LangDB 集成

简介

LangDB AI Gateway 提供与 OpenAI 兼容的 API，可连接多个大语言模型，同时也是一个可观测性平台，能够轻松端到端追踪 CrewAI 工作流，并提供 350+ 语言模型的访问能力。只需一次 init() 调用，就能捕获所有代理交互、任务执行和 LLM 调用，为你的应用提供全面可观测性和生产级 AI 基础设施。

查看： 打开在线追踪示例

功能

AI Gateway 能力

访问 350+ LLM：通过单一集成连接所有主流语言模型
虚拟模型：创建带有特定参数和路由规则的自定义模型配置
Virtual MCP：启用与 MCP（Model Context Protocol）系统的兼容和集成，以增强代理通信
Guardrails：为代理行为实施安全措施和合规控制

可观测性与追踪

自动追踪：只需一次 init() 调用即可捕获所有 CrewAI 交互
端到端可见性：从头到尾监控代理工作流
工具使用跟踪：跟踪代理使用了哪些工具及其结果
模型调用监控：深入了解 LLM 交互
性能分析：监控延迟、token 使用量和成本
调试支持：逐步执行以便排障
实时监控：实时追踪与指标仪表盘

设置说明

安装 LangDB

使用 CrewAI 功能标志安装 LangDB 客户端：
Terminal window
```
pip install 'pylangdb[crewai]'
```

设置环境变量

配置你的 LangDB 凭证：

export LANGDB_API_KEY="<your_langdb_api_key>"
export LANGDB_PROJECT_ID="<your_langdb_project_id>"
export LANGDB_API_BASE_URL='https://api.us-east-1.langdb.ai'

初始化追踪

在配置 CrewAI 代码之前，先导入并初始化 LangDB：
```
from pylangdb.crewai import init
# Initialize LangDB
init()
```

将 CrewAI 与 LangDB 配置在一起

使用 LangDB 标头设置你的 LLM：

from crewai import Agent, Task, Crew, LLM
import os

# Configure LLM with LangDB headers
llm = LLM(
    model="openai/gpt-4o", # Replace with the model you want to use
    api_key=os.getenv("LANGDB_API_KEY"),
    base_url=os.getenv("LANGDB_API_BASE_URL"),
    extra_headers={"x-project-id": os.getenv("LANGDB_PROJECT_ID")}
)

快速开始示例

下面是一个简单示例，帮助你快速上手 LangDB 和 CrewAI：

import os
from pylangdb.crewai import init
from crewai import Agent, Task, Crew, LLM

# Initialize LangDB before any CrewAI imports
init()

def create_llm(model):
    return LLM(
        model=model,
        api_key=os.environ.get("LANGDB_API_KEY"),
        base_url=os.environ.get("LANGDB_API_BASE_URL"),
        extra_headers={"x-project-id": os.environ.get("LANGDB_PROJECT_ID")}
    )

# Define your agent
researcher = Agent(
    role="Research Specialist",
    goal="Research topics thoroughly",
    backstory="Expert researcher with skills in finding information",
    llm=create_llm("openai/gpt-4o"), # Replace with the model you want to use
    verbose=True
)

# Create a task
task = Task(
    description="Research the given topic and provide a comprehensive summary",
    agent=researcher,
    expected_output="Detailed research summary with key findings"
)

# Create and run the crew
crew = Crew(agents=[researcher], tasks=[task])
result = crew.kickoff()
print(result)

完整示例：研究与规划代理

这个综合示例展示了一个具备研究和规划能力的多代理工作流。

前置条件

pip install crewai 'pylangdb[crewai]' crewai_tools setuptools python-dotenv

环境配置

# LangDB credentials
export LANGDB_API_KEY="<your_langdb_api_key>"
export LANGDB_PROJECT_ID="<your_langdb_project_id>"
export LANGDB_API_BASE_URL='https://api.us-east-1.langdb.ai'

# Additional API keys (optional)
export SERPER_API_KEY="<your_serper_api_key>"  # For web search capabilities

完整实现

#!/usr/bin/env python3

import os
import sys
from pylangdb.crewai import init
init()  # Initialize LangDB before any CrewAI imports
from dotenv import load_dotenv
from crewai import Agent, Task, Crew, Process, LLM
from crewai_tools import SerperDevTool

load_dotenv()

def create_llm(model):
    return LLM(
        model=model,
        api_key=os.environ.get("LANGDB_API_KEY"),
        base_url=os.environ.get("LANGDB_API_BASE_URL"),
        extra_headers={"x-project-id": os.environ.get("LANGDB_PROJECT_ID")}
    )

class ResearchPlanningCrew:
    def researcher(self) -> Agent:
        return Agent(
            role="Research Specialist",
            goal="Research topics thoroughly and compile comprehensive information",
            backstory="Expert researcher with skills in finding and analyzing information from various sources",
            tools=[SerperDevTool()],
            llm=create_llm("openai/gpt-4o"),
            verbose=True
        )

    def planner(self) -> Agent:
        return Agent(
            role="Strategic Planner",
            goal="Create actionable plans based on research findings",
            backstory="Strategic planner who breaks down complex challenges into executable plans",
            reasoning=True,
            max_reasoning_attempts=3,
            llm=create_llm("openai/anthropic/claude-3.7-sonnet"),
            verbose=True
        )

    def research_task(self) -> Task:
        return Task(
            description="Research the topic thoroughly and compile comprehensive information",
            agent=self.researcher(),
            expected_output="Comprehensive research report with key findings and insights"
        )

    def planning_task(self) -> Task:
        return Task(
            description="Create a strategic plan based on the research findings",
            agent=self.planner(),
            expected_output="Strategic execution plan with phases, goals, and actionable steps",
            context=[self.research_task()]
        )

    def crew(self) -> Crew:
        return Crew(
            agents=[self.researcher(), self.planner()],
            tasks=[self.research_task(), self.planning_task()],
            verbose=True,
            process=Process.sequential
        )

def main():
        topic = sys.argv[1] if len(sys.argv) > 1 else "Artificial Intelligence in Healthcare"

        crew_instance = ResearchPlanningCrew()

        # Update task descriptions with the specific topic
        crew_instance.research_task().description = f"Research {topic} thoroughly and compile comprehensive information"
    crew_instance.planning_task().description = f"Create a strategic plan for {topic} based on the research findings"

    result = crew_instance.crew().kickoff()
    print(result)

if __name__ == "__main__":
    main()

运行示例

python main.py "Sustainable Energy Solutions"

在 LangDB 中查看追踪

运行 CrewAI 应用后，你可以在 LangDB 仪表盘中查看详细追踪：

显示 CrewAI 工作流的 LangDB 追踪仪表盘 — LangDB 追踪仪表盘

你会看到什么

代理交互：完整的代理对话和任务交接流程
工具使用：调用了哪些工具、输入了什么、输出了什么
模型调用：详细的 LLM 交互，包括提示词和响应
性能指标：延迟、token 使用量和成本跟踪
执行时间线：整个工作流的逐步视图

故障排查

常见问题

没有出现追踪：请确保在任何 CrewAI 导入之前调用了 init()
身份验证错误：验证你的 LangDB API key 和 project ID

资源

LangDB 文档

官方 LangDB 文档与指南

LangDB 指南

用于构建 AI 代理的分步教程

GitHub 示例

完整的 CrewAI 集成示例

LangDB 仪表盘

访问你的追踪与分析

模型目录

浏览 350+ 可用语言模型

企业功能

自托管选项和企业级能力

下一步

本指南介绍了将 LangDB AI Gateway 集成到 CrewAI 的基础内容。要进一步增强你的 AI 工作流，可以探索：

虚拟模型：创建带有路由策略的自定义模型配置
Guardrails 与安全：实现内容过滤和合规控制
生产部署：配置回退、重试和负载均衡

如需更高级的功能和用例，请访问 LangDB 文档或浏览模型目录了解所有可用模型。