0613"`
`gen_ai.response.finish_reason`	String	模型停止生成令牌的原因，對應于收到的每一次生成	否	`"stop"`
`gen_ai.prompts.0.content`	String	提示內容	是	`"中國的首都是哪個城市?"`
`gen_ai.prompts.0.message.role`	String	消息中實體的角色（例如用戶、系統）	是	`"user" or "system"`
`gen_ai.prompts.0.message.content`	String	聊天中消息的內容	是	`"What's the weather today?"`
`input.value`	String	API請求傳參內容，一般為JSON格式	是	`"Who Are You!"`
`gen_ai.completions.0.content`	String	補全場景：從LLM收到的完整響應	是	`"中國的首都是北京"`
`gen_ai.completions.0.message.role`	String	Chat場景：消息中實體的角色（例如助手）	是	`"assistant"`
`gen_ai.completions.0.message.content`	String	Chat場景：聊天中消息的內容	是	`"聊天內容1"`
`gen_ai.completions.0.message.tool_calls`	Array	Chat場景：LLM生成的工具調用（例如函數調用）列表	否	`[{"tool_call.function.name": "get_current_weather"}]`
`output.value`	String	API返回的完整內容，一般為JSON格式，可以提取關鍵字段，例如token_usage等	是	`"I am ChatBot"`
`gen_ai.usage.prompt_tokens`	Integer	Prompt中的令牌數量	是	`100`
`gen_ai.usage.completion_tokens`	Integer	Completion中的令牌數量	是	`200`
`gen_ai.usage.total_tokens`	Integer	總令牌數量，包括Prompt和Completion	是	`300`

TOOL

Attribute	類型	描述	是否必選	示例
`gen_ai.span.kind`	String	操作類型	是	`"TOOL"`
`tool.name`	String	工具名稱	是	`"WeatherAPI"`
`tool.description`	String	工具描述	是	`"An API to get weather data."`
`tool.parameters`	String	工具參數	是	`"{'a': 'int' }"`

AGENT

Attribute	類型	描述	是否必選	示例
`gen_ai.span.kind`	String	操作類型	是	`"AGENT"`
`input.value`	String	輸入內容	是	`"請幫我規劃xxxx!"`
`input.mime_type`	String	輸入MIME TYPE	否	`"text/plain" or "application/json"`
`output.value`	String	返回結果	是	`"規劃結束，請查看結果xxx"`
`output.mime_type`	String	返回MIME Type	否	`"text/plain" or "application/json"`

日本熟妇hd丰满老熟妇,中文字幕一区二区三区在线不卡 ,亚洲成片在线观看,免费女同在线一区二区

LLM Trace字段定義說明