LangChain - 为什么我们选择 ClickHouse 为 LangSmith 提供动力

"我们对 ClickHouse 有着积极的体验。它使我们能够将 LangSmith 扩展到生产工作负载，并提供一项服务，用户可以在其中记录所有数据。如果没有 ClickHouse，我们不可能做到这一点。"

LangChain 联合创始人 Ankush Gola

我们越来越看到公司使用 ClickHouse 构建可观测性解决方案，得益于它能够处理此用例中常见的、高插入工作负载和低延迟分析查询的需求。更令人兴奋的是看到创新的特定领域解决方案，这些解决方案有可能开启新的范式和开发人员生产力水平。LangChain 使用 LangSmith 开发了这样的解决方案 - 一个用于 LLM 应用程序可观测性和评估的统一开发者平台。LangSmith 包括 AI 产品开发生命周期中每个步骤的功能，并使用 Clickhouse 为关键的用户体验提供支持。

随着 最近宣布 LangSmith 已全面上市，我们很荣幸地采访了 LangChain 联合创始人 Ankush Gola，他解释了 LangSmith 对 LLM 应用程序开发人员的价值，以及为什么他们选择 ClickHouse 作为数据库来支持用户体验，以及选择 ClickHouse Cloud 作为其托管产品背后的服务。

LangSmith 专注于用户在开发 LLM 应用程序时遇到的两个主要挑战：可观测性和评估。

在使用 LLM 应用程序时，不可避免地会存在许多移动部件，其中包含链式 API 调用和决策流程。这使得理解幕后发生的事情变得具有挑战性，用户需要调试无限代理循环或令牌过度使用的情况。LangSmith 认识到这里的明显需求，最初作为一种可观测性工具，通过在 LLM 序列的每个步骤提供清晰的可视性和调试信息来帮助开发人员诊断和解决这些问题。

检查来自 LLM 应用程序运行的跟踪 - 由 ClickHouse 提供支持

来源：LangChain

很明显，用户在开发 LLM 应用程序时必须执行的其他任务范围更广，这些任务属于评估的范畴。这些包括衡量提示和模型更改的影响、构建用于基准测试和微调的数据集、执行 A/B 测试以及在线评估。因此，LangSmith 从可观测性工具发展成为一个更广泛的一体化开发者平台，涵盖 LLM 驱动的应用程序生命周期的每个步骤。

并排查看测试运行 - 由 ClickHouse 提供支持

来源：LangChain

Ankush 解释说，LLM 应用程序的构建导致了一个非常独特的新的开发生命周期，它需要自己的专用工具包。虽然有许多工具可以解决更广泛的可观测性用例，但 LLM 应用程序有其自身独特的挑战，这些挑战需要专门针对用户需要处理数据的方式而设计的流程。LangSmith 通过识别 LLM 应用程序开发周期中的常见步骤并提供克服常见相关挑战的工具来提供这种专注的体验。

LangSmith 在 LLM 应用程序生命周期的每个阶段支持的工作流程

来源：LangChain

当 LangChain 首次推出 LangSmith 时，它们 100% 由 Postgres 支持。这代表了引导应用程序并将其交付给用户手中最快的方式。他们也不确定用户将如何使用该应用程序，因此无法确定工作负载 - 例如，他们是否只会将其用作评估 LLM 工作流程并因此稀疏地记录日志的方法？

他们很快意识到人们希望记录很大一部分生产数据以执行特定操作，例如跟踪和创建数据集、运行评估作业、A/B 测试和监控性能。这意味着需要支持高吞吐量摄取以及快速过滤以在用户界面中的图表上进行钻取。例如，用户可以根据跟踪一段时间内关键指标的监控图表进行过滤。此时，LangChain 团队意识到 Postgres 越来越难以满足他们的要求。

查看监控图表并按 LLM 类型分组 - 由 ClickHouse 提供支持

来源：LangChain

Postgres 对于最初引导应用程序非常有效，但随着 LangChain 的扩展，他们遇到了 Postgres 在生产所需的容量下摄取数据的能力方面的挑战。此外，它难以有效地处理他们需要支持的分析工作负载。他们尝试提前物化统计信息，但这通常不会为用户提供最佳体验，用户只能根据预定义的物化来切片数据。这些物化作业以间隔运行，并且在所需的数据大小下也消耗了大量的计算资源。当对 Postgres 的请求数量增加时，锁争用问题也成为了一个问题。

"最终，很明显我们需要添加另一个数据库来补充 Postgres 以满足我们的用例，并为我们的用户解锁实时洞察。"

LangChain 联合创始人 Ankush Gola

"我们使用 Postgres 的经验确定了对高吞吐量摄取的需求，以及对来自呈现给用户的图表和统计信息的低延迟分析查询的需求。这自然让我们相信我们需要一个 OLAP/实时分析数据库。"

LangChain 联合创始人 Ankush Gola

LangChain 还确定了需要在本地运行所选数据库以进行开发和 CI/CD，以及将其部署在自管理架构中和作为基于云的解决方案的需求。前两个要求排除了许多传统的闭源云解决方案，并且不可避免地转向了开源解决方案。

"我们希望获得在架构上易于部署并且不会使我们的基础设施变得更复杂的东西。我们研究了 Druid 和 Pinot，但这些需要专用的摄取服务，连接到 Kafka 等排队服务，而不是简单地接受 INSERT 语句。我们热衷于避免这种架构复杂性，尤其是在考虑到我们的自管理要求的情况下。"

LangChain 联合创始人 Ankush Gola

一些简单的测试表明，ClickHouse 可以在满足其性能要求的同时保持架构简单并与所有部署模型兼容。所有这些要求最终促使 LangChain 选择了 ClickHouse。

"当您处于数据库领域时，很难不了解 ClickHouse！"

LangChain 联合创始人 Ankush Gola

Ankush 知道 ClickHouse 为 Cloudflare 等公司的大量高吞吐量工作负载提供支持。

Ankush 强调，用户不应将 ClickHouse 视为其他数据库系统（如 Postgres 或甚至像 BigQuery 这样的数据仓库解决方案）。虽然它是一个极其强大且灵活的工具，但用户应注意其排序键和引擎。

LangChain 中重要的配置设置是确保他们正确理解并利用排序键，以便 ClickHouse 能够针对他们期望查询数据的所有方式进行优化。由于他们需要支持定期更新，因此他们也使用了 ReplacingMergeTree 引擎。

Ankush 观察到 ClickHouse 的查询计划功能不如 Postgres 先进，用户需要更深入地了解内部结构和查询执行才能优化查询。他建议用户熟悉 EXPLAIN API，这是一个了解查询如何执行的重要工具。LangChain 期待着新的分析器，希望它能够解决许多手动优化查询的需求。

虽然大部分 LangSmith 界面由指标和日志上的图表和统计数据组成，但它也收集并公开大量跟踪数据。LangSmith 用户期望能够可视化单个跟踪及其所有跨度。因此，后端数据存储也需要能够支持一次查询几行数据。具体来说，常见的工作流程包括根据排序键中的维度过滤跟踪，例如，根据用户反馈评分或特定租户和会话进行过滤。在识别出感兴趣的跟踪子集后，用户然后使用详细的跟踪视图深入挖掘有问题的点。

从 ChatLangChain 记录跟踪和反馈评分，在 LangSmith 中查看结果

来源：LangChain

最后一步需要按跟踪 ID 进行查找，而跟踪 ID 不是排序键的一部分（或者至少不在前几个位置）。这里的查找通常会导致全表扫描。

为了避免这种情况，LangChain 使用了一个物化视图，其中目标表包含跟踪 ID 和运行 ID 作为排序键的一部分。存储在这些表中的行具有列，这些列是主表的排序键。这允许 LangChain 使用这些视图作为几乎倒排索引，其中他们根据跟踪 ID 或运行 ID 查找主表的排序键值。然后，对主表的最终查询包含一个过滤器，可用于最大程度地减少扫描的行数。

LangChain 确定最佳的方法如下所示

这种方法使 LangChain 能够有效地处理单个行查找，并且比使用辅助索引和布隆过滤器更容易设置。

LangChain 在这里应用的方法与 Open Telemetry ClickHouse 集成用于允许高效跟踪查找的方法相同。

“我们不想自己管理 ClickHouse 集群。能够在所选 GCP 区域中启动云服务非常轻松，并且在成本方面也是不费吹灰之力。”

LangChain 联合创始人 Ankush Gola

LangChain 仍然使用 Postgres 来管理一些应用程序状态。这很好地补充了 ClickHouse，因为他们需要应用程序某些部分的事务功能。

Redis 也在整个 LangSmith 中用作缓存和支持异步作业队列的一种方式。

随着团队尝试涉及图像的多模态模型，云对象存储作为这些模型的主要存储变得越来越重要。

Ankush 对生产环境中反向索引的可用性（目前处于实验阶段）表示兴趣，以启用更快的全文搜索功能。目前，LangChain 使用数据跳过索引来加速文本搜索，但认为这里还有进一步改进的空间。

当我们最初采访 Ankush 时，他解释说他们正在努力改进几个产品领域，包括

• 改进对回归测试的支持，允许用户提交更改（例如，对其提示、代码或模型），然后跟踪他们感兴趣的指标。这应该让用户根据对 LLM 响应进行评分并对他们的组织很重要的某些标准（例如重复性和简洁性）直观地了解其应用程序在现实场景中的表现。
• 引入在生产数据样本上运行自动评估程序并检查响应的能力。
• 当前显示跟踪的方式不利于理解 LLM 和用户之间的聊天历史记录。虽然数据存在于此处，但他们只是承认需要在视觉上进行改进。

几周后，这些功能已经发布并可用！🚀 🤯

所有这些功能都需要 ClickHouse 进行分析查询。此外，虽然不是新功能，但 LangChain 最近改进了用户的过滤选项，尤其是全文搜索。最后，随着其企业客户群的增长，他们设想需要支持诸如 RBAC 和 SSO 等功能，这将不可避免地需要与 ClickHouse 进行更紧密的集成。