所有捕获的跟踪都记录到 MLflow 实验。 当 MLFLOW_TRACKING_URI 设置为 databricks 时，托管的 MLflow Tracking 服务会在你的工作区中存储并提供这些内容，无需额外托管。 通过你Databricks工作区中的MLflow界面访问它们。
导航到实验：转到记录日志追踪的实验。 例如，实验设置
mlflow.set_experiment("/Shared/my-genai-app-traces")。打开“跟踪”选项卡：在试验视图中，单击“ 跟踪 ”选项卡以查看记录到该试验的所有跟踪的列表。
了解跟踪清单
追踪列表提供了你追踪的高级概览，并配有可排序的列：
跟踪 ID：每个跟踪的唯一标识符。
请求：触发追踪的输入预览。
回复：追踪最终输出预览。
会话：用于分组相关跟踪的会话标识符，例如对话中的回合。 提供时显示。
用户：用户标识符。 提供时显示。
执行时间：跟踪完成所需的总时间。
请求时间：追踪开始的时间戳。
运行名称：当跟踪属于某个运行时，关联的MLflow运行名称。
来源：跟踪的来源，例如被监测的库或组件（
openai、langchain或自定义跟踪名称）。状态：跟踪状态（
OK，ERROR，IN_PROGRESS）。跟踪名称：分配给跟踪的名称，通常是根跨度的名称。
评估：每个评估类型一列（例如，
my_scorer，professional）。 列表上方的汇总部分展示了可见追踪记录中的综合评估指标，如平均值或通过/不通过率。标签：以列形式显示的标签（例如，
persona，style）。
搜索和筛选日志
界面提供了多种查找相关追踪的方法：
搜索栏：默认情况下，可按关键词在追踪的 ID、输入和输出中搜索。
筛选器下拉列表：基于以下内容生成结构化查询：
属性：
Request内容、Session time、Execution time或Request time。评估：按评估的存在或值进行筛选，如
my_scorer或professional。其他字段如
User、Tags、tags.persona = 'expert'、Session和Trace name（例如，State）。
排序下拉选单：按列对跟踪进行排序，如
Request time或Execution time。列下拉菜单：选择可见的列，包括特定标签或评估指标。
元数据筛选器
在 MLflow UI （跟踪选项卡）中，可以查看附加的元数据：
在 MLflow UI 中，使用以下搜索查询筛选跟踪：
# Find all traces for a specific user
metadata.`mlflow.trace.user` = 'user-123'
# Find all traces in a session
metadata.`mlflow.trace.session` = 'session-abc-456'
# Find traces for a user within a specific session
metadata.`mlflow.trace.user` = 'user-123' AND metadata.`mlflow.trace.session` = 'session-abc-456'
# Find traces from production environment
metadata.`mlflow.source.type` = 'production'
# Find traces from a specific app version
metadata.app_version = '1.0.0'
浏览单个踪迹
要检查特定追踪，请点击列表中的 请求 或 追踪名称 。 详细的跟踪视图有两个标签页：
摘要：对跟踪记录的高级别概览。 它显示根跨度的输入和输出、关键中间跨度以及在追踪过程中引发的任何异常。 使用 默认、 JSON和 表格 开关来更改输入和输出的渲染方式。
详情与时间线：完整 span 细分及每个 span 的详情，详见下节。
详情与时间线标签有三个面板：
跟踪分解（左侧面板）：
以树状图或瀑布图的形式显示 Span 层级。 它显示了追踪中的所有 span、它们的父子关系，以及执行顺序和持续时间。
选择一个 span 来检查其详细信息。
跨度细节（中央面板）：
选择跨度时，此面板会显示其详细信息，并按选项卡组织：
聊天：针对基于聊天的大型语言模型交互，提供对话流程（用户、助手和工具消息）的渲染视图。
输入/输出：传递给操作的原始输入及其返回的原始输出。 对于大型内容，使用“查看更多”/“收起”切换来展开或折叠视图。
属性：特定于该 span 的键值元数据（例如，LLM 调用的
model和temperature，或检索器 span 的doc_uri）。
事件：对于引发错误的 span，异常详细信息和堆栈跟踪。 对于流式跨度，会按其产生顺序显示各个数据块。
有些输出字段有 Markdown 切换功能，可以在内容为 Markdown 时切换原始视图和渲染视图。
评估（右侧面板）：
显示整个 跟踪 或 选定段内记录的评估（用户反馈或评估）。
使用 +添加新评估 按钮，直接从界面记录反馈或评分，支持手动审核和标记工作流程。
追踪级信息：视图还会显示追踪级标签以及为整个追踪记录的所有评估；当选择根跨度或未选择任何跨度时，这些内容会显示在“Assessments”面板中。 这些内容可能来自直接用户反馈或 系统评估。
常见调试方案
使用 MLflow 跟踪界面来解决常见的调试和可观测性需求：
确定慢速跟踪（延迟瓶颈）：
跟踪列表：按“执行时间”按降序排序，将最慢的跟踪排到顶部。
详细视图：打开慢速跟踪并检查“跟踪细分”面板。 瀑布式显示突出运行时间最长的操作，精准指出应用流程中的瓶颈。
查找来自特定用户的追踪：
筛选器：如果跟踪了用户信息，并且它可用作筛选器（在“属性”或“用户”筛选器下），请选择或输入用户 ID。
搜索和标签：如果用户ID被存储为标签，如
mlflow.trace.user，则使用tags.mlflow.trace.user = 'user_example_123'进行搜索。
查找有故障（错误）的跟踪：
筛选：选择
State属性并选择ERROR，只查看失败的跟踪。详细视图：在“跟踪明细”中选择出错的 span，然后打开其“事件”标签以查看异常消息和栈跟踪。
识别有负面反馈或问题的踪迹：
评估筛选器：如果你收集用户反馈或运行生成评估的评估（例如布尔值
is_correct或数字relevance_score），则按评估名称和值（例如，is_correct = false或relevance_score < 0.5）进行筛选。查看评估：打开一次追踪，查看“评估”面板或单个 span 评估，查看已记录的反馈、评分和理由。
Databricks 笔记本中的追踪
MLflow 追踪可直接在 Databricks 笔记本中查看追踪记录，作为开发和实验工作流程的一部分。
注释
MLflow Tracing 功能在 MLflow 2.20 及更高版本中，支持与 Databricks Notebook 的集成。
当你在 Databricks 笔记本中工作，且 MLflow 跟踪 URI 设置为 "databricks"（通常为默认值，或使用 mlflow.set_tracking_uri("databricks") 设置）时，跟踪界面可以自动显示在单元格的输出中。
在以下情况下会发生这种情况：
单元格的代码生成跟踪（例如，通过调用使用
@mlflow.trace装饰的函数或自动插桩的库调用）。你调用
mlflow.search_traces()并展示结果。一个
mlflow.entities.Trace对象（例如，来自mlflow.get_trace()）是单元格中的最后一个表达式，或者被传递给display()。
笔记本内视图提供了与主MLflow实验界面相同的跟踪探索功能，因此你可以在不切换上下文的情况下迭代。
控制笔记本显示
若要启用或禁用笔记本单元输出中跟踪的自动显示，请运行： mlflow.tracing.disable_notebook_display()mlflow.tracing.enable_notebook_display()
局限性
追踪列表最多返回 1,000 条追踪。 筛选器和跟踪 ID 搜索仅适用于此集，而不适用于完整试验，因此大型试验中的较旧跟踪可能不会显示。 若要查找较旧的跟踪记录，请将时间范围缩小到包含该记录的时间段。
不在 Unity Catalog 中的实验最多只能包含 100,000 个跟踪。 对于没有跟踪限制的可缩放、受治理的存储，Databricks 建议在 Unity Catalog 中存储跟踪。 若要移动现有试验跟踪，请迁移到 Unity Catalog 中的跟踪。