Langfuse项目与Google Vertex AI Gemini集成中的令牌验证问题解析
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:
- prompt_tokens_details、candidates_tokens_details和cache_tokens_details的值不是有效整数
- 缺少必需的prompt_tokens、completion_tokens和total_tokens字段
- 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:
- 字符串到整数的映射
- 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
-
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。
-
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。
-
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。
-
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。
HunyuanImage-3.0
HunyuanImage-3.0 统一多模态理解与生成,基于自回归框架,实现文本生成图像,性能媲美或超越领先闭源模型00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++020Hunyuan3D-Part
腾讯混元3D-Part00GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0279Hunyuan3D-Omni
腾讯混元3D-Omni:3D版ControlNet突破多模态控制,实现高精度3D资产生成00Spark-Chemistry-X1-13B
科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile09
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选









