MLflow 跟踪通过捕获执行详细信息并将其发送到 Databricks 工作区，可在其中在 MLflow UI 中查看它们，为 Databricks 外部部署的生产 GenAI 代理提供全面的可观测性。
本页介绍如何在启用了跟踪的 Databricks 外部部署代理。 如果使用 Databricks 模型服务部署代理，请参阅使用 Agent Framework 进行部署（建议）。
先决条件
安装所需程序包。 下表描述了你的选项：
| Package | 建议的用例 | 优点 |
|---|---|---|
mlflow-tracing
Python SDK 或 TypeScript SDK |
生产部署 | 为了精简和快速部署，依赖极小 针对性能进行了优化，以实现大批量跟踪 专注于用于生产监控的客户端跟踪 |
mlflow[databricks] |
开发和试验 | 完整的 MLflow 试验功能集（UI、以 LLM 为准、开发工具等） 包括所有开发工具和实用工具 |
## Install mlflow-tracing for production deployment tracing
%pip install --upgrade mlflow-tracing
## Install mlflow for experimentation and development
%pip install --upgrade "mlflow[databricks]>=3.1"
基本跟踪设置
将您的应用程序部署配置为连接到 Databricks 工作区，以便 Databricks 可以收集跟踪数据。
配置以下环境变量：
# Required: Set the Databricks workspace host and authentication token
export DATABRICKS_HOST="https://your-workspace.cloud.databricks.com"
export DATABRICKS_TOKEN="your-databricks-token"
# Required: Set MLflow Tracking URI to "databricks" to log to Databricks
export MLFLOW_TRACKING_URI=databricks
# Required: Configure the experiment name for organizing traces (must be a workspace path)
export MLFLOW_EXPERIMENT_NAME="/Shared/production-genai-app"
部署示例
设置环境变量后，将其传递给应用程序。 单击选项卡，了解如何将连接详细信息传递到不同的框架。
Docker
对于 Docker 部署，请通过容器配置传递环境变量：
# Dockerfile
FROM python:3.11-slim
# Install dependencies
COPY requirements.txt .
RUN pip install -r requirements.txt
# Copy application code
COPY . /app
WORKDIR /app
# Set default environment variables (can be overridden at runtime)
ENV DATABRICKS_HOST=""
ENV DATABRICKS_TOKEN=""
ENV MLFLOW_TRACKING_URI=databricks
ENV MLFLOW_EXPERIMENT_NAME="/Shared/production-genai-app"
CMD ["python", "app.py"]
使用环境变量运行容器：
docker run -d \
-e DATABRICKS_HOST="https://your-workspace.cloud.databricks.com" \
-e DATABRICKS_TOKEN="your-databricks-token" \
-e MLFLOW_TRACKING_URI=databricks \
-e MLFLOW_EXPERIMENT_NAME="/Shared/production-genai-app" \
-e APP_VERSION="1.0.0" \
your-app:latest
Kubernetes
对于 Kubernetes 部署，请使用 ConfigMaps 和 Secrets 传递环境变量：
# configmap.yaml
apiVersion: v1
kind: ConfigMap
metadata:
name: databricks-config
data:
DATABRICKS_HOST: 'https://your-workspace.cloud.databricks.com'
MLFLOW_TRACKING_URI: databricks
MLFLOW_EXPERIMENT_NAME: '/Shared/production-genai-app'
---
# secret.yaml
apiVersion: v1
kind: Secret
metadata:
name: databricks-secrets
type: Opaque
stringData:
DATABRICKS_TOKEN: 'your-databricks-token'
---
# deployment.yaml
apiVersion: apps/v1
kind: Deployment
metadata:
name: genai-app
spec:
template:
spec:
containers:
- name: app
image: your-app:latest
envFrom:
- configMapRef:
name: databricks-config
- secretRef:
name: databricks-secrets
env:
- name: APP_VERSION
value: '1.0.0'
验证收集到的跟踪数据
在部署应用后，请确认已正确收集跟踪信息：
import mlflow
from mlflow.client import MlflowClient
import os
# Ensure MLflow is configured for Databricks
mlflow.set_tracking_uri("databricks")
# Check connection to MLflow server
client = MlflowClient()
try:
# List recent experiments to verify connectivity
experiments = client.search_experiments()
print(f"Connected to MLflow. Found {len(experiments)} experiments.")
# Check if traces are being logged
traces = mlflow.search_traces(
experiment_names=[os.getenv("MLFLOW_EXPERIMENT_NAME", "/Shared/production-genai-app")],
max_results=5
)
print(f"Found {len(traces)} recent traces.")
except Exception as e:
print(f"Error connecting to MLflow: {e}")
print(f"Check your authentication and connectivity")
后续步骤
使用跟踪日志记录将代理部署到 Databricks MLflow 服务器后，可以查看、扩充和分析跟踪：
- 在 MLflow UI 中查看跟踪
- 将元数据添加到跟踪，包括用户或会话 ID、自定义标记或用户反馈，以便更好地调试和见解
- 跟踪令牌使用情况和成本
- 使用记分器、评估数据集和生产监视来评估和监视代理
特性参考
有关本指南中的概念和功能的详细信息，请参阅：