API Overview

`class` `Agent`

Pydantic 필드:

name: str | None
description: str | None
ref: trace.refs.ObjectRef | None
model_name: <class 'str'>
temperature: <class 'float'>
system_message: <class 'str'>
tools: list[typing.Any]

`방법` `step`

step(state: AgentState) → AgentState

에이전트의 step을 수행합니다. 매개변수:

state: 환경의 현재 상태입니다.
action: 수행할 동작입니다. 반환값: 환경의 새 상태입니다.

`class` `AgentState`

Pydantic 필드:

name: str | None
description: str | None
ref: trace.refs.ObjectRef | None
history: list[typing.Any]

`class` `AnnotationSpec`

Pydantic 필드:

name: str | None
description: str | None
field_schema: dict[str, typing.Any]
unique_among_creators: <class 'bool'>
op_scope: list[str] | None

`클래스 메서드` `preprocess_field_schema`

preprocess_field_schema(data: dict[str, Any]) → dict[str, Any]

`클래스 메서드` `validate_field_schema`

validate_field_schema(schema: dict[str, Any]) → dict[str, Any]

`방법` `value_is_valid`

value_is_valid(payload: Any) → bool

페이로드가 이 annotation spec의 스키마에 맞는지 검증합니다. 매개변수:

payload: 스키마를 기준으로 검증할 데이터 반환값:
bool: 검증에 성공하면 True, 그렇지 않으면 False

`class` `Audio`

지원되는 형식(wav 또는 mp3)의 오디오 데이터를 나타내는 클래스입니다. 이 클래스는 오디오 데이터 저장소를 관리하며, 다양한 소스에서 데이터를 로드하고 파일로 내보내는 방법을 제공합니다. 속성:

format: 오디오 형식(현재 ‘wav’ 또는 ‘mp3’ 지원)
data: 바이트 형식의 원시 오디오 데이터

매개변수:

data: 오디오 데이터(바이트 또는 base64로 인코딩된 문자열)
format: 오디오 형식(‘wav’ 또는 ‘mp3’)
validate_base64: 입력 데이터에 대해 base64 디코딩을 시도할지 여부 예외:
ValueError: 오디오 데이터가 비어 있거나 형식이 지원되지 않는 경우

`방법` `init`

__init__(
    data: 'bytes',
    format: 'SUPPORTED_FORMATS_TYPE',
    validate_base64: 'bool' = True
) → None

`방법` `export`

export(path: 'str | bytes | Path | PathLike') → None

오디오 데이터를 파일로 저장합니다. 매개변수:

`클래스 메서드` `from_data`

from_data(data: 'str | bytes', format: 'str') → Self

원시 데이터와 지정한 형식으로 Audio 객체를 생성합니다.

path: 오디오 파일을 저장할 경로 매개변수:
data: 바이트 또는 base64로 인코딩된 문자열 형태의 오디오 데이터
format: 오디오 형식 (‘wav’ 또는 ‘mp3’) 반환값:
Audio: 새로운 Audio 인스턴스

예외:

ValueError: 형식이 지원되지 않는 경우

`클래스 메서드` `from_path`

from_path(path: 'str | bytes | Path | PathLike') → Self

파일 경로로부터 Audio 객체를 생성합니다. 매개변수:

path: .wav 또는 .mp3 확장자를 가진 오디오 파일 경로 반환값:
Audio: 파일에서 로드된 새 Audio 인스턴스

예외:

ValueError: 파일이 존재하지 않거나 지원하지 않는 확장자인 경우

`class` `ClassifierMonitor`

여러 Scorer를 단일 분류기로 병합하는 모니터입니다. 분류기 모니터는 동일한 모델을 대상으로 하는 여러 LLMAsAJudgeScorer의 프롬프트를 하나의 점수화 call로 결합합니다. Pydantic 필드:

name: str | None
description: str | None
ref: trace.refs.ObjectRef | None
sampling_rate: <class 'float'>
scorers: list[flow.scorer.Scorer]
op_names: list[typing.Union[typing.Literal['genai.turn_ended'], str]]
query: trace_server.interface.query.Query | None
is_traced: <class 'bool'>
active: <class 'bool'>
scorer_debounce_config: flow.monitor.ScorerDebounceConfig | None
prompt_header: str | None
prompt_footer: str | None

`방법` `activate`

activate() → ObjectRef

모니터를 활성화합니다. 반환값: 모니터에 대한 참조입니다.

`방법` `deactivate`

deactivate() → ObjectRef

모니터를 비활성화합니다. 반환값: 모니터에 대한 참조입니다.

`클래스 메서드` `from_obj`

from_obj(obj: WeaveObject) → Self

`방법` `get_prompt_footer`

get_prompt_footer() → str

병합된 분류기 프롬프트 뒤에 추가할 텍스트입니다.

`방법` `get_prompt_header`

get_prompt_header(op_name: str) → str

병합된 분류기 프롬프트 앞에 앞서 추가할 텍스트입니다.

`class` `Content`

다양한 소스의 콘텐츠를 나타내며, 이를 관련 메타데이터와 함께 바이트 기반의 통합 표현으로 변환하는 클래스입니다. 이 클래스는 다음 클래스 메서드 중 하나를 사용해 인스턴스화해야 합니다.

from_path()
from_bytes()
from_text()
from_url()
from_base64()
from_data_url()

`방법` `init`

__init__(*args: 'Any', **kwargs: 'Any') → None

직접 초기화는 지원되지 않습니다. 인스턴스를 생성하려면 Content.from_path()와 같은 클래스 메서드를 사용하세요. Pydantic 필드:

data: <class 'bytes'>
size: <class 'int'>
mimetype: <class 'str'>
digest: <class 'str'>
filename: <class 'str'>
content_type: typing.Literal['bytes', 'text', 'base64', 'file', 'url', 'data_url', 'data_url:base64', 'data_url:encoding', 'data_url:encoding:base64']
input_type: <class 'str'>
encoding: <class 'str'>
metadata: dict[str, typing.Any] | None
extension: str | None

`속성` art

`속성` ref

`방법` `as_string`

as_string() → str

데이터를 문자열로 표시합니다. 바이트는 encoding 속성을 사용해 디코딩합니다. base64인 경우, 데이터를 먼저 base64 바이트로 다시 인코딩한 다음 ASCII 문자열로 디코딩합니다. 반환값: str.

`클래스 메서드` `from_base64`

from_base64(
    b64_data: 'str | bytes',
    extension: 'str | None' = None,
    mimetype: 'str | None' = None,
    metadata: 'dict[str, Any] | None' = None
) → Self

base64로 인코딩된 문자열 또는 바이트에서 Content를 초기화합니다.

`클래스 메서드` `from_bytes`

from_bytes(
    data: 'bytes',
    extension: 'str | None' = None,
    mimetype: 'str | None' = None,
    metadata: 'dict[str, Any] | None' = None,
    encoding: 'str' = 'utf-8'
) → Self

원시 바이트 데이터로부터 Content를 초기화합니다.

`클래스 메서드` `from_data_url`

from_data_url(url: 'str', metadata: 'dict[str, Any] | None' = None) → Self

데이터 URL로부터 Content를 초기화합니다.

`클래스 메서드` `from_path`

from_path(
    path: 'str | Path',
    encoding: 'str' = 'utf-8',
    mimetype: 'str | None' = None,
    metadata: 'dict[str, Any] | None' = None
) → Self

로컬 파일 경로를 사용해 Content를 초기화합니다.

`클래스 메서드` `from_text`

from_text(
    text: 'str',
    extension: 'str | None' = None,
    mimetype: 'str | None' = None,
    metadata: 'dict[str, Any] | None' = None,
    encoding: 'str' = 'utf-8'
) → Self

텍스트 문자열에서 Content를 초기화합니다.

`클래스 메서드` `from_url`

from_url(
    url: 'str',
    headers: 'dict[str, Any] | None' = None,
    timeout: 'int | None' = 30,
    metadata: 'dict[str, Any] | None' = None
) → Self

HTTP(S) URL에서 바이트를 가져와 Content를 초기화합니다. 콘텐츠를 다운로드하고, 헤더, URL 경로, 데이터로부터 MIME 유형/확장자를 추론한 뒤, 결과 바이트로 Content 객체를 생성합니다.

`클래스 메서드` `model_validate`

model_validate(
    obj: 'Any',
    strict: 'bool | None' = None,
    from_attributes: 'bool | None' = None,
    context: 'dict[str, Any] | None' = None,
    extra: 'str | None' = None,
    by_alias: 'bool | None' = None,
    by_name: 'bool | None' = None
) → Self

dict에서 Content를 재구성하는 작업을 처리하도록 model_validate를 재정의합니다.

`클래스 메서드` `model_validate_json`

model_validate_json(
    json_data: 'str | bytes | bytearray',
    strict: 'bool | None' = None,
    context: 'dict[str, Any] | None' = None,
    extra: 'str | None' = None,
    by_alias: 'bool | None' = None,
    by_name: 'bool | None' = None
) → Self

JSON에서 Content를 재구성할 수 있도록 model_validate_json을 재정의합니다.

`방법` `open`

open() → bool

운영 체제의 기본 애플리케이션을 사용하여 파일을 엽니다. 이 방법은 파일 유형과 연결된 기본 애플리케이션으로 파일을 열기 위해 플랫폼별 메커니즘을 사용합니다. 반환값:

bool: 파일을 성공적으로 열었으면 True, 그렇지 않으면 False입니다.

`방법` `save`

save(dest: 'str | Path') → None

파일을 지정된 대상 경로로 복사합니다. 마지막으로 저장된 복사본을 기준으로 콘텐츠의 파일명과 경로를 업데이트합니다. 매개변수:

`방법` `serialize_data`

serialize_data(data: 'bytes') → str

모델을 JSON 모드로 덤프할 때

`방법` `to_data_url`

to_data_url(use_base64: 'bool' = True) → str

콘텐츠에서 데이터 URL을 생성합니다.

dest: 파일이 복사될 대상 경로입니다(string 또는 pathlib.Path). 대상 경로는 파일 또는 디렉터리일 수 있습니다. dest에 파일 확장자(예: .txt)가 없으면 대상 경로는 디렉터리로 간주됩니다. 매개변수:
use_base64: True이면 데이터는 base64로 인코딩됩니다. 그렇지 않으면 퍼센트 인코딩됩니다. 기본값은 True입니다. 반환값: 데이터 URL 문자열입니다.

`class` `Dataset`

손쉽게 저장할 수 있고 자동 버전 관리를 지원하는 데이터셋 객체입니다. 예시:

# 데이터셋 생성
dataset = Dataset(name='grammar', rows=[
     {'id': '0', 'sentence': "He no likes ice cream.", 'correction': "He doesn't like ice cream."},
     {'id': '1', 'sentence': "She goed to the store.", 'correction': "She went to the store."},
     {'id': '2', 'sentence': "They plays video games all day.", 'correction': "They play video games all day."}
])

# 데이터셋 게시
weave.publish(dataset)

# 데이터셋 조회
dataset_ref = weave.ref('grammar').get()

# 특정 예시 액세스
example_label = dataset_ref.rows[2]['sentence']

Pydantic 필드:

name: str | None
description: str | None
ref: trace.refs.ObjectRef | None
rows: trace.table.Table | trace.vals.WeaveTable

`방법` `add_rows`

add_rows(rows: Iterable[dict]) → Dataset

기존 데이터셋에 행을 덧붙여 새 데이터셋 버전을 만듭니다. 이 방법은 전체 데이터셋을 메모리에 로드하지 않고도 대규모 데이터셋에 예제를 추가할 때 유용합니다. 매개변수:

rows: 데이터셋에 추가할 행입니다. 반환값: 업데이트된 데이터셋입니다.

`클래스 메서드` `convert_to_table`

convert_to_table(rows: Any) → Table | WeaveTable

`클래스 메서드` `from_calls`

from_calls(calls: Iterable[Call]) → Self

`클래스 메서드` `from_hf`

from_hf(hf_dataset: 'HFDataset | HFDatasetDict') → Self

`클래스 메서드` `from_obj`

from_obj(obj: WeaveObject) → Self

`클래스 메서드` `from_pandas`

from_pandas(df: 'DataFrame') → Self

`방법` `select`

select(indices: Iterable[int]) → Self

제공된 인덱스를 기준으로 데이터셋에서 행을 선택합니다. 매개변수:

indices: 선택할 행을 지정하는 정수 인덱스의 이터러블입니다. 반환값: 선택한 행만 포함하는 새 데이터셋 객체입니다.

`방법` `to_hf`

to_hf() → HFDataset

`방법` `to_pandas`

to_pandas() → DataFrame

`class` `EasyPrompt`

`방법` `init`

__init__(
    content: str | dict | list | None = None,
    role: str | None = None,
    dedent: bool = False,
    **kwargs: Any
) → None

Pydantic 필드:

name: str | None
description: str | None
ref: trace.refs.ObjectRef | None
data: <class 'list'>
config: <class 'dict'>
requirements: <class 'dict'>

`속성` as_str

모든 메시지를 하나의 문자열로 합쳐 반환합니다.

`속성` is_bound

`속성` 메시지

`속성` 플레이스홀더

`속성` system_message

모든 메시지를 합쳐 하나의 system prompt 메시지로 만듭니다.

`속성` system_prompt

모든 메시지를 시스템 프롬프트 객체로 합칩니다.

`속성` unbound_placeholders

`방법` `append`

append(item: Any, role: str | None = None, dedent: bool = False) → None

`방법` `as_dict`

as_dict() → dict[str, Any]

`방법` `as_pydantic_dict`

as_pydantic_dict() → dict[str, Any]

`방법` `bind`

bind(*args: Any, **kwargs: Any) → Prompt

`방법` `bind_rows`

bind_rows(dataset: list[dict] | Any) → list['Prompt']

`방법` `config_table`

config_table(title: str | None = None) → Table

`방법` `configure`

configure(config: dict | None = None, **kwargs: Any) → Prompt

`방법` `dump`

dump(fp: <class 'IO'>) → None

`방법` `dump_file`

dump_file(filepath: str | Path) → None

`방법` `format`

format(**kwargs: Any) → Any

`클래스 메서드` `from_obj`

from_obj(obj: WeaveObject) → Self

`클래스 메서드` `load`

load(fp: <class 'IO'>) → Self

`클래스 메서드` `load_file`

load_file(filepath: str | Path) → Self

`방법` `messages_table`

messages_table(title: str | None = None) → Table

`방법` `print`

print() → str

`방법` `publish`

publish(
    name: str | None = None,
    tags: list[str] | None = None,
    aliases: list[str] | None = None
) → ObjectRef

`방법` `require`

require(param_name: str, **kwargs: Any) → Prompt

`방법` `run`

run() → Any

`방법` `validate_requirement`

validate_requirement(key: str, value: Any) → list

`방법` `validate_requirements`

validate_requirements(values: dict[str, Any]) → list

`방법` `values_table`

values_table(title: str | None = None) → Table

`class` `Evaluation`

scorer 집합과 데이터셋을 포함하는 Evaluation을 설정합니다. 평가.evaluate(model)을 호출하면 데이터셋의 각 행이 모델에 전달되며, 이때 데이터셋의 column 이름이 model.predict의 argument 이름과 일치하도록 매핑됩니다. 그런 다음 모든 scorer를 호출하고 결과를 Weave에 저장합니다. 데이터셋의 행을 전처리하려면 preprocess_model_input에 함수를 전달할 수 있습니다. 예시:

# 예시 데이터 수집
examples = [
     {"question": "What is the capital of France?", "expected": "Paris"},
     {"question": "Who wrote 'To Kill a Mockingbird'?", "expected": "Harper Lee"},
     {"question": "What is the square root of 64?", "expected": "8"},
]

# 맞춤형 scoring 함수 정의
@weave.op
def match_score1(expected: str, model_output: dict) -> dict:
     # 모델 출력을 채점하는 로직을 여기에 정의합니다
     return {'match': expected == model_output['generated_text']}

@weave.op
def function_to_evaluate(question: str):
     # LLM 호출을 추가하고 출력을 반환하는 부분입니다
     return  {'generated_text': 'Paris'}

# scoring 함수를 사용하여 예시 채점
evaluation = Evaluation(
     dataset=examples, scorers=[match_score1]
)

# 평가 tracking 시작
weave.init('intro-example')
# 평가 실행
asyncio.run(evaluation.evaluate(function_to_evaluate))

Pydantic 필드:

name: str | None
description: str | None
ref: trace.refs.ObjectRef | None
dataset: <class 'dataset.dataset.Dataset'>
scorers: list[typing.Annotated[trace.op_protocol.Op | flow.scorer.Scorer, BeforeValidator(func=<function cast_to_scorer at 0x7f1615b1b600>, json_schema_input_type=PydanticUndefined)]] | None
preprocess_model_input: collections.abc.Callable[[dict], dict] | None
trials: <class 'int'>
metadata: dict[str, typing.Any] | None
evaluation_name: str | collections.abc.Callable[trace.call.Call, str] | None

`방법` `evaluate`

evaluate(model: Op | Model) → dict

`클래스 메서드` `from_obj`

from_obj(obj: WeaveObject) → Self

`방법` `get_eval_results`

get_eval_results(model: Op | Model) → EvaluationResults

`방법` `get_evaluate_calls`

get_evaluate_calls() → PaginatedIterator[CallSchema, WeaveObject]

이 Evaluation 객체를 사용한 모든 평가 call을 조회합니다. 단일 평가에 대해 여러 평가 call이 있을 수 있으므로(예: 동일한 평가을 여러 번 run한 경우), 단일 Call이 아니라 CallsIter를 반환합니다. 반환값:

CallsIter: 평가 run을 나타내는 Call 객체의 이터레이터입니다.

예외:

ValueError: 평가에 ref가 없는 경우(아직 저장되거나 run되지 않은 경우)

예시:

evaluation = Evaluation(dataset=examples, scorers=[scorer])
await evaluation.evaluate(model)  # 먼저 평가 실행
calls = evaluation.get_evaluate_calls()
for call in calls:
     print(f"Evaluation run: {call.id} at {call.started_at}")

`방법` `get_score_calls`

get_score_calls() → dict[str, list[Call]]

각 evaluation run의 scorer call을 트레이스 ID별로 그룹화하여 조회합니다. 반환값:

dict[str, list[Call]]: 트레이스 ID를 scorer Call 객체 목록에 매핑한 딕셔너리입니다. 각 트레이스 ID는 하나의 evaluation run을 나타내며, 목록에는 해당 run 동안 실행된 모든 scorer call이 포함됩니다.

예시:

evaluation = Evaluation(dataset=examples, scorers=[accuracy_scorer, f1_scorer])
await evaluation.evaluate(model)
score_calls = evaluation.get_score_calls()
for trace_id, calls in score_calls.items():
     print(f"Trace {trace_id}: {len(calls)} scorer calls")
     for call in calls:
         scorer_name = call.summary.get("weave", {}).get("trace_name")
         print(f"  Scorer: {scorer_name}, Output: {call.output}")

`방법` `get_scores`

get_scores() → dict[str, dict[str, list[Any]]]

평가 run의 scorer 출력을 추출해 정리합니다. 반환값:

dict[str, dict[str, list[Any]]]: 다음과 같은 중첩 딕셔너리 구조입니다.
- 첫 번째 수준의 키는 트레이스 ID(평가 run)입니다.
- 두 번째 수준의 키는 scorer 이름입니다.
- 값은 해당 run 및 scorer에 대한 scorer 출력 목록입니다.

예시:

evaluation = Evaluation(dataset=examples, scorers=[accuracy_scorer, f1_scorer])
await evaluation.evaluate(model)
scores = evaluation.get_scores()
# 트레이스 및 scorer별 점수 액세스
for trace_id, trace_scores in scores.items():
         print(f"Evaluation run {trace_id}:")
         for scorer_name, outputs in trace_scores.items():
             print(f"  {scorer_name}: {outputs}")

예상 출력:

{
     "trace_123": {
     "accuracy_scorer": [{"accuracy": 0.85}],
     "f1_scorer": [{"f1": 0.78}]
     }
}

`방법` `model_post_init`

model_post_init(context: Any) → None

`방법` `predict_and_score`

predict_and_score(model: Op | Model, example: dict) → dict

`방법` `summarize`

summarize(eval_table: EvaluationResults) → dict

`class` `EvaluationLogger`

이 클래스는 평가를 로깅하기 위한 명령형 인터페이스를 제공합니다. 평가는 첫 번째 예측이 log_prediction 방법으로 로깅되면 자동으로 시작되고, log_summary 방법이 호출되면 종료됩니다. 예측을 로깅할 때마다 ScoreLogger 객체가 반환됩니다. 이 객체를 사용해 해당 예측의 점수와 메타데이터를 로깅할 수 있습니다. 자세한 내용은 ScoreLogger 클래스를 참조하세요. 기본 사용법 - 입력과 출력을 직접 전달해 예측을 로깅합니다:

ev = EvaluationLogger()

# 알려진 입력/출력으로 예측 로깅
pred = ev.log_prediction(inputs={'q': 'Hello'}, outputs={'a': 'Hi there!'})
pred.log_score("correctness", 0.9)

# 평가 완료
ev.log_summary({"avg_score": 0.9})

고급 활용 - 동적 출력과 중첩 오퍼레이션에는 컨텍스트 관리자를 사용:

ev = EvaluationLogger()

# 중첩 오퍼레이션을 캡처해야 할 때 컨텍스트 관리자를 사용하세요
with ev.log_prediction(inputs={'q': 'Hello'}) as pred:
     # 여기서 수행되는 모든 오퍼레이션(예: LLM calls)은 자동으로
     # predict call의 하위 항목이 됩니다
     response = your_llm_call(...)
     pred.output = response.content
     pred.log_score("correctness", 0.9)

# 평가를 완료합니다
ev.log_summary({"avg_score": 0.9})

`방법` `init`

__init__(
    name: 'str | None' = None,
    model: 'Model | dict | str | None' = None,
    dataset: 'Dataset | list[dict] | str | None' = None,
    eval_attributes: 'dict[str, Any] | None' = None,
    scorers: 'list[str] | None' = None
) → None

`속성` attributes

`속성` ui_url

`방법` `fail`

fail(exception: 'BaseException') → None

예외를 발생시켜 평가를 실패 처리하는 편의 방법입니다.

`방법` `finish`

finish(exception: 'BaseException | None' = None) → None

summary를 로깅하지 않고 평가 리소스를 명시적으로 정리합니다. 모든 prediction call과 주 평가 call이 최종 처리되도록 보장합니다. logger를 컨텍스트 관리자로 사용하는 경우 이 메서드는 자동으로 호출됩니다.

`방법` `log_example`

log_example(
    inputs: 'dict[str, Any]',
    output: 'Any',
    scores: 'dict[str, ScoreType]'
) → None

입력, 출력, 점수를 포함한 전체 예시를 로깅합니다. 모든 데이터가 미리 준비되어 있을 때 log_prediction과 log_score를 함께 사용하는 편의 방법입니다. 인수:

inputs: 예측을 위한 입력 데이터
output: 출력 값
scores: scorer 이름을 점수 값에 매핑한 사전 예시:

ev = EvaluationLogger()
ev.log_example(
    inputs={'q': 'What is 2+2?'},
    output='4',
    scores={'correctness': 1.0, 'fluency': 0.9}
)

`방법` `log_prediction`

log_prediction(inputs: 'dict[str, Any]', output: 'Any' = None) → ScoreLogger

Evaluation에 예측을 로깅합니다. 직접 사용하거나 컨텍스트 관리자로 사용할 수 있는 ScoreLogger를 반환합니다. 인수:

inputs: 예측용 입력 데이터
output: 출력값입니다. 기본값은 None입니다. 나중에 pred.output으로 설정할 수 있습니다. 반환값: 점수를 로깅하고 필요에 따라 예측을 완료하는 데 사용하는 ScoreLogger입니다.

예시(직접 호출):

pred = ev.log_prediction({'q': ’…’}, output=“answer”) pred.log_score(“correctness”, 0.9) pred.finish()

예시(컨텍스트 관리자):

with ev.log_prediction({'q': ’…’}) as pred: response = model(…) pred.output = response pred.log_score(“correctness”, 0.9) # 종료 시 finish()가 자동으로 호출됩니다

`방법` `log_summary`

log_summary(summary: 'dict | None' = None, auto_summarize: 'bool' = True) → None

Evaluation에 summary 딕셔너리를 로깅합니다. 이 작업을 수행하면 summary를 계산하고 summarize op를 호출한 뒤 Evaluation을 종료하므로, 이후에는 predictions나 점수를 더 이상 로깅할 수 없습니다.

`방법` `set_view`

set_view(
    name: 'str',
    content: 'Content | str',
    extension: 'str | None' = None,
    mimetype: 'str | None' = None,
    metadata: 'dict[str, Any] | None' = None,
    encoding: 'str' = 'utf-8'
) → None

weave.views 아래의 evaluation 기본 call 요약에 뷰를 연결합니다. 제공된 콘텐츠를 프로젝트의 객체로 저장하고, evaluation의 evaluate call에 대해 그 레퍼런스 URI를 summary.weave.views.<name> 아래에 기록합니다. 문자열 입력은 제공된 확장자 또는 MIME 유형을 사용해 Content.from_text로 텍스트 콘텐츠로 래핑됩니다. 인수:

name: 표시할 뷰 이름입니다. summary.weave.views 아래에서 키로 사용됩니다.
content: 직렬화할 weave.Content 인스턴스 또는 문자열입니다.
extension: 문자열 콘텐츠 입력에 사용할 선택적 파일 확장자입니다.
mimetype: 문자열 콘텐츠 입력에 사용할 선택적 MIME 유형입니다.
metadata: 새로 생성된 Content에 첨부할 선택적 메타데이터입니다.
encoding: 문자열 콘텐츠 입력에 대한 텍스트 인코딩입니다. 반환값: 없음

예시: import weave

ev = weave.EvaluationLogger() ev.set_view(“report”, ”# Report”, extension=“md”)

`class` `File`

경로, MIME 유형, 크기 정보가 있는 파일을 나타내는 클래스입니다.

`방법` `init`

__init__(path: 'str | Path', mimetype: 'str | None' = None)

File 객체를 초기화합니다. 매개변수:

`속성` filename

파일 이름을 조회합니다.

path: 파일 경로(string 또는 pathlib.Path)
mimetype: 파일의 선택 사항인 MIME 유형 - 지정하지 않으면 확장자를 기준으로 추론됩니다 반환값:
str: 디렉터리 경로를 제외한 파일 이름입니다.

`방법` `open`

open() → bool

운영 체제의 기본 애플리케이션을 사용해 파일을 엽니다. 이 방법은 플랫폼별 메커니즘을 사용해 파일 유형에 연결된 기본 애플리케이션으로 파일을 엽니다. 반환값:

bool: 파일을 성공적으로 열었으면 True, 그렇지 않으면 False입니다.

`방법` `save`

save(dest: 'str | Path') → None

파일을 지정된 대상 경로에 복사합니다. 인수:

`class` `LLM`

LLM API Call 1건입니다. 채팅 OTel span에 해당합니다.

dest: 파일이 복사될 대상 경로입니다(string 또는 pathlib.Path). 대상 경로는 파일이나 디렉터리일 수 있습니다. Pydantic 필드:
model: <class 'str'>
provider_name: <class 'str'>
response_id: <class 'str'>
response_model: <class 'str'>
output_type: <class 'str'>
system_instructions: list[str]
usage: <class 'session.types.Usage'>
reasoning: <class 'session.types.Reasoning'>
finish_reasons: list[str]
input_messages: list[session.types.Message]
output_messages: list[session.types.Message]
media_attachments: list[session.types.MediaAttachment]
request_temperature: float | None
request_max_tokens: int | None
request_top_p: float | None
request_frequency_penalty: float | None
request_presence_penalty: float | None
request_seed: int | None
request_stop_sequences: list[str]
request_choice_count: int | None
started_at: datetime.datetime | None
ended_at: datetime.datetime | None

`방법` `attach_media`

attach_media(
    content: 'bytes | str' = '',
    uri: 'str' = '',
    file_id: 'str' = '',
    mime_type: 'str' = '',
    modality: 'str' = ''
) → LLM

이 LLM Call에 미디어를 첨부합니다. content, uri 또는 file_id 중 정확히 하나만 제공해야 합니다. 명시적으로 설정하지 않으면 mime_type을 기준으로 Modality를 추론합니다.

`방법` `attach_media_url`

attach_media_url(url: 'str', modality: 'str' = '') → LLM

이 LLM Call에 미디어 URL을 첨부합니다. 호출자에게 업스트림 메시지에서 받은 URL string이 있고 이를 직접 확인하고 싶지 않은 일반적인 경우에는 attach_media보다 더 편리합니다. data: URL은 mime_type + 인라인 콘텐츠(kind=blob)로 파싱되며, 일반 URI는 kind=uri가 됩니다. 빈 URL은 무시됩니다. 체이닝할 수 있도록 self를 반환합니다.

`방법` `end`

end() → None

`방법` `model_post_init`

model_post_init(context: 'Any') → None

`방법` `output`

output(content: 'str') → LLM

output_messages에 assistant 메시지를 추가합니다.

`방법` `record`

record(
    input_messages: 'list[Message] | None' = None,
    output_messages: 'list[Message] | None' = None,
    media_attachments: 'list[MediaAttachment] | None' = None,
    usage: 'Usage | None' = None,
    reasoning: 'Reasoning | str | None' = None,
    response_id: 'str | None' = None,
    response_model: 'str | None' = None,
    finish_reasons: 'list[str] | None' = None,
    output_type: 'str | None' = None
) → LLM

한 번의 호출로 여러 LLM 호출 필드를 설정합니다. 수동으로 계측한 에이전트는 일반적으로 LLM 호출이 끝날 때 여덟 개 이상의 개별 필드(input_messages, output_messages, usage, response_id 등)에 값을 설정해 채팅 span을 구성합니다. record(...)는 이를 하나의 키워드 호출로 묶어 기록하는 코드를 간결하게 유지합니다. 명시적으로 전달된 필드(non-None)만 적용되며, 기존 값은 유지됩니다. reasoning은 Reasoning 인스턴스 또는 일반 string을 받을 수 있으며(자동으로 래핑됨), 체이닝할 수 있도록 self를 반환합니다.

`방법` `think`

think(content: 'str') → LLM

추론/사고 과정 내용을 설정합니다.

`class` `LogResult`

배치 log_* 호출 결과입니다. Pydantic 필드:

session_id: <class 'str'>
trace_ids: list[str]
root_span_ids: list[str]
span_count: <class 'int'>

`class` `Markdown`

렌더링할 수 있는 Markdown입니다. 매개변수:

markup (str): Markdown이 포함된 문자열입니다.
code_theme (str, optional): 코드 블록에 사용할 Pygments 테마입니다. 기본값은 “monokai”입니다. 코드 테마는 https://pygments.org/styles/ 를 참조하세요.
justify (JustifyMethod, optional): 단락의 정렬 값입니다. 기본값은 None입니다.
style (Union[str, Style], optional): Markdown에 적용할 선택적 스타일입니다.
hyperlinks (bool, optional): 하이퍼링크를 활성화합니다. 기본값은 True입니다.

`방법` `init`

__init__(
    markup: 'str',
    code_theme: 'str' = 'monokai',
    justify: 'JustifyMethod | None' = None,
    style: 'str | Style' = 'none',
    hyperlinks: 'bool' = True,
    inline_code_lexer: 'str | None' = None,
    inline_code_theme: 'str | None' = None
) → None

`class` `MediaAttachment`

LLM Call에 포함된 미디어 첨부입니다.

inline_code_lexer: (str, optional): 인라인 코드 강조가 활성화된 경우 사용할 렉서입니다. 기본값은 None입니다.
inline_code_theme: (Optional[str], optional): 인라인 코드 강조에 사용할 Pygments 테마이며, 강조를 사용하지 않으려면 None으로 설정합니다. 기본값은 None입니다. Pydantic 필드:
kind: typing.Literal['blob', 'uri', 'file']
modality: <class 'str'>
mime_type: <class 'str'>
content: bytes | str
uri: <class 'str'>
file_id: <class 'str'>

`class` `Message`

대화에서 사용하는 단일 메시지입니다. 두 가지 생성 방식이 지원됩니다.

Flat(이전 버전과의 호환성을 위한 방식으로, 일반 텍스트에 사용하기 편리): Message(role="assistant", content="Hi there")
명시적 parts(더 풍부한 표현 지원 — 도구 Call, 추론+텍스트 혼합, 인라인 미디어): Message(role="assistant", parts=[TextPart(content="Let me check"), ToolCallPart(id="c1", name="get_weather", arguments='{...}')])

parts가 비어 있지 않으면 이것이 표준 표현입니다. 비어 있으면 serializer가 flat 필드에서 단일 TextPart(또는 role="tool"인 경우 ToolCallResponsePart)를 생성합니다. Pydantic 필드:

role: typing.Literal['user', 'assistant', 'system', 'tool']
content: <class 'str'>
tool_call_id: <class 'str'>
tool_name: <class 'str'>
parts: list[typing.Annotated[session.types.TextPart | session.types.ReasoningPart | session.types.ToolCallPart | session.types.ToolCallResponsePart | session.types.BlobPart | session.types.UriPart | session.types.FilePart, FieldInfo(annotation=NoneType, required=True, discriminator='type')]]

`클래스 메서드` `assistant`

assistant(
    text: 'str' = '',
    tool_calls: 'list[ToolCallPart] | None' = None
) → Message

선택적 텍스트와 도구 Call을 포함하는 어시스턴트 메시지를 구축합니다. 단순한 응답에는 일반 텍스트를 사용하고, 어시스턴트가 하나 이상의 도구를 요청하는 경우 tool_calls를 전달하세요. 둘 다 있으면 텍스트가 앞부분의 TextPart로 출력되고, 이어서 각 ToolCallPart가 따라와 채팅 뷰에 인라인으로 렌더링됩니다.

`클래스 메서드` `system`

system(text: 'str') → Message

일반 텍스트로 시스템 메시지를 구축합니다.

`클래스 메서드` `tool_result`

tool_result(call_id: 'str', output: 'Any') → Message

이전에 요청된 도구 Call에 대한 도구 결과 메시지를 구축합니다. output은 string, dict, list, scalar 또는 None일 수 있으며, 내부적으로 ToolCallResponsePart는 string이 아닌 값을 JSON으로 인코딩합니다.

`클래스 메서드` `user`

user(text: 'str') → Message

일반 텍스트에서 사용자 메시지를 생성합니다.

`class` `MessagesPrompt`

`방법` `init`

__init__(messages: list[dict])

Pydantic 필드:

name: str | None
description: str | None
ref: trace.refs.ObjectRef | None
messages: list[dict]

`방법` `format`

format(**kwargs: Any) → list

`방법` `format_message`

format_message(message: dict, **kwargs: Any) → dict

템플릿 변수를 치환해 단일 메시지를 포맷합니다. 이 방법은 실제 포맷팅 로직을 독립 실행형 format_message_with_template_vars 함수에 위임합니다.

`클래스 메서드` `from_obj`

from_obj(obj: WeaveObject) → Self

`class` `Model`

입력을 받아 동작하는 코드와 데이터의 조합을 캡처하기 위한 클래스입니다. 예를 들어, 예측을 수행하거나 텍스트를 생성하기 위해 프롬프트와 함께 LLM을 call할 수 있습니다. 모델을 정의하는 속성이나 코드를 변경하면 이러한 변경 사항이 로깅되고 버전이 업데이트됩니다. 이를 통해 모델의 서로 다른 버전 간 예측을 비교할 수 있습니다. 이를 사용해 프롬프트를 반복 개선하거나 최신 LLM을 사용해 보고, 서로 다른 설정에서 예측을 비교할 수 있습니다. 예시:

class YourModel(Model):
     attribute1: str
     attribute2: int

     @weave.op
     def predict(self, input_data: str) -> dict:
         # 모델 로직을 여기에 작성하세요
         prediction = self.attribute1 + ' ' + input_data
         return {'pred': prediction}

Pydantic 필드:

name: str | None
description: str | None
ref: trace.refs.ObjectRef | None

`방법` `get_infer_method`

get_infer_method() → Callable

`class` `Monitor`

수신되는 call의 점수를 자동으로 매기는 모니터를 설정합니다. 예시:

import weave
from weave.scorers import ValidJSONScorer

json_scorer = ValidJSONScorer()

my_monitor = weave.Monitor(
     name="my-monitor",
     description="This is a test monitor",
     sampling_rate=0.5,
     op_names=["my_op"],
     query={
         "$expr": {
             "$gt": [
                 {
                         "$getField": "started_at"
                     },
                     {
                         "$literal": 1742540400
                     }
                 ]
             }
         }
     },
     scorers=[json_scorer],
)

my_monitor.activate()

Pydantic 필드:

name: str | None
description: str | None
ref: trace.refs.ObjectRef | None
sampling_rate: <class 'float'>
scorers: list[flow.scorer.Scorer]
op_names: list[typing.Union[typing.Literal['genai.turn_ended'], str]]
query: trace_server.interface.query.Query | None
is_traced: <class 'bool'>
active: <class 'bool'>
scorer_debounce_config: flow.monitor.ScorerDebounceConfig | None

`방법` `activate`

activate() → ObjectRef

모니터를 활성화합니다. 반환값: 모니터에 대한 참조입니다.

`방법` `deactivate`

deactivate() → ObjectRef

모니터를 비활성화합니다. 반환값: 모니터에 대한 참조입니다.

`클래스 메서드` `from_obj`

from_obj(obj: WeaveObject) → Self

`class` `Object`

추적 및 버전 관리가 가능한 Weave 객체의 기본 클래스입니다. 이 클래스는 Pydantic의 BaseModel을 확장해 객체 추적, 참조, 직렬화를 위한 Weave 전용 기능을 제공합니다. 객체에는 이름, 설명, 그리고 Weave 시스템에 저장하고 조회할 수 있도록 하는 참조가 포함될 수 있습니다. 속성:

name (str | None): 객체를 사람이 읽기 쉬운 형태로 식별하는 이름입니다.
description (str | None): 객체가 나타내는 내용을 설명합니다.
ref (ObjectRef | None): Weave 시스템 내 객체에 대한 참조입니다.

예시:

# 단순한 객체 생성
obj = Object(name="my_object", description="A test object")

# URI에서 객체 생성
obj = Object.from_uri("weave:///entity/project/object:digest")

Pydantic 필드:

name: str | None
description: str | None
ref: trace.refs.ObjectRef | None

`클래스 메서드` `from_uri`

from_uri(uri: str, objectify: bool = True) → Self

Weave URI로부터 객체 인스턴스를 생성합니다. 매개변수:

uri (str): 객체를 가리키는 Weave URI입니다.
objectify (bool): 결과를 객체로 변환할지 여부입니다. 기본값은 True입니다.

반환값:

Self: URI로부터 생성된 클래스 인스턴스입니다.

예외:

NotImplementedError: 클래스가 역직렬화에 필요한 메서드를 구현하지 않은 경우 발생합니다.

예시:

obj = MyObject.from_uri("weave:///entity/project/object:digest")

`클래스 메서드` `handle_relocatable_object`

handle_relocatable_object(
    v: Any,
    handler: ValidatorFunctionWrapHandler,
    info: ValidationInfo
) → Any

ObjectRef 및 WeaveObject를 포함한 재배치 가능한 객체의 검증을 처리합니다. 이 검증기는 입력값이 ObjectRef 또는 WeaveObject일 때, 이를 표준 객체 인스턴스로 적절히 변환해야 하는 특수한 경우를 처리합니다. 또한 검증 과정에서 참조가 유지되고, 무시된 유형이 올바르게 처리되도록 보장합니다. 매개변수:

v (Any): 검증할 값입니다.
handler (ValidatorFunctionWrapHandler): 표준 pydantic 검증 핸들러입니다.
info (ValidationInfo): 검증 컨텍스트 정보입니다.

반환값:

Any: 검증된 객체 인스턴스입니다.

예시: 이 방법은 객체를 생성하고 검증하는 동안 자동으로 호출됩니다. 다음과 같은 경우를 처리합니다: ```python

ObjectRef를 전달하는 경우

obj = MyObject(some_object_ref)

WeaveObject가 전달된 경우

obj = MyObject(some_weave_object)

---

<SourceLink url="https://github.com/wandb/weave/blob/v0.52.42/weave/object/obj.py#L91" />

### <kbd>classmethod</kbd> `strip_weave_serialization_metadata`

```python
strip_weave_serialization_metadata(data: Any) → Any

dict 입력에서 Weave 직렬화 메타데이터를 제거합니다. Weave 직렬화는 유형 재구성을 위해 dict에 _type, _class_name, _bases를 추가합니다. 이는 실제 모델 필드가 아니므로 extra=“forbid”를 사용하는 Pydantic 검증 전에 제거해야 합니다.

`class` `ObjectRef`

ObjectRef(entity: ‘str’, project: ‘str’, name: ‘str’, _digest: ‘str | Future[str]’, _extra: ‘tuple[str | Future[str], …]’ = ())

`방법` `init`

__init__(
    entity: 'str',
    project: 'str',
    name: 'str',
    _digest: 'str | Future[str]',
    _extra: 'tuple[str | Future[str], ]' = ()
) → None

`속성` digest

`속성` extra

`속성` is_digest_resolved

`방법` `as_param_dict`

as_param_dict() → dict

`방법` `delete`

delete() → None

`방법` `get`

get(objectify: 'bool' = True) → Any

`방법` `is_descended_from`

is_descended_from(potential_ancestor: 'ObjectRef') → bool

`방법` `maybe_parse_uri`

maybe_parse_uri(s: 'str') → AnyRef | None

`방법` `parse_uri`

parse_uri(uri: 'str') → ObjectRef

`방법` `with_attr`

with_attr(attr: 'str') → Self

`방법` `with_extra`

with_extra(extra: 'tuple[str | Future[str], ]') → Self

`방법` `with_index`

with_index(index: 'int') → Self

`방법` `with_item`

with_item(item_digest: 'str | Future[str]') → Self

`방법` `with_key`

with_key(key: 'str') → Self

`class` `Prompt`

Pydantic 필드:

name: str | None
description: str | None
ref: trace.refs.ObjectRef | None

`방법` `format`

format(**kwargs: Any) → Any

`class` `SavedView`

SavedView 객체를 다루기 위한 플루언트 스타일 클래스입니다.

`방법` `init`

__init__(view_type: 'str' = 'traces', label: 'str' = 'SavedView') → None

`속성` entity

`속성` 레이블

`속성` 프로젝트

`속성` view_type

`방법` `add_column`

add_column(path: 'str | ObjectPath', label: 'str | None' = None) → SavedView

`방법` `add_columns`

add_columns(*columns: 'str') → SavedView

그리드에 여러 열을 추가하는 편의 메서드입니다.

`방법` `add_filter`

add_filter(
    field: 'str',
    operator: 'str',
    value: 'Any | None' = None
) → SavedView

`방법` `add_sort`

add_sort(field: 'str', direction: 'SortDirection') → SavedView

`방법` `column_index`

column_index(path: 'int | str | ObjectPath') → int

`방법` `filter_op`

filter_op(op_name: 'str | None') → SavedView

`방법` `get_calls`

get_calls(
    limit: 'int | None' = None,
    offset: 'int | None' = None,
    include_costs: 'bool' = False,
    include_feedback: 'bool' = False,
    all_columns: 'bool' = False
) → CallsIter

이 저장된 뷰의 필터와 설정에 맞는 calls를 조회합니다.

`방법` `get_known_columns`

get_known_columns(num_calls_to_query: 'int | None' = None) → list[str]

존재하는 것으로 확인된 열 집합을 조회합니다.

`방법` `get_table_columns`

get_table_columns() → list[TableColumn]

`방법` `hide_column`

hide_column(col_name: 'str') → SavedView

`방법` `insert_column`

insert_column(
    idx: 'int',
    path: 'str | ObjectPath',
    label: 'str | None' = None
) → SavedView

`클래스 메서드` `load`

load(ref: 'str') → Self

`방법` `page_size`

page_size(page_size: 'int') → SavedView

`방법` `pin_column_left`

pin_column_left(col_name: 'str') → SavedView

`방법` `pin_column_right`

pin_column_right(col_name: 'str') → SavedView

`방법` `remove_column`

remove_column(path: 'int | str | ObjectPath') → SavedView

`방법` `remove_columns`

remove_columns(*columns: 'str') → SavedView

저장된 뷰에서 열을 제거합니다.

`방법` `remove_filter`

remove_filter(index_or_field: 'int | str') → SavedView

`방법` `remove_filters`

remove_filters() → SavedView

저장된 뷰의 모든 필터를 제거합니다.

`방법` `rename`

rename(label: 'str') → SavedView

`방법` `rename_column`

rename_column(path: 'int | str | ObjectPath', label: 'str') → SavedView

`방법` `save`

save() → SavedView

저장된 뷰를 서버에 게시합니다.

`방법` `set_columns`

set_columns(*columns: 'str') → SavedView

그리드에 표시할 열을 설정합니다.

`방법` `show_column`

show_column(col_name: 'str') → SavedView

`방법` `sort_by`

sort_by(field: 'str', direction: 'SortDirection') → SavedView

`방법` `to_grid`

to_grid(limit: 'int | None' = None) → Grid

`방법` `to_rich_table_str`

to_rich_table_str() → str

`방법` `ui_url`

ui_url() → str | None

UI에서 이 저장된 뷰를 표시할 URL입니다. 참고로 이는 트레이스 등이 표시되는 “result” 페이지의 URL이며, 뷰 객체의 URL은 아닙니다.

`방법` `unpin_column`

unpin_column(col_name: 'str') → SavedView

`class` `Scorer`

Pydantic 필드:

name: str | None
description: str | None
ref: trace.refs.ObjectRef | None
column_map: dict[str, str] | None

`속성` display_name

`클래스 메서드` `from_obj`

from_obj(obj: WeaveObject) → Self

`방법` `model_post_init`

model_post_init(context: Any) → None

`방법` `score`

score(output: Any, **kwargs: Any) → Any

`방법` `summarize`

summarize(score_rows: list) → dict | None

`class` `Session`

대화 세션입니다. conversation_id를 기준으로 turn을 그룹화합니다(span 없음). continue_parent_trace는 이 세션이 생성하는 turn의 트레이스 격리 여부를 제어합니다. 기본값 False는 각 turn이 자체 OTel 트레이스를 시작한다는 의미입니다(독립형 Agents 탭 뷰에 적합한 선택). 애플리케이션에 에이전트 호출을 포함해야 하는 외부 트레이스(예: fastapi-instrumented request)가 있는 경우에는 True로 설정하세요. Pydantic 필드:

session_id: <class 'str'>
session_name: <class 'str'>
agent_name: <class 'str'>
model: <class 'str'>
include_content: <class 'bool'>
continue_parent_trace: <class 'bool'>

`방법` `end`

end() → None

`방법` `model_post_init`

model_post_init(context: 'Any') → None

`방법` `start_turn`

start_turn(
    user_message: 'str' = '',
    model: 'str' = '',
    agent_name: 'str' = ''
) → Turn

새 turn을 생성합니다. 이전 turn이 아직 열려 있으면 자동으로 종료합니다. 컨텍스트 관리자 사용 여부와 관계없이 get_current_turn()를 통해 turn이 표시되도록 _current_turn contextvar를 설정합니다. 이 세션의 continue_parent_trace를 전파합니다.

`class` `StringPrompt`

`방법` `init`

__init__(content: str)

Pydantic 필드:

name: str | None
description: str | None
ref: trace.refs.ObjectRef | None
content: <class 'str'>

`방법` `format`

format(**kwargs: Any) → str

`클래스 메서드` `from_obj`

from_obj(obj: WeaveObject) → Self

`class` `SubAgent`

turn 내에서 위임된 에이전트 호출입니다. 같은 트레이스 내의 중첩된 invoke_agent OTel span에 해당합니다. Pydantic 필드:

name: <class 'str'>
model: <class 'str'>
agent_id: <class 'str'>
agent_description: <class 'str'>
agent_version: <class 'str'>
started_at: datetime.datetime | None
ended_at: datetime.datetime | None

`방법` `end`

end() → None

`방법` `llm`

llm(
    model: 'str' = '',
    provider_name: 'str' = '',
    system_instructions: 'list[str] | None' = None
) → LLM

이 하위 에이전트 내에서 LLM 호출을 시작합니다. _current_llm contextvar를 설정하여 컨텍스트 관리자를 사용하든 사용하지 않든 get_current_llm()를 통해 LLM에 접근할 수 있도록 합니다.

`방법` `tool`

tool(name: 'str', arguments: 'str' = '', tool_call_id: 'str' = '') → Tool

이 하위 에이전트에서 도구 실행을 시작합니다.

`class` `Table`

`방법` `init`

__init__(rows: 'list[dict]') → None

`속성` 행

`방법` `append`

append(row: 'dict') → None

테이블에 행을 추가합니다.

`방법` `pop`

pop(index: 'int') → None

테이블에서 지정된 인덱스의 행을 제거합니다.

`class` `ContextAwareThread`

호출자 컨텍스트로 함수를 실행하는 스레드입니다. 이 클래스는 스레드 내부에서 Call이 예상대로 동작하도록 보장하는 threading.Thread의 대체 구현입니다. Weave는 특정 contextvars가 설정되어 있어야 하지만(call_context.py 참조), 새 스레드는 부모의 컨텍스트를 자동으로 복사하지 않으므로 Call 컨텍스트가 손실될 수 있습니다 — 바람직하지 않습니다! 이 클래스는 contextvars 복사를 자동화하므로, 이 스레드를 사용하면 사용자가 기대하는 대로 “그냥 동작합니다”. 이 클래스를 사용하지 않고도, 대신 다음과 같이 작성하면 같은 효과를 얻을 수 있습니다:

def run_with_context(func, *args, **kwargs):
     context = copy_context()
     def wrapper():
         context.run(func, *args, **kwargs)
     return wrapper

thread = threading.Thread(target=run_with_context(your_func, *args, **kwargs))
thread.start()

`방법` `init`

__init__(*args: 'Any', **kwargs: 'Any') → None

`속성` daemon

이 스레드가 데몬 스레드인지 여부를 나타내는 불리언 값입니다. 이 값은 start()가 호출되기 전에 설정해야 합니다. 그렇지 않으면 RuntimeError가 발생합니다. 초기값은 이 스레드를 만든 스레드에서 상속됩니다. 메인 스레드는 데몬 스레드가 아니므로, 메인 스레드에서 생성된 모든 스레드는 기본적으로 daemon = False입니다. 데몬 스레드만 남으면 Python 프로그램 전체가 종료됩니다.

`속성` ident

이 스레드의 식별자입니다. 아직 시작되지 않았다면 None입니다. 이는 0이 아닌 정수입니다. get_ident() 함수를 참조하세요. 스레드가 종료된 후 다른 스레드가 생성되면 스레드 식별자가 재사용될 수 있습니다. 이 식별자는 스레드가 종료된 후에도 계속 사용할 수 있습니다.

`속성` name

식별 목적으로만 사용되는 문자열입니다. 의미는 없습니다. 여러 스레드에 같은 이름이 부여될 수 있습니다. 초기 이름은 생성자에서 설정됩니다.

`속성` native_id

이 스레드의 네이티브 정수형 스레드 ID이며, 아직 시작되지 않은 경우에는 None입니다. 이는 음수가 아닌 정수입니다. get_native_id() 함수를 참조하세요. 커널이 보고한 스레드 ID를 나타냅니다.

`방법` `run`

run() → None

`class` `ThreadContext`

현재 스레드와 턴 정보에 접근할 수 있는 컨텍스트 객체입니다.

`방법` `init`

__init__(thread_id: 'str | None')

지정한 thread_id로 ThreadContext를 초기화합니다. 매개변수:

`속성` thread_id

이 컨텍스트의 thread_id를 조회합니다.

thread_id: 이 컨텍스트의 스레드 식별자입니다. 비활성화된 경우 None입니다. 반환값: 스레드 식별자입니다. 스레드 추적이 비활성화된 경우 None입니다.

`속성` turn_id

활성 컨텍스트에서 현재 turn_id를 조회합니다. 반환값: 설정된 경우 현재 turn_id를 반환하고, 그렇지 않으면 None을 반환합니다.

`class` `ContextAwareThreadPoolExecutor`

호출자의 컨텍스트로 함수를 실행하는 ThreadPoolExecutor입니다. 이 클래스는 concurrent.futures.ThreadPoolExecutor를 그대로 대체할 수 있으며, executor 내부에서 Weave Calls가 예상대로 동작하도록 보장합니다. Weave는 특정 contextvars가 설정되어 있어야 하지만(call_context.py 참조), 새 스레드는 부모의 컨텍스트를 자동으로 복사하지 않으므로 Call 컨텍스트가 손실될 수 있습니다 — 바람직하지 않습니다! 이 클래스는 contextvar 복사를 자동화하므로, 이 executor를 사용하면 사용자가 기대하는 대로 “그냥 동작합니다”. 이 클래스를 사용하지 않고도 대신 다음과 같이 작성하면 같은 효과를 얻을 수 있습니다:

with concurrent.futures.ThreadPoolExecutor() as executor:
     contexts = [copy_context() for _ in range(len(vals))]

     def _wrapped_fn(*args):
         return contexts.pop().run(fn, *args)

     executor.map(_wrapped_fn, vals)

`방법` `init`

__init__(*args: 'Any', **kwargs: 'Any') → None

`방법` `map`

map(
    fn: 'Callable',
    *iterables: 'Iterable[Any]',
    timeout: 'float | None' = None,
    chunksize: 'int' = 1
) → Iterator

`방법` `submit`

submit(fn: 'Callable', *args: 'Any', **kwargs: 'Any') → Any

`class` `Tool`

도구 실행 한 건을 나타냅니다. execute_tool OTel span에 매핑됩니다. arguments 및 result는 JSONString annotation을 사용합니다. 호출자는 dict / list / scalar를 부여할 수 있으며, SDK는 생성 시점이나 값 부여 시점에 이를 JSON으로 인코딩합니다. 저장되는 값은 항상 string이며, GenAI semconv의 wire format과 일치합니다. Pydantic 필드:

name: <class 'str'>
arguments: <class 'str'>
result: <class 'str'>
tool_call_id: <class 'str'>
tool_type: <class 'str'>
tool_description: <class 'str'>
tool_definitions: <class 'str'>
duration_ms: <class 'int'>
started_at: datetime.datetime | None
ended_at: datetime.datetime | None

`방법` `end`

end() → None

`class` `Turn`

사용자와 에이전트가 한 차례 주고받는 상호작용입니다. invoke_agent OTel span에 매핑됩니다. 기본적으로 각 턴은 자체 OTel 트레이스를 시작하므로(continue_parent_trace=False) Agents 탭에는 턴마다 하나의 트레이스가 표시됩니다. 외부 트레이스가 이미 활성화되어 있고 에이전트 호출을 그 안에 중첩하려면 Session(또는 Turn에 직접)에서 continue_parent_trace=True를 설정하세요. 예를 들어 fastapi-instrumented request 내부에서 사용하는 경우입니다. Pydantic Fields:

agent_name: <class 'str'>
model: <class 'str'>
agent_id: <class 'str'>
agent_description: <class 'str'>
agent_version: <class 'str'>
messages: list[session.types.Message]
spans: list[session.session.LLM | session.session.Tool | session.session.SubAgent]
continue_parent_trace: <class 'bool'>
started_at: datetime.datetime | None
ended_at: datetime.datetime | None

`방법` `end`

end() → None

`방법` `llm`

llm(
    model: 'str' = '',
    provider_name: 'str' = '',
    system_instructions: 'list[str] | None' = None
) → LLM

LLM Call을 시작합니다(채팅 span, 이 턴의 하위 span). 컨텍스트 관리자를 사용하는지와 관계없이 get_current_llm()을 통해 LLM을 확인할 수 있도록 _current_llm contextvar를 설정합니다.

`방법` `model_post_init`

model_post_init(context: 'Any') → None

`방법` `subagent`

subagent(name: 'str', model: 'str' = '') → SubAgent

하위 에이전트 호출을 시작합니다(중첩된 invoke_agent span, 동일한 트레이스).

`방법` `도구`

tool(name: 'str', arguments: 'str' = '', tool_call_id: 'str' = '') → Tool

도구 실행을 시작합니다(execute_tool span, 이 턴의 하위 span).

`방법` `user`

user(content: 'str') → Turn

턴 중간에 사용자 메시지를 추가합니다.

`class` `Usage`

LLM Call의 토큰 사용량입니다. Pydantic Fields:

input_tokens: <class 'int'>
output_tokens: <class 'int'>
reasoning_tokens: <class 'int'>
cache_creation_input_tokens: <class 'int'>
cache_read_input_tokens: <class 'int'>

`함수` `add_tags`

add_tags(obj_ref: 'ObjectRef | str', tags: 'list[str]') → None

객체 버전에 태그를 추가합니다. 인수:

`함수` `as_op`

as_op(fn: 'Callable[P, R]') → Op[P, R]

@weave.op로 데코레이션된 함수가 주어지면 해당 Op를 반환합니다. @weave.op로 데코레이션된 함수는 이미 Op의 인스턴스이므로, 이 함수는 런타임에 아무 작업도 하지 않습니다. 하지만 OpDef 속성에 타입 안전하게 접근해야 하는 경우 타입 검사기를 만족시키기 위해 이 함수를 사용할 수 있습니다.

obj_ref: 객체 버전에 대한 레퍼런스로, weave.publish()가 반환하는 ObjectRef 또는 weave /// URI 문자열입니다.
tags: 추가할 태그 문자열 목록입니다. 인수:
fn: @weave.op로 데코레이션된 함수입니다. 반환값: 함수의 Op입니다.

`함수` `attributes`

attributes(attributes: 'dict[str, Any]') → Iterator

Call에 속성을 설정하는 컨텍스트 관리자입니다. 예시:

with weave.attributes({'env': 'production'}):
     print(my_function.call("World"))

`함수` `end_llm`

end_llm() → None

contextvar의 현재 LLM Call을 종료합니다.

`함수` `end_session`

end_session() → None

contextvar에서 현재 세션을 종료합니다.

`함수` `end_turn`

end_turn() → None

contextvar의 현재 턴을 종료합니다.

`함수` `finish`

finish() → None

Weave 로깅을 중지합니다. 종료 후에는 weave.op 데코레이터가 적용된 함수의 call이 더 이상 로깅되지 않습니다. 로깅을 재개하려면 weave.init()를 다시 실행해야 합니다.

`함수` `get`

get(uri: 'str | ObjectRef') → Any

URI에서 객체를 조회하는 편의 함수입니다. Weave에 로깅된 많은 객체는 자동으로 Weave 서버에 등록됩니다. 이 함수를 사용하면 해당 객체를 URI로 조회할 수 있습니다. 인수:

uri: 완전 수식된 weave ref URI입니다. 반환값: 객체입니다.

예시:

weave.init("weave_get_example")
dataset = weave.Dataset(rows=[{"a": 1, "b": 2}])
ref = weave.publish(dataset)

dataset2 = weave.get(ref)  # dataset과 동일!

`함수` `get_aliases`

get_aliases(obj_ref: 'ObjectRef | str') → list[str]

객체 버전의 별칭을 조회합니다. 인수:

obj_ref: ObjectRef 또는 weave /// URI 문자열로 지정한 객체 버전에 대한 레퍼런스입니다. 반환값: 별칭 문자열 목록입니다.

`함수` `get_client`

get_client() → WeaveClient | None

`함수` `get_current_call`

get_current_call() → Call | None

현재 실행 중인 Op 내부에서 해당 Op의 Call 객체를 조회합니다. 반환값: 현재 실행 중인 Op의 Call 객체를 반환합니다. 추적이 초기화되지 않았거나 이 방법이 Op 외부에서 호출된 경우에는 None을 반환합니다. 참고:

반환된 Call의 attributes 딕셔너리는 call이 시작되면 변경할 수 없게 됩니다. Op를 호출하기 전에 :func:weave.attributes를 사용해 call 메타데이터를 설정하세요. summary 필드는 Op가 실행되는 동안 업데이트될 수 있으며, call이 완료되면 계산된 summary 정보와 병합됩니다.

`함수` `get_current_llm`

get_current_llm() → LLM | None

contextvar에서 활성 상태의 LLM Call을 반환하거나, 없으면 None을 반환합니다.

`함수` `get_current_session`

get_current_session() → Session | None

contextvar에서 활성 세션을 반환하며, 없으면 None을 반환합니다.

`함수` `get_current_turn`

get_current_turn() → Turn | None

contextvar의 활성 턴을 반환하거나, 없으면 None을 반환합니다.

`함수` `get_tags`

get_tags(obj_ref: 'ObjectRef | str') → list[str]

객체 버전의 태그를 조회합니다. 인수:

obj_ref: 객체 버전에 대한 레퍼런스입니다. ObjectRef 또는 weave /// URI 문자열일 수 있습니다. 반환값: 태그 문자열의 목록입니다.

`함수` `get_tags_and_aliases`

get_tags_and_aliases(obj_ref: 'ObjectRef | str') → tuple[list[str], list[str]]

단일 Call로 객체 버전의 태그와 별칭를 모두 조회합니다. 인수:

obj_ref: 객체 버전을 가리키는 레퍼런스입니다. ObjectRef 또는 weave /// URI 문자열일 수 있습니다. 반환값: (태그, 별칭) 튜플입니다. 각 항목은 문자열 목록입니다.

`함수` `init`

init(
    project_name: 'str',
    settings: 'UserSettings | dict[str, Any] | None' = None,
    autopatch_settings: 'AutopatchSettings | None' = None,
    postprocess_inputs: 'PostprocessInputsFunc | None' = None,
    postprocess_output: 'PostprocessOutputFunc | None' = None,
    attributes: 'dict[str, Any] | None' = None,
    global_postprocess_inputs: 'PostprocessInputsFunc | None' = None,
    global_postprocess_output: 'PostprocessOutputFunc | None' = None,
    global_attributes: 'dict[str, Any] | None' = None
) → WeaveClient

wandb 프로젝트에 로깅하도록 Weave 추적을 초기화합니다. 로깅은 전역으로 초기화되므로 init의 반환값을 따로 저장해 둘 필요가 없습니다. init 이후에는 weave.op으로 데코레이팅된 함수의 call이 지정된 프로젝트에 로깅됩니다. 인수: 참고: 클라이언트 수준 후처리는 각 op의 자체 후처리 이후에 실행됩니다. 순서는 항상 다음과 같습니다. 1. op별 후처리 2. 클라이언트 수준 후처리

project_name: 로그를 기록할 Weights & Biases 팀과 프로젝트 이름입니다. 팀을 지정하지 않으면 기본 엔터티가 사용됩니다. 기본 엔터티를 확인하거나 업데이트하려면 W&B Models 문서의 User Settings를 참고하세요.
settings: 전반적인 Weave 클라이언트 설정입니다. UserSettings 인스턴스이거나, 다음 키 중 원하는 항목을 포함하는 dict일 수 있습니다(모두 선택 사항). 모든 설정은 접두사 WEAVE_를 사용하는 환경 변수를 통해서도 구성할 수 있습니다(예: WEAVE_DISABLED=true). 사용 가능한 설정: - disabled (bool): 모든 함수의 트레이스를 비활성화합니다. 기본값: False - print_call_link (bool): ops에 대한 Weave UI 링크를 터미널에 출력합니다. 기본값: True - log_level (str): 로그로 남길 정보 유형을 설정합니다(DEBUG, INFO, WARNING, ERROR, CRITICAL). 기본값: INFO - display_viewer (str): Weave가 콘솔에 객체를 표시하는 방식을 제어합니다(auto, rich, print). 기본값: auto - capture_code (bool): 트레이스된 ops의 코드를 Weave 프로젝트에 캡처합니다. 기본값: True - implicitly_patch_integrations (bool): 지원되는 라이브러리에 자동으로 패치를 적용합니다. 기본값: True - redact_pii (bool): 이메일, 전화번호, 신용카드 같은 민감한 정보를 모든 트레이스 데이터에서 스캔한 뒤, 서버로 전송하기 전에 플레이스홀더 값으로 대체합니다. presidio-analyzer 및 presidio-anonymizer 패키지가 필요합니다.
Default: False - redact_pii_fields (list[str]): redact_pii가 True일 때 마스킹할 PII 엔터티 유형을 지정합니다. 비어 있으면 Presidio의 기본 집합을 사용합니다. 예시 [‘EMAIL’,‘PHONE_NUMBER’,‘CREDIT_CARD’,‘US_SSN’]. 전체 목록은 https://microsoft.github.io/presidio/supported_entities/에서 확인하세요.
Default: [] - redact_pii_exclude_fields (list[str]): 제외할 PII 엔터티 유형입니다. Default: [] - capture_client_info (bool): Python/SDK 버전 정보를 캡처합니다. Default: True - capture_system_info (bool): OS 정보를 캡처합니다. Default: True - client_parallelism (int): 백그라운드 작업용 워커 수입니다. Default: auto - use_server_cache (bool): 서버 응답의 로컬 디스크 캐싱을 활성화합니다. - server_cache_size_limit (int): 바이트 단위 캐시 크기 한도입니다. Default: 1_000_000_000 - server_cache_dir (str): 서버 캐시 디렉터리입니다. Default: temporary - scorers_dir (str): Scorer 모델 checkpoint 디렉터리입니다. Default: ~/.cache/wandb/weave-scorers - max_calls_queue_size (int): 최대 큐 크기입니다(0 = 무제한). Default: 100_000 - retry_max_interval (float): 초 단위 최대 재시도 간격입니다. Default: 300 - retry_max_attempts (int): 최대 재시도 횟수입니다. Default: 3 - enable_disk_fallback (bool): 누락된 항목을 디스크에 기록합니다. Default: True - use_parallel_table_upload (bool): 큰 테이블에 대해 병렬 청크 업로드를 활성화합니다. False이면 테이블은 더 작은 청크로 순차적으로 업로드됩니다.
기본값: True - http_timeout (float): HTTP 요청이 완료될 때까지 기다리는 최대 시간(초)입니다. 여기에는 연결 시간, 데이터 전송 시간, 서버 처리 시간이 포함됩니다. 네트워크가 느리거나 큰 페이로드를 처리하는 경우 값을 늘리세요.
기본값: 30.0 - use_stainless_server (bool): 더 나은 타입 안전성, 자동 재시도, 향상된 오류 처리를 제공하는 Stainless에서 생성한 HTTP 클라이언트를 사용합니다. 이는 실험적 기능이며 향후 버전에서 기본값이 될 수 있습니다.
기본값: False - use_calls_complete (bool): 별도의 시작/종료 Request 대신, 완료된 Call 데이터(시작 및 종료)를 하나의 Request로 일괄 처리하는 최적화된 쓰기 경로를 사용합니다. 이렇게 하면 서버 부하를 줄이고 성능을 개선할 수 있으며, 특히 수명이 짧은 Ops에서 효과적입니다.
기본값: True
autopatch_settings: (사용 중단) autopatch 인테그레이션용 설정입니다. 대신 명시적으로 패칭하세요.
postprocess_inputs: 이 클라이언트에서 트레이스되는 모든 op의 입력에 적용되는 함수입니다.
postprocess_output: 이 클라이언트에서 트레이스한 모든 op의 출력에 적용되는 함수입니다.
attributes: 이 클라이언트에서 생성되는 모든 트레이스에 적용되는 속성 딕셔너리입니다. 반환값: Weave 클라이언트입니다.

`함수` `link_prompt_to_registry`

link_prompt_to_registry(
    prompt: 'LinkablePrompt',
    target_path: 'str',
    aliases: 'Sequence[str] | None' = None
) → LinkAssetToRegistryRes

게시된 prompt 버전을 레지스트리에 연결합니다. 인수:

prompt: 게시된 prompt, ObjectRef, 또는 정규화된 weave ///… URI string입니다.
target_path: <registry_project>/<portfolio_name> 형식의 레지스트리 대상 경로입니다. 예: wandb-registry-prompts/my-prompt-collection.
aliases: 생성된 레지스트리 버전에 연결할 선택 사항인 별칭입니다. 반환값:
LinkAssetToRegistryRes: registry-link 엔드포인트에서 파싱한 응답입니다.

`함수` `list_aliases`

list_aliases() → list[str]

프로젝트의 모든 고유한 별칭를 나열합니다. 반환값: 프로젝트의 모든 별칭 문자열을 정렬한 목록입니다.

list_tags() → list[str]

프로젝트에 있는 모든 고유한 태그를 나열합니다. 반환값: 프로젝트의 모든 태그 문자열을 정렬한 목록입니다.

`함수` `log_call`

log_call(
    op: 'str',
    inputs: 'dict[str, Any]',
    output: 'Any',
    parent: 'Call | None' = None,
    attributes: 'dict[str, Any] | None' = None,
    display_name: 'str | Callable[[Call], str] | None' = None,
    use_stack: 'bool' = True,
    exception: 'BaseException | None' = None
) → Call

데코레이터 패턴을 사용하지 않고 call을 Weave에 직접 로깅합니다. 이 함수는 오퍼레이션을 Weave에 로깅하기 위한 명령형 API를 제공합니다. 이미 실행된 후에 calls를 로깅해야 하거나 데코레이터 패턴이 사용 사례에 맞지 않을 때 유용합니다. 매개변수:

op (str): 로깅할 오퍼레이션 이름입니다. 이 값은 call의 op_name으로 사용됩니다. 익명 오퍼레이션(게시된 ops를 가리키지 않는 문자열)도 지원됩니다.
inputs (dict[str, Any]): 오퍼레이션의 입력 매개변수를 담은 딕셔너리입니다.
output (Any): 오퍼레이션의 출력 또는 결과입니다.
parent (Call | None): 이 call을 그 아래에 중첩할 상위 call(선택 사항)입니다. 제공하지 않으면 이 call은 루트 수준 call이 됩니다(또는 현재 call 컨텍스트가 있으면 그 아래에 중첩됩니다). 기본값은 None입니다.
attributes (dict[str, Any] | None): call에 첨부할 메타데이터(선택 사항)입니다. 이 값은 call이 생성되면 고정됩니다. 기본값은 None입니다.
display_name (str | Callable[[Call], str] | None): UI에서 call에 표시할 이름(선택 사항)입니다. 문자열이거나, call을 받아 문자열을 반환하는 callable일 수 있습니다. 기본값은 None입니다.
use_stack (bool): call을 런타임 스택에 푸시할지 여부입니다. True이면 call을 call 컨텍스트에서 사용할 수 있으며 weave.require_current_call()을 통해 접근할 수 있습니다. False이면 call은 로깅되지만 call 스택에는 추가되지 않습니다. 기본값은 True입니다.
exception (BaseException | None): 오퍼레이션이 실패했을 때 로깅할 예외(선택 사항)입니다. 기본값은 None입니다.

반환값:

Call: 전체 트레이스 정보를 포함하는, 생성 및 완료된 Call 객체입니다.

예시: 기본 사용법:

import weave
    >>> weave.init('my-project')
    >>> call = weave.log_call(
    ...     op="my_function",
    ...     inputs={"x": 5, "y": 10},
    ...     output=15
    ... )

    Logging with attributes and display name:
    >>> call = weave.log_call(
    ...     op="process_data",
    ...     inputs={"data": [1, 2, 3]},
    ...     output={"mean": 2.0},
    ...     attributes={"version": "1.0", "env": "prod"},
    ...     display_name="Data Processing"
    ... )

    Logging a failed operation:
    >>> try:
    ...     result = risky_operation()
    ... except Exception as e:
    ...     call = weave.log_call(
    ...         op="risky_operation",
    ...         inputs={},
    ...         output=None,
    ...         exception=e
    ...     )

    Nesting calls:
    >>> parent_call = weave.log_call("parent", {"input": 1}, 2)
    >>> child_call = weave.log_call(
    ...     "child",
    ...     {"input": 2},
    ...     4,
    ...     parent=parent_call
    ... )

    Logging without adding to call stack:
    >>> call = weave.log_call(
    ...     op="background_task",
    ...     inputs={"task_id": 123},
    ...     output="completed",
    ...     use_stack=False  # call 스택에 푸시하지 않음
    ... )

---

<SourceLink url="https://github.com/wandb/weave/blob/v0.52.42/weave/session/session.py#L1166" />

### <kbd>function</kbd> `log_session`

```python
log_session(
    turns: 'list[Turn]',
    session_id: 'str' = '',
    session_name: 'str' = '',
    agent_name: 'str' = '',
    model: 'str' = '',
    include_content: 'bool' = True,
    continue_parent_trace: 'bool' = False
) → LogResult

명령형 방식으로 전체 세션을 내보냅니다. 각 턴의 .spans 속성은 해당 턴의 하위 span을 제공합니다. session_id가 비어 있으면 자동으로 생성됩니다. 기본적으로 각 턴에는 자체 OTel 트레이스가 할당됩니다.

`함수` `log_turn`

log_turn(
    session_id: 'str',
    agent_name: 'str' = '',
    session_name: 'str' = '',
    model: 'str' = '',
    messages: 'list[Message] | None' = None,
    spans: 'list[LLM | Tool | SubAgent] | None' = None,
    started_at: 'datetime | None' = None,
    ended_at: 'datetime | None' = None,
    include_content: 'bool' = True,
    continue_parent_trace: 'bool' = False
) → LogResult

명령형 방식으로 하나의 턴과 해당 하위 span들을 OTel로 내보냅니다. 컨텍스트 관리자를 사용할 수 없는 경우(상태를 유지하지 않는 컨테이너, 콜백, 큐 워커)에 사용하세요. 전달되는 각 하위 span에는 started_at / ended_at가 설정되어 있어야 하며, 내보내는 OTel span의 타임스탬프는 이 필드에서 가져옵니다. 턴이 자체 값을 제공하지 않으면 가장 이른/가장 늦은 하위 span의 타임스탬프를 사용하고, 그것도 없으면 now()를 사용합니다.

`함수` `op`

op(
    func: 'Callable[P, R] | None' = None,
    name: 'str | None' = None,
    call_display_name: 'str | CallDisplayNameFunc | None' = None,
    postprocess_inputs: 'PostprocessInputsFunc | None' = None,
    postprocess_output: 'PostprocessOutputFunc | None' = None,
    tracing_sample_rate: 'float' = 1.0,
    enable_code_capture: 'bool' = True,
    accumulator: 'Callable[[Any | None, Any], Any] | None' = None,
    kind: 'OpKind | None' = None,
    color: 'OpColor | None' = None,
    eager_call_start: 'bool' = False
) → Callable[[Callable[P, R]], Op[P, R]] | Op[P, R]

함수나 방법을 Weave op로 변환하는 데코레이터입니다. 동기와 비동기 모두에서 작동합니다. 이터레이터 함수를 자동으로 감지해 적절한 동작을 적용합니다. 인수:

`함수` `otel_traces_endpoint`

otel_traces_endpoint(base_url: str | None = None) → str

Weave GenAI 트레이스 수집을 위한 전체 OTLP HTTP 엔드포인트 URL을 반환합니다. 외부 호출자(예: BatchSpanProcessor가 export를 자동으로 삭제하는 동작에 의존하기 전에 수집 엔드포인트에 도달할 수 있는지 확인하려는 부팅 시점 프로브)는 URL을 직접 구성하지 말고 이것을 호출해야 합니다. 경로는 SDK가 관리하며 변경될 수 있습니다.

func: 데코레이트할 함수입니다.
name: op의 맞춤형 이름입니다. 기본값은 함수 이름입니다.
call_display_name: calls에 표시할 이름으로, 문자열 또는 callable일 수 있습니다.
postprocess_inputs: logging하기 전에 입력을 변환하는 함수입니다.
postprocess_output: logging하기 전에 출력을 변환하는 함수입니다.
tracing_sample_rate: 트레이스할 calls의 비율입니다(0.0~1.0).
enable_code_capture: 이 op의 소스 코드를 캡처할지 여부입니다.
accumulator: 스트리밍 op의 결과를 누적하는 함수입니다.
eager_call_start: True이면 call 시작이 배치 처리되지 않고 즉시 전송됩니다. UI에서 즉시 확인되어야 하는 evaluation 같은 장기 실행 오퍼레이션에 유용합니다. 인수:

`함수` `publish`

publish(
    obj: 'Any',
    name: 'str | None' = None,
    tags: 'list[str] | None' = None,
    aliases: 'list[str] | None' = None
) → ObjectRef

Python 객체를 저장하고 버전을 관리합니다. 객체 이름이 이미 존재하고 해당 객체의 콘텐츠 해시가 그 객체의 최신 버전과 일치하지 않으면 Weave가 객체의 새 버전을 생성합니다.

base_url: 트레이스 서버의 기본 URL입니다. 기본값은 weave_trace_server_url()입니다. 인수:
obj: 저장하고 버전 관리할 객체입니다.
name: 객체를 저장할 이름입니다.
tags: 게시된 객체 버전에 추가할 선택적 태그 목록입니다.
aliases: 게시된 객체 버전에 설정할 선택적 별칭 목록입니다. 반환값: 저장된 객체를 가리키는 Weave Ref입니다.

`함수` `ref`

ref(location: 'str') → ObjectRef

기존 Weave 객체에 대한 Ref를 생성합니다. 객체를 직접 조회하지는 않지만, 다른 Weave API 함수에 전달할 수 있습니다. 인수:

location: Weave Ref URI이거나, weave.init()가 호출된 경우 name:version 또는 name입니다. 버전이 지정되지 않으면 latest를 사용합니다. 반환값: 객체를 가리키는 Weave Ref입니다.

`함수` `remove_aliases`

remove_aliases(obj_ref: 'ObjectRef | str', alias: 'str | list[str]') → None

객체에서 하나 이상의 별칭을 제거합니다. 인수:

`함수` `remove_tags`

remove_tags(obj_ref: 'ObjectRef | str', tags: 'list[str]') → None

객체 버전에서 태그를 제거합니다.

obj_ref: 객체를 가리키는 레퍼런스로, ObjectRef 또는 weave /// URI 문자열일 수 있습니다.
alias: 제거할 별칭 이름 또는 별칭 이름 목록입니다. 인수:

`함수` `require_current_call`

require_current_call() → Call

현재 실행 중인 Op 안에서 해당 Op의 Call 객체를 조회합니다. 이렇게 하면 실행 중인 동안 id나 피드백 같은 Call의 속성에 접근할 수 있습니다.

@weave.op
def hello(name: str) -> None:
     print(f"Hello {name}!")
     current_call = weave.require_current_call()
     print(current_call.id)

Op가 반환된 후에도 Call에 접근할 수 있습니다. Call의 id가 있다면(예: UI에서 확인한 경우), weave.init가 반환한 WeaveClient의 get_call 방법을 사용해 Call 객체를 조회할 수 있습니다.

client = weave.init("<project>")
mycall = client.get_call("<call_id>")

또는 Op를 정의한 후 call 방법을 사용할 수 있습니다. 예를 들면 다음과 같습니다:

@weave.op
def add(a: int, b: int) -> int:
     return a + b

result, call = add.call(1, 2)
print(call.id)

obj_ref: 객체 버전을 가리키는 레퍼런스로, ObjectRef 또는 weave /// URI 문자열입니다.
tags: 제거할 태그 문자열의 목록입니다. 반환값: 현재 실행 중인 Op의 Call 객체

예외:

NoCurrentCallError: 추적이 초기화되지 않았거나 이 메서드가 Op 외부에서 호출된 경우.

`함수` `set_aliases`

set_aliases(obj_ref: 'ObjectRef | str', alias: 'str | list[str]') → None

객체 버전에 하나 이상의 별칭을 설정합니다. 인수:

`함수` `set_view`

set_view(
    name: 'str',
    content: 'Content | str',
    extension: 'str | None' = None,
    mimetype: 'str | None' = None,
    metadata: 'dict[str, Any] | None' = None,
    encoding: 'str' = 'utf-8'
) → None

현재 call summary의 _weave.views.<name>에 맞춤형 뷰를 추가합니다.

obj_ref: 객체 버전에 대한 레퍼런스입니다. ObjectRef 또는 weave /// URI 문자열일 수 있습니다.
alias: 설정할 별칭 이름 또는 별칭 이름 목록입니다(예: “production”). 인수:
name: 뷰 이름입니다(summary._weave.views 아래의 키).
content: weave.Content 인스턴스 또는 일반 문자열입니다. 문자열은 제공된 확장자 또는 MIME 유형을 사용해 Content.from_text를 통해 래핑됩니다.
extension: content가 문자열일 때 사용할 선택적 파일 확장자입니다.
mimetype: content가 문자열일 때 사용할 선택적 MIME 유형입니다.
metadata: 텍스트에서 Content를 생성할 때 첨부할 선택적 메타데이터입니다.
encoding: 텍스트에서 Content를 생성할 때 적용할 텍스트 인코딩입니다. 반환값: 없음

예제: import weave

weave.init(“proj”) @weave.op … def foo(): … weave.set_view(“readme”, ”# Hello”, extension=“md”) … return 1 foo()

`함수` `start_llm`

start_llm(
    model: 'str' = '',
    provider_name: 'str' = '',
    system_instructions: 'list[str] | None' = None
) → LLM

LLM Call을 생성하고 활성화합니다. 사용 가능하면 현재 턴을 사용합니다. 활성 턴이 없으면 분리된 LLM을 반환합니다(contextvar가 설정되지 않음). provider_name을 명시적으로 전달하세요. SDK는 모델 식별자에서 이를 추론하지 않습니다. 접두사 기반 추측은 사용자 파인튜닝을 잘못된 대상으로 귀속시키고(예: 이름이 text-...인 모델), 나중에 수정 비용이 큰 가정을 향후 모델 이름에 대해 telemetry에 내장하게 됩니다.

`함수` `start_session`

start_session(
    agent_name: 'str' = '',
    model: 'str' = '',
    session_id: 'str' = '',
    session_name: 'str' = '',
    include_content: 'bool' = True,
    continue_parent_trace: 'bool' = False
) → Session

세션을 생성하고 활성화합니다. 모듈 간에 액세스할 수 있도록 contextvar를 설정합니다.

`함수` `start_subagent`

start_subagent(name: 'str', model: 'str' = '') → SubAgent

하위 에이전트 호출 span을 생성합니다. SubAgent의 OTel span은 OTel 컨텍스트에서 현재 활성 span의 자식으로 자동 설정됩니다. 일반적으로 활성화된 Turn span이 있으면 그 자식 span이 됩니다. 형태는 start_tool과 같으며, 부모-자식 전파는 OTel 컨텍스트가 처리하므로 명시적으로 위임할 필요가 없습니다.

`함수` `start_tool`

start_tool(name: 'str', arguments: 'str' = '', tool_call_id: 'str' = '') → Tool

도구 실행 span을 생성합니다. 도구의 OTel span은 OTel 컨텍스트에서 현재 활성화된 span의 하위 span으로 자동 설정됩니다. 일반적으로 활성화된 턴 span이 있으면 그 하위 span이 됩니다. 턴을 명시적으로 위임할 필요는 없습니다. 부모-자식 전파는 Session SDK의 contextvars가 아니라 OTel 컨텍스트를 통해 이루어집니다.

`함수` `start_turn`

start_turn(
    user_message: 'str' = '',
    model: 'str' = '',
    agent_name: 'str' = ''
) → Turn

턴을 생성하고 활성화합니다. 사용 가능한 경우 현재 세션을 사용합니다. 활성 세션이 없으면 contextvar에 설정되지 않은, 연결이 끊긴 Turn을 반환합니다. 즉, get_current_turn()은 None을 반환합니다. contextvar 기반으로 모듈 간 액세스가 필요하다면 대신 session.start_turn()을 사용하세요.

`함수` `thread`

thread(
    thread_id: 'str | object | None' = <object object at 0x7f1615fc8990>
) → Iterator[ThreadContext]

컨텍스트 내의 call에서 thread_id를 설정하기 위한 컨텍스트 관리자입니다. 예시:

# thread_id 자동 생성
with weave.thread() as t:
     print(f"Thread ID: {t.thread_id}")
     result = my_function("input")  # 이 call에는 자동 생성된 thread_id가 지정됩니다
     print(f"Current turn: {t.turn_id}")

# 명시적 thread_id
with weave.thread("custom_thread") as t:
     result = my_function("input")  # 이 call에는 thread_id="custom_thread"가 지정됩니다

# 스레딩 비활성화
with weave.thread(None) as t:
     result = my_function("input")  # 이 call에는 thread_id=None이 지정됩니다

인수:

thread_id: 이 컨텍스트에서 call과 연결할 스레드 식별자입니다. 제공되지 않으면 UUID v7이 자동 생성됩니다. None이면 스레드 추적이 비활성화됩니다. 반환값:
ThreadContext: thread_id와 현재 turn_id에 접근할 수 있는 객체입니다.

`함수` `wandb_init_hook`

wandb_init_hook() → None

⌘I

​API Overview

​class Agent

​방법 step

​class AgentState

​class AnnotationSpec

​클래스 메서드 preprocess_field_schema

​클래스 메서드 validate_field_schema

​방법 value_is_valid

​class Audio

​방법 __init__

​방법 export

​클래스 메서드 from_data

​클래스 메서드 from_path

​class ClassifierMonitor

​방법 activate

​방법 deactivate

​클래스 메서드 from_obj

​방법 get_prompt_footer

​방법 get_prompt_header

​class Content

​방법 __init__

​속성 art

​속성 ref

​방법 as_string

​클래스 메서드 from_base64

​클래스 메서드 from_bytes

​클래스 메서드 from_data_url

​클래스 메서드 from_path

​클래스 메서드 from_text

​클래스 메서드 from_url

​클래스 메서드 model_validate

​클래스 메서드 model_validate_json

​방법 open

​방법 save

​방법 serialize_data

​방법 to_data_url

​class Dataset

​방법 add_rows

​클래스 메서드 convert_to_table

​클래스 메서드 from_calls

​클래스 메서드 from_hf

​클래스 메서드 from_obj

​클래스 메서드 from_pandas

​방법 select

​방법 to_hf

​방법 to_pandas

​class EasyPrompt

​방법 __init__

​속성 as_str

​속성 is_bound

​속성 메시지

​속성 플레이스홀더

​속성 system_message

​속성 system_prompt

​속성 unbound_placeholders

​방법 append

​방법 as_dict

​방법 as_pydantic_dict

​방법 bind

​방법 bind_rows

​방법 config_table

​방법 configure

​방법 dump

​방법 dump_file

​방법 format

​클래스 메서드 from_obj

​클래스 메서드 load

​클래스 메서드 load_file

​방법 messages_table

​방법 print

​방법 publish

​방법 require

​방법 run

​방법 validate_requirement

​방법 validate_requirements

​방법 values_table

​class Evaluation

​방법 evaluate

​클래스 메서드 from_obj

​방법 get_eval_results

API Overview

`class` `Agent`

`방법` `step`

`class` `AgentState`

`class` `AnnotationSpec`

`클래스 메서드` `preprocess_field_schema`

`클래스 메서드` `validate_field_schema`

`방법` `value_is_valid`

`class` `Audio`

`방법` `init`

`방법` `export`

`클래스 메서드` `from_data`

`클래스 메서드` `from_path`

`class` `ClassifierMonitor`

`방법` `activate`

`방법` `deactivate`

`클래스 메서드` `from_obj`

`방법` `get_prompt_footer`

`방법` `get_prompt_header`

`class` `Content`

`방법` `init`

`속성` art

`속성` ref

`방법` `as_string`

`클래스 메서드` `from_base64`

`클래스 메서드` `from_bytes`

`클래스 메서드` `from_data_url`

`클래스 메서드` `from_path`

`클래스 메서드` `from_text`

`클래스 메서드` `from_url`

`클래스 메서드` `model_validate`

`클래스 메서드` `model_validate_json`

`방법` `open`

`방법` `save`

`방법` `serialize_data`

`방법` `to_data_url`

`class` `Dataset`

`방법` `add_rows`

`클래스 메서드` `convert_to_table`

`클래스 메서드` `from_calls`

`클래스 메서드` `from_hf`

`클래스 메서드` `from_obj`

`클래스 메서드` `from_pandas`

`방법` `select`

`방법` `to_hf`

`방법` `to_pandas`

`class` `EasyPrompt`

`방법` `init`

`속성` as_str

`속성` is_bound

`속성` 메시지

`속성` 플레이스홀더

`속성` system_message

`속성` system_prompt

`속성` unbound_placeholders

`방법` `append`

`방법` `as_dict`

`방법` `as_pydantic_dict`

`방법` `bind`

`방법` `bind_rows`

`방법` `config_table`

`방법` `configure`

`방법` `dump`

`방법` `dump_file`

`방법` `format`

`클래스 메서드` `from_obj`

`클래스 메서드` `load`

`클래스 메서드` `load_file`

`방법` `messages_table`

`방법` `print`

`방법` `publish`

`방법` `require`

`방법` `run`

`방법` `validate_requirement`

`방법` `validate_requirements`

`방법` `values_table`

`class` `Evaluation`

`방법` `evaluate`

`클래스 메서드` `from_obj`

`방법` `get_eval_results`