LangSmith 使得将反馈附加到追踪记录变得容易。这些反馈可以来自用户、标注者、自动化评估器等对于监控和评估应用程序至关重要。使用 create_feedback() / createFeedback()在这里我们将逐步介绍如何使用 SDK 记录反馈。from langsmith import trace, traceable, Client traceable def foo(x): return {y: x * 2} traceable def bar(y): return {z: y - 1} client Client() inputs {x: 1} with trace(namefoobar, inputsinputs) as root_run: result foo(**inputs) result bar(**result) root_run.outputs result trace_id root_run.id child_runs root_run.child_runs # Provide feedback for a trace (a.k.a. a root run) client.create_feedback( keyuser_feedback, score1, trace_idtrace_id, commentthe user said that ... ) # Provide feedback for a child run foo_run_id [run for run in child_runs if run.name foo][0].id client.create_feedback( keycorrectness, score0, run_idfoo_run_id, # trace_id is optional but recommended to enable batched and backgrounded # feedback ingestion. trace_idtrace_id, )您甚至可以使用create_feedback() / createFeedback()记录正在进行中的运行的反馈。请参阅 本指南了解如何获取正在进行中的运行的运行 ID。要了解更多关于如何根据各种属性包括用户反馈过滤追踪记录的信息请参阅本指南https://docs.langchain.org.cn/langsmith/filter-traces-in-application《AI提示工程必知必会》为读者提供了丰富的AI提示工程知识与实战技能。《AI提示工程必知必会》主要内容包括各类提示词的应用如问答式、指令式、状态类、建议式、安全类和感谢类提示词以及如何通过实战演练掌握提示词的使用技巧使用提示词进行文本摘要、改写重述、语法纠错、机器翻译等语言处理任务以及在数据挖掘、程序开发等领域的应用AI在绘画创作上的应用百度文心一言和阿里通义大模型这两大智能平台的特性与功能以及市场调研中提示词的实战应用。通过阅读《AI提示工程必知必会》读者可掌握如何有效利用AI提示工程提升工作效率创新工作流程并在职场中脱颖而出。