首页
/ Langfuse项目与Google Vertex AI Gemini集成中的令牌验证问题解析

Langfuse项目与Google Vertex AI Gemini集成中的令牌验证问题解析

2025-05-22 03:56:47作者:瞿蔚英Wynne

问题背景

在使用Langfuse Python SDK与Google Vertex AI Gemini模型(特别是2.0 Flash和1.5 Pro版本)集成时,开发人员遇到了一个关于令牌使用详情(usageDetails)的验证错误。这个问题主要出现在从其他AI服务(如Azure OpenAI)迁移到Gemini模型时,Langfuse的UpdateGenerationBody在进行数据验证时抛出异常。

错误表现

系统会报告7个验证错误,主要集中在usageDetails字段上:

  1. prompt_tokens_details、candidates_tokens_details和cache_tokens_details的值不是有效整数
  2. 缺少必需的prompt_tokens、completion_tokens和total_tokens字段
  3. prompt_tokens_details中的modality字段值不是有效整数

这些错误表明Langfuse SDK期望的令牌使用数据结构与Gemini模型返回的实际数据结构不匹配。

技术分析

数据结构差异

Langfuse SDK期望的usageDetails结构有两种可能形式:

  1. 字符串到整数的映射
  2. 遵循OpenAIUsageSchema的结构,包含prompt_tokens、completion_tokens和total_tokens等整数字段

然而,Gemini模型返回的令牌使用数据采用了不同的命名约定和结构:

  • 使用input_tokens代替prompt_tokens
  • 使用output_tokens代替completion_tokens
  • 数据可能存储在generation_info["usage_metadata"]或message.usage_metadata中

版本兼容性问题

这个问题在不同版本的google-cloud-aiplatform库中表现不同。较新版本(1.78.0之后)似乎改变了数据返回格式,导致与Langfuse的验证机制不兼容。

解决方案

临时解决方案

目前确认有效的临时解决方案是将google-cloud-aiplatform降级到1.78.0版本:

pip install google-cloud-aiplatform==1.78.0

代码层解决方案

对于需要保持新版本库的用户,可以通过重写on_llm_end方法手动转换数据结构:

def on_llm_end(self, response, **kwargs):
    # 提取并转换Gemini的用量数据
    transformed_usage = None
    generation = response.generations[-1][-1]
    
    if isinstance(generation, ChatGeneration):
        # 检查可能的用量数据位置
        usage = None
        if generation.generation_info and "usage_metadata" in generation.generation_info:
            usage = generation.generation_info["usage_metadata"]
        elif hasattr(generation.message, "usage_metadata"):
            usage = generation.message.usage_metadata

        if usage:
            # 转换数据结构
            transformed_usage = {
                "prompt_tokens": usage.get("input_tokens", 0),
                "completion_tokens": usage.get("output_tokens", 0),
                "total_tokens": usage.get("total_tokens", 0),
            }
            kwargs["usage"] = transformed_usage

    # 调用父类方法
    try:
        super().on_llm_end(response, **kwargs)
    except TypeError as e:
        # 处理版本兼容性问题
        if "RunTree.end() got an unexpected keyword argument 'output'" in str(e):
            if 'output' in kwargs:
                del kwargs['output']
            super().on_llm_end(response, **kwargs)
        else:
            raise

最佳实践建议

  1. 版本控制:在使用Langfuse与Gemini集成时,严格控制依赖库版本,特别是google-cloud-aiplatform。

  2. 数据验证:在关键节点添加数据验证逻辑,确保数据结构符合预期。

  3. 错误处理:实现健壮的错误处理机制,特别是对于跨不同AI服务的数据结构差异。

  4. 监控:在生产环境中密切监控令牌使用统计,确保数据转换没有影响统计准确性。

未来展望

这个问题本质上源于不同AI服务提供商之间的数据格式差异。理想情况下,Langfuse等观测工具应该提供更灵活的数据适配层,或者各AI服务提供商应该考虑制定统一的数据交换标准。在此之前,开发人员需要关注这类集成问题,并在系统设计时预留足够的适配空间。

对于长期项目,建议封装一个统一的数据适配层,隔离不同AI服务的细节差异,使业务代码能够以统一的方式处理来自不同AI服务的响应。

登录后查看全文
热门项目推荐
相关项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
179
263
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
869
514
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
130
183
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
295
331
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
333
1.09 K
harmony-utilsharmony-utils
harmony-utils 一款功能丰富且极易上手的HarmonyOS工具库,借助众多实用工具类,致力于助力开发者迅速构建鸿蒙应用。其封装的工具涵盖了APP、设备、屏幕、授权、通知、线程间通信、弹框、吐司、生物认证、用户首选项、拍照、相册、扫码、文件、日志,异常捕获、字符、字符串、数字、集合、日期、随机、base64、加密、解密、JSON等一系列的功能和操作,能够满足各种不同的开发需求。
ArkTS
18
0
CangjieCommunityCangjieCommunity
为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.07 K
0
kernelkernel
deepin linux kernel
C
22
5
WxJavaWxJava
微信开发 Java SDK,支持微信支付、开放平台、公众号、视频号、企业微信、小程序等的后端开发,记得关注公众号及时接受版本更新信息,以及加入微信群进行深入讨论
Java
829
22
cherry-studiocherry-studio
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
601
58