拓冰网站定制 
NOAA追踪可视化教程一键打开浏览器看清Agent每次LLM调用的完整调用树【免费下载链接】labs-OO-AgentsNVIDIA Object Oriented Agents: the Pythonic way to build AI Agents.项目地址: https://gitcode.com/gh_mirrors/la/labs-OO-AgentsNOAANVIDIA Object Oriented Agents开源项目 labs-OO-Agents是一个用 Python 面向对象方式构建 AI Agent 的框架。它的追踪可视化tracing能力是新手最容易上手的亮点一条命令启动 Trace Viewer再运行任意 Agent浏览器里就会实时出现每一层方法调用、每一次 LLM 对话、每一个工具执行的完整调用树。本文将手把手教你在 10 分钟内掌握 NOAA 追踪可视化让 Agent 内部过程从“黑盒”变成透明的调用图。为什么 Agent 需要追踪可视化新手常遇到的困惑Agent 为什么答错了哪一次 LLM 调用超时了生成的代码到底跑了什么传统做法是把 prompt 打印出来反复试错。NOOA 的答案是OpenTelemetry 风格的调用树追踪它记录的不仅是发给 LLM 的消息而是整个程序调用结构——Python 编排方法、嵌套的 Agent 方法、模型调用、生成的代码单元格、工具调用全部按父子层级嵌套呈现。核心收益定位延迟每个 span 自带耗时一眼看出慢在哪一步回放对话每次 LLM 调用的完整输入/输出消息都可以展开查看追踪控制流方法 A 调用了哪些子方法、哪些工具层级关系一目了然提示NOAA 中的Events事件与Traces追踪是两个不同视图。Events 是 Agent 自己的工作历史会进入后续模型上下文Traces 则是程序执行的运维记录专用于调试延迟、重试、工具调用与控制流。详细说明见 docs/concepts/tracing.md。一键启动三步打开浏览器里的调用树好消息是NOOA 的追踪对新手几乎零配置。第 1 步启动 Trace Vieweruv run nooa start-devViewer 默认监听http://localhost:5001它既是接收 Agent 上报 span 的 OTLP 接收端也是浏览追踪的 Web UI。源码位于 src/nooa/viewer/追踪数据持久化在 SQLite 中重启后不会丢失。第 2 步运行你的 Agent在另一个终端运行任意 Agent 脚本uv run python examples/quickstart/06_tracing.pyAgent 启动时会自动探测 5001 端口的 Viewer只要 Viewer 可达追踪自动开启——不需要导入任何模块不需要写一行追踪代码。第 3 步打开浏览器访问http://localhost:5001/traces即可看到会话列表点进某个会话展开/折叠 span 层级就能看到完整调用树。Viewer 的完整用法导入/导出/删除、REST API、快捷键在官方技能文档中有详细清单skills/nooa-trace-viewer/SKILL.md。调用树里到底有什么以官方示例 examples/quickstart/06_tracing.py 为例一个MathAgent依次调用calculate()LLM 方法、_format()私有辅助方法、explain()LLM 方法。运行后Viewer 中会呈现如下嵌套结构method.run ← 编排入口普通 Python 方法 ├── method.calculate ← LLM 方法... │ └── generation ← 一次策略执行 │ └── litellm.acompletion ← 真正打到模型提供商的那一次调用 ├── method._format ← 私有方法同样被追踪 └── method.explain └── generation └── litellm.acompletion常见 span 类型速查表Span 名称含义method.名称一次 Agent 方法调用含参数、docstring、签名generation一次策略执行即一段 LLM“思考”过程litellm.acompletion一次真实的模型提供商调用携带输入/输出消息code_execution一个 CodeAct 生成的 Python 代码单元格method_call.名称生成代码回调self上的另一个方法tool_execution.工具一次外部工具调用父子嵌套严格遵循 Python 调用层级——编排工作流和 LLM 步骤在树上同等重要这正是 NOAA 调用树区别于单纯“LLM 日志”的地方。在 Viewer 详情页还藏了几个高价值功能时间线可缩放的双画布时间轴展示所有事件的时间分布LLM 调用视图按调用重建完整对话/api/traces/{session_id}/calls接口驱动过滤侧栏按事件类型、span、Agent、LLM 执行 ID 过滤Playground换个模型/温度重放某一轮 LLM 调用并对比输出快捷键j/k上下导航/全文搜索?查看全部快捷键排查问题的五步调试循环有了调用树调试 Agent 就有了确定性的路径。NOAA 官方推荐的调试循环见 docs/concepts/tracing.md检查渲染后的 prompt看信息是否缺失或重复检查方法 span 及其子 generation确认执行结构是否符合预期查看校验错误与模型重试很多“答错”其实是格式校验失败后的重试打开生成的代码单元格查看其 stdout / stderr沿嵌套方法 span 走到第一个错误边界错误通常出现在嵌套的最浅层这条路径通常比“扩大 prompt 再试一次”高效得多。进阶把追踪存成文件离线导入Viewer 模式适合开发调试测试、基准评测等无人值守场景建议显式配置文件导出器把追踪写成可归档的 JSONL 文件from nooa.tracing import enable_tracing, exporters, flush_traces enable_tracing(exporters[exporters.jsonl(traces)]) # ... 运行 Agent ... flush_traces()之后一条命令即可导入 Viewer 查看uv run nooa import-traces traces/quickstart-06-journal各导出器jsonl / journal / otlp / langfuse / console的完整对照表和环境变量说明见 skills/nooa-capturing-traces/SKILL.md追踪导出器的实现位于 src/nooa/tracing/。命令行深挖trace-explorer 根因分析如果追踪文件很大、或想自动化分析可以用官方 CLI 工具trace-explorer它专为“渐进式下钻”设计uv run trace-explorer trace.jsonl # 总览调用图、会话、通过/失败 uv run trace-explorer trace.jsonl --errors # 列出所有错误 uv run trace-explorer trace.jsonl -s 278a10 -t 0 # 查看某会话第 0 轮的完整上下文 uv run trace-explorer trace.jsonl --search Timeout # 全文搜索典型工作流总览 → 找错误 → 定位会话 → 读那一轮的上下文窗口与 LLM 输出 → 找到“模型实际看到的内容”中的问题。完整文档skills/nooa-trace-explorer/SKILL.md。新手常见坑位清单 ⚠️Viewer 没开就构造了 Agent自动追踪每个进程只探测一次之后不会重试。请确保先nooa start-dev再跑 Agent或显式调用enable_tracing(...)Viewer 不可达时没有文件兜底自动追踪静默关闭不会自动落盘。需要离线追踪时请显式配置exporters.jsonl()短脚本记得flush_traces()批量导出器约 1 秒一刷进程快速退出可能丢尾巴模块级main()里的逻辑不可见追踪边界是 Agent 方法。把关键工作流步骤放进 Agent 方法失败才会在树上留痕排除噪音方法高频辅助方法可加no_trace装饰器行为不变但不再产生 span总结NOAA 追踪可视化的核心体验只有三句话一条命令启动 Viewer、Agent 自动上报、浏览器里展开调用树。它把 Agent 的每一次 LLM 调用、每一段生成代码、每一次工具执行都映射成带耗时的父子 span让你从“猜 prompt”升级为“看证据”。建议按此顺序动手跑通 examples/quickstart/06_tracing.py 示例对照 docs/concepts/tracing.md 认识 Events 与 Traces 的区别用trace-explorer对你的第一个真实 Agent 做一次根因分析更多学习路径notebook_tutorials/ 中的交互式教程、docs/tour.md 的 10 分钟框架概览。【免费下载链接】labs-OO-AgentsNVIDIA Object Oriented Agents: the Pythonic way to build AI Agents.项目地址: https://gitcode.com/gh_mirrors/la/labs-OO-Agents创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 NOAA追踪可视化教程：一键打开浏览器，看清Agent每次LLM调用的完整调用树
NOAA追踪可视化教程一键打开浏览器看清Agent每次LLM调用的完整调用树【免费下载链接】labs-OO-AgentsNVIDIA Object Oriented Agents: the Pythonic way to build AI Agents.项目地址: https://gitcode.com/gh_mirrors/la/labs-OO-AgentsNOAANVIDIA Object Oriented Agents开源项目 labs-OO-Agents是一个用 Python 面向对象方式构建 AI Agent 的框架。它的追踪可视化tracing能力是新手最容易上手的亮点一条命令启动 Trace Viewer再运行任意 Agent浏览器里就会实时出现每一层方法调用、每一次 LLM 对话、每一个工具执行的完整调用树。本文将手把手教你在 10 分钟内掌握 NOAA 追踪可视化让 Agent 内部过程从“黑盒”变成透明的调用图。为什么 Agent 需要追踪可视化新手常遇到的困惑Agent 为什么答错了哪一次 LLM 调用超时了生成的代码到底跑了什么传统做法是把 prompt 打印出来反复试错。NOOA 的答案是OpenTelemetry 风格的调用树追踪它记录的不仅是发给 LLM 的消息而是整个程序调用结构——Python 编排方法、嵌套的 Agent 方法、模型调用、生成的代码单元格、工具调用全部按父子层级嵌套呈现。核心收益定位延迟每个 span 自带耗时一眼看出慢在哪一步回放对话每次 LLM 调用的完整输入/输出消息都可以展开查看追踪控制流方法 A 调用了哪些子方法、哪些工具层级关系一目了然提示NOAA 中的Events事件与Traces追踪是两个不同视图。Events 是 Agent 自己的工作历史会进入后续模型上下文Traces 则是程序执行的运维记录专用于调试延迟、重试、工具调用与控制流。详细说明见 docs/concepts/tracing.md。一键启动三步打开浏览器里的调用树好消息是NOOA 的追踪对新手几乎零配置。第 1 步启动 Trace Vieweruv run nooa start-devViewer 默认监听http://localhost:5001它既是接收 Agent 上报 span 的 OTLP 接收端也是浏览追踪的 Web UI。源码位于 src/nooa/viewer/追踪数据持久化在 SQLite 中重启后不会丢失。第 2 步运行你的 Agent在另一个终端运行任意 Agent 脚本uv run python examples/quickstart/06_tracing.pyAgent 启动时会自动探测 5001 端口的 Viewer只要 Viewer 可达追踪自动开启——不需要导入任何模块不需要写一行追踪代码。第 3 步打开浏览器访问http://localhost:5001/traces即可看到会话列表点进某个会话展开/折叠 span 层级就能看到完整调用树。Viewer 的完整用法导入/导出/删除、REST API、快捷键在官方技能文档中有详细清单skills/nooa-trace-viewer/SKILL.md。调用树里到底有什么以官方示例 examples/quickstart/06_tracing.py 为例一个MathAgent依次调用calculate()LLM 方法、_format()私有辅助方法、explain()LLM 方法。运行后Viewer 中会呈现如下嵌套结构method.run ← 编排入口普通 Python 方法 ├── method.calculate ← LLM 方法... │ └── generation ← 一次策略执行 │ └── litellm.acompletion ← 真正打到模型提供商的那一次调用 ├── method._format ← 私有方法同样被追踪 └── method.explain └── generation └── litellm.acompletion常见 span 类型速查表Span 名称含义method.名称一次 Agent 方法调用含参数、docstring、签名generation一次策略执行即一段 LLM“思考”过程litellm.acompletion一次真实的模型提供商调用携带输入/输出消息code_execution一个 CodeAct 生成的 Python 代码单元格method_call.名称生成代码回调self上的另一个方法tool_execution.工具一次外部工具调用父子嵌套严格遵循 Python 调用层级——编排工作流和 LLM 步骤在树上同等重要这正是 NOAA 调用树区别于单纯“LLM 日志”的地方。在 Viewer 详情页还藏了几个高价值功能时间线可缩放的双画布时间轴展示所有事件的时间分布LLM 调用视图按调用重建完整对话/api/traces/{session_id}/calls接口驱动过滤侧栏按事件类型、span、Agent、LLM 执行 ID 过滤Playground换个模型/温度重放某一轮 LLM 调用并对比输出快捷键j/k上下导航/全文搜索?查看全部快捷键排查问题的五步调试循环有了调用树调试 Agent 就有了确定性的路径。NOAA 官方推荐的调试循环见 docs/concepts/tracing.md检查渲染后的 prompt看信息是否缺失或重复检查方法 span 及其子 generation确认执行结构是否符合预期查看校验错误与模型重试很多“答错”其实是格式校验失败后的重试打开生成的代码单元格查看其 stdout / stderr沿嵌套方法 span 走到第一个错误边界错误通常出现在嵌套的最浅层这条路径通常比“扩大 prompt 再试一次”高效得多。进阶把追踪存成文件离线导入Viewer 模式适合开发调试测试、基准评测等无人值守场景建议显式配置文件导出器把追踪写成可归档的 JSONL 文件from nooa.tracing import enable_tracing, exporters, flush_traces enable_tracing(exporters[exporters.jsonl(traces)]) # ... 运行 Agent ... flush_traces()之后一条命令即可导入 Viewer 查看uv run nooa import-traces traces/quickstart-06-journal各导出器jsonl / journal / otlp / langfuse / console的完整对照表和环境变量说明见 skills/nooa-capturing-traces/SKILL.md追踪导出器的实现位于 src/nooa/tracing/。命令行深挖trace-explorer 根因分析如果追踪文件很大、或想自动化分析可以用官方 CLI 工具trace-explorer它专为“渐进式下钻”设计uv run trace-explorer trace.jsonl # 总览调用图、会话、通过/失败 uv run trace-explorer trace.jsonl --errors # 列出所有错误 uv run trace-explorer trace.jsonl -s 278a10 -t 0 # 查看某会话第 0 轮的完整上下文 uv run trace-explorer trace.jsonl --search Timeout # 全文搜索典型工作流总览 → 找错误 → 定位会话 → 读那一轮的上下文窗口与 LLM 输出 → 找到“模型实际看到的内容”中的问题。完整文档skills/nooa-trace-explorer/SKILL.md。新手常见坑位清单 ⚠️Viewer 没开就构造了 Agent自动追踪每个进程只探测一次之后不会重试。请确保先nooa start-dev再跑 Agent或显式调用enable_tracing(...)Viewer 不可达时没有文件兜底自动追踪静默关闭不会自动落盘。需要离线追踪时请显式配置exporters.jsonl()短脚本记得flush_traces()批量导出器约 1 秒一刷进程快速退出可能丢尾巴模块级main()里的逻辑不可见追踪边界是 Agent 方法。把关键工作流步骤放进 Agent 方法失败才会在树上留痕排除噪音方法高频辅助方法可加no_trace装饰器行为不变但不再产生 span总结NOAA 追踪可视化的核心体验只有三句话一条命令启动 Viewer、Agent 自动上报、浏览器里展开调用树。它把 Agent 的每一次 LLM 调用、每一段生成代码、每一次工具执行都映射成带耗时的父子 span让你从“猜 prompt”升级为“看证据”。建议按此顺序动手跑通 examples/quickstart/06_tracing.py 示例对照 docs/concepts/tracing.md 认识 Events 与 Traces 的区别用trace-explorer对你的第一个真实 Agent 做一次根因分析更多学习路径notebook_tutorials/ 中的交互式教程、docs/tour.md 的 10 分钟框架概览。【免费下载链接】labs-OO-AgentsNVIDIA Object Oriented Agents: the Pythonic way to build AI Agents.项目地址: https://gitcode.com/gh_mirrors/la/labs-OO-Agents创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考