> ## Documentation Index
> Fetch the complete documentation index at: https://wb-21fd5541-dependabot-github-actions-actions-cache-6.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.

# クイックスタート: エージェントをトレースする

> Weave SDK を使用してマルチターンのエージェントをトレースします。セッション、ターン、LLM Call、ツール呼び出し は、project の Agents ビュー に表示されます。

<Note>
  Weave for Agents はパブリック プレビューです。一般提供前に、機能、API、Agents view UI は変更される可能性があります。
</Note>

[Colab で試す](https://colab.research.google.com/github/wandb/docs/blob/main/weave/cookbooks/source/agents-quickstart.ipynb) · [GitHub ソース](https://github.com/wandb/docs/blob/main/weave/cookbooks/source/agents-quickstart.ipynb)

Weave SDK を使用すると、一般的な SDK やカスタムハーネスで構築されたエージェントをトレースできます。このクイックスタートでは、OpenTelemetry スパン を出力して取得するために、独自に構築したマルチターン エージェントに Weave を手動で統合する方法を説明します。エージェント向け Weave の概念を理解するには、[エージェントをトレースする](/ja/weave/guides/tracking/trace-agents)をご覧ください。

Claude Agent SDK や Codex などの SDK やハーネスに Weave を統合したい場合は、[エージェント インテグレーションをトレースする](/ja/weave/guides/tracking/trace-agent-integrations)をご覧ください。Weave は、すばやく統合できるよう、複数のエージェント開発用 SDK やエージェント ハーネスに自動でパッチを適用します。

<div id="what-youll-learn">
  ## 学習内容
</div>

このクイックスタートを終えると、Weave 互換の OTel スパンを生成する、動作するマルチターン エージェントを構築できるようになります。また、Weave がセッション、ターン、LLM Call、ツール呼び出し をエージェントのコードにどのように対応付けるかも理解できるため、同じパターンを独自のカスタム エージェントに適用できます。

このガイドのコードでは、Wikipedia で情報をルックアップできる小規模なリサーチ エージェントをセットアップします。このエージェントは 3 つの質問 (3 つのターン) を行い、回答を得るためにいつ Wikipedia を検索するかを LLM が判断します。Weave はすべてのステップ (会話、各質問、各 AI の応答、各 Wikipedia ルックアップ) を記録するため、Weave の Agents ビューで何が起きたのかを確認できます。

このガイドでは、次の方法を説明します。

* `weave.init()` を使用して、agent tracing 用に Weave を初期化する。
* `start_session` / `startSession` と `start_turn` / `startTurn` を使用して、セッションとターンを開始する。
* `start_llm` / `startLLM` で LLM Call をラップし、使用状況を記録する。
* `start_tool` / `startTool` でツール実行をラップし、結果を記録する。
* 生成されたセッション、ターン、ツール呼び出し を Agents ビューで表示する。

<div id="how-the-weave-sdk-works-with-agents">
  ## Weave SDK のエージェントとの連携の仕組み
</div>

Weave SDK には、エージェント向けの汎用的な OTel 取り込み機構が含まれています。つまり、Weave はエージェントのコード内の任意の OTel span から情報を取得できます。ただし、Weave UI の Agents ビューでエージェントのトレースを表示するには、Weave では次の span を特別に処理する必要があります。

| 概念                     | Python                     | TypeScript                | OTel span           |
| ---------------------- | -------------------------- | ------------------------- | ------------------- |
| 1 つの会話                 | `weave.start_session(...)` | `weave.startSession(...)` | (span なし、ターンをグループ化) |
| 1 回のユーザーまたはエージェントのやり取り | `weave.start_turn(...)`    | `weave.startTurn(...)`    | `invoke_agent`      |
| 1 回の LLM API 呼び出し      | `weave.start_llm(...)`     | `weave.startLLM(...)`     | `chat`              |
| 1 回のツール実行              | `weave.start_tool(...)`    | `weave.startTool(...)`    | `execute_tool`      |

Python では、4 つの関数はすべてコンテキストマネージャーとして動作します (`with weave.start_*(...) as obj:`) 。終了時には、例外が発生した場合も含めて、span を終了し、属性をフラッシュします。TypeScript では、返された各オブジェクトに対して `.end()` を呼び出します。例外時のクリーンアップを確実に行うには、`try { ... } finally { obj.end(); }` を使用してください。

`gen_ai.usage.*` や `gen_ai.agent.name` などのその他の [GenAI semantic-convention attributes](https://opentelemetry.io/docs/specs/semconv/gen-ai/gen-ai-agent-spans/) を指定すると、追加の表示が可能になりますが、これらは任意です。

<div id="prerequisites">
  ## 前提条件
</div>

* W\&Bアカウントと [APIキー](https://wandb.ai/authorize)。
* OpenAI APIキー。
* Python 3.10+ (Python の例を使用する場合)。
* Node.js 18+ (TypeScript の例を使用する場合。組み込みの `fetch` が必要です)。

<div id="install-packages">
  ## パッケージをインストール
</div>

次のパッケージを開発環境にインストールします。

<CodeGroup>
  ```bash Python theme={null}
  pip install weave openai requests
  ```

  ```bash TypeScript theme={null}
  npm install weave openai
  ```
</CodeGroup>

<div id="initialize-weave">
  ## Weave を初期化する
</div>

`weave.init()` は W\&B で認証し、agent スパンを **Agents** ビューに送信する OTel エクスポーターを設定します。チームにその project が存在しない場合、Weave は最初に書き込んだときに作成します。

<CodeGroup>
  ```python lines Python theme={null}
  import getpass
  import os

  os.environ["WANDB_API_KEY"] = getpass.getpass("W&B APIキーを入力してください: ")
  os.environ["OPENAI_API_KEY"] = getpass.getpass("OpenAI APIキーを入力してください: ")

  TEAM = input("W&B チーム名を入力してください: ")
  PROJECT = input("W&B の project 名を入力してください: ")

  import weave
  weave.init(f"{TEAM}/{PROJECT}")
  ```

  ```typescript lines highlight="4" TypeScript twoslash theme={null}
  // @noErrors
  // この project を実行する前に、環境で WANDB_API_KEY と OPENAI_API_KEY を設定してください
  import * as weave from 'weave';

  await weave.init(`[YOUR-TEAM]/[YOUR-PROJECT]`);
  ```
</CodeGroup>

<div id="define-a-tool">
  ## ツールを定義する
</div>

次のコードでは、エージェントの Wikipedia 検索ツールと、そのツールをいつどのように使用するかを指定する OpenAI ツールスキーマを定義します。

<CodeGroup>
  ```python lines Python theme={null}
  import json
  import requests

  def wikipedia_search(query: str) -> str:
      r = requests.get(
          "https://en.wikipedia.org/w/api.php",
          params={
              "action": "query", "generator": "search", "gsrsearch": query, "gsrlimit": 1,
              "prop": "extracts", "exintro": True, "explaintext": True, "format": "json",
          },
          headers={"User-Agent": "weave-demo"},
      ).json()
      return next(iter(r["query"]["pages"].values()))["extract"]

  wikipedia_tool_schema = {
      "type": "function",
      "function": {
          "name": "wikipedia_search",
          "description": "Search Wikipedia for a topic and return its intro paragraph.",
          "parameters": {
              "type": "object",
              "properties": {"query": {"type": "string"}},
              "required": ["query"],
          },
      },
  }
  ```

  ```typescript lines TypeScript twoslash theme={null}
  // @noErrors
  async function wikipediaSearch(query: string): Promise<string> {
    const url = new URL('https://en.wikipedia.org/w/api.php');
    url.search = new URLSearchParams({
      action: 'query',
      generator: 'search',
      gsrsearch: query,
      gsrlimit: '1',
      prop: 'extracts',
      exintro: 'true',
      explaintext: 'true',
      format: 'json',
    }).toString();
    const res = await fetch(url, { headers: { 'User-Agent': 'weave-demo' } });
    const data = (await res.json()) as {
      query: { pages: Record<string, { extract: string }> };
    };
    return Object.values(data.query.pages)[0].extract;
  }

  const wikipediaToolSchema = {
    type: 'function' as const,
    function: {
      name: 'wikipedia_search',
      description: 'Search Wikipedia for a topic and return its intro paragraph.',
      parameters: {
        type: 'object',
        properties: { query: { type: 'string' } },
        required: ['query'],
      },
    },
  };
  ```
</CodeGroup>

<div id="run-a-traced-multi-turn-agent">
  ## トレースされたマルチターン エージェントを実行する
</div>

ツール と Weave の初期化が完了したら、次のステップではそれらを組み合わせて完全なエージェント ループを構成します。このループでは、セッション、ターン、LLM Call、ツール呼び出し がどのように入れ子になるかを示します。

次の例では、1 つのセッションで 3 つのターンを実行します。各ターンでは、次の処理を行います。

1. `chat` span を開き、ツール を呼び出すかどうかを LLM に判断させます。
2. LLM が ツール を要求した場合は、呼び出しを `execute_tool` span で囲み、その結果を LLM に返します。
3. 2 つ目の `chat` span を開いて、最終的な回答を生成します。

<CodeGroup>
  ```python lines highlight="9,11,17,29,42,46,53" Python theme={null}
  from openai import OpenAI

  openai_client = OpenAI()
  MODEL = "gpt-4o-mini"

  def run_turn(history, user_message):
      history.append({"role": "user", "content": user_message})

      with weave.start_turn(user_message=user_message, model=MODEL):
          # LLM 呼び出し 1: モデルがツールの使用を決定する場合があります。
          with weave.start_llm(model=MODEL, provider_name="openai") as llm:
              resp = openai_client.chat.completions.create(
                  model=MODEL, messages=history, tools=[wikipedia_tool_schema],
              )
              msg = resp.choices[0].message
              llm.output(msg.content or "")
              llm.usage = weave.Usage(
                  input_tokens=resp.usage.prompt_tokens,
                  output_tokens=resp.usage.completion_tokens,
              )
              history.append(msg.model_dump(exclude_none=True))

          # If no tool was requested, the first LLM response is the answer.
          if not msg.tool_calls:
              return msg.content

          # Execute each requested tool call.
          for tc in msg.tool_calls:
              with weave.start_tool(
                  name=tc.function.name,
                  arguments=tc.function.arguments,
                  tool_call_id=tc.id,
              ) as tool:
                  tool.result = wikipedia_search(**json.loads(tc.function.arguments))
                  history.append({
                      "role": "tool",
                      "tool_call_id": tc.id,
                      "content": tool.result,
                  })

          # LLM 呼び出し 2 — 最終的な回答を合成します。
          with weave.start_llm(model=MODEL, provider_name="openai") as llm:
              resp = openai_client.chat.completions.create(model=MODEL, messages=history)
              msg = resp.choices[0].message
              llm.output(msg.content)
              llm.usage = weave.Usage(
                  input_tokens=resp.usage.prompt_tokens,
                  output_tokens=resp.usage.completion_tokens,
              )
              history.append({"role": "assistant", "content": msg.content})
              return msg.content

  with weave.start_session(agent_name="research-bot") as session:
      history = []
      for question in [
          "Who founded Anthropic?",
          "What is Claude (the AI assistant)?",
          "Summarize what we discussed in one sentence.",
      ]:
          print(f"USER: {question}")
          print(f"AGENT: {run_turn(history, question)}\n")
  ```

  ```typescript lines highlight="10,13,39,54,76" TypeScript twoslash theme={null}
  // @noErrors
  import OpenAI from 'openai';

  const openaiClient = new OpenAI();
  const MODEL = 'gpt-4o-mini';

  // history は OpenAI チャットメッセージのリストです。簡潔にするため、型は緩く定義しています。
  async function runTurn(history: any[], userMessage: string): Promise<string | null> {
    history.push({ role: 'user', content: userMessage });

    const turn = weave.startTurn({ userMessage, model: MODEL });
    try {
      // LLM 呼び出し 1 — モデルがツールの使用を決定する場合があります。
      const llm1 = weave.startLLM({ model: MODEL, providerName: 'openai' });
      let msg;
      try {
        const resp = await openaiClient.chat.completions.create({
          model: MODEL,
          messages: history,
          tools: [wikipediaToolSchema],
        });
        msg = resp.choices[0].message;
        llm1.output(msg.content ?? '');
        llm1.usage = {
          inputTokens: resp.usage?.prompt_tokens,
          outputTokens: resp.usage?.completion_tokens,
        };
        history.push(msg);
      } finally {
        llm1.end();
      }

      // If no tool was requested, the first LLM response is the answer.
      if (!msg.tool_calls?.length) {
        return msg.content ?? null;
      }

      // Execute each requested tool call.
      for (const tc of msg.tool_calls) {
        const tool = weave.startTool({
          name: tc.function.name,
          args: tc.function.arguments,
          toolCallId: tc.id,
        });
        try {
          const { query } = JSON.parse(tc.function.arguments);
          tool.result = await wikipediaSearch(query);
          history.push({ role: 'tool', tool_call_id: tc.id, content: tool.result });
        } finally {
          tool.end();
        }
      }

      // LLM 呼び出し 2 — 最終的な回答を生成します。
      const llm2 = weave.startLLM({ model: MODEL, providerName: 'openai' });
      try {
        const resp = await openaiClient.chat.completions.create({
          model: MODEL,
          messages: history,
        });
        const msg2 = resp.choices[0].message;
        llm2.output(msg2.content ?? '');
        llm2.usage = {
          inputTokens: resp.usage?.prompt_tokens,
          outputTokens: resp.usage?.completion_tokens,
        };
        history.push({ role: 'assistant', content: msg2.content });
        return msg2.content ?? null;
      } finally {
        llm2.end();
      }
    } finally {
      turn.end();
    }
  }

  const session = weave.startSession({ agentName: 'research-bot' });
  try {
    const history: any[] = [];
    for (const question of [
      'Who founded Anthropic?',
      'What is Claude (the AI assistant)?',
      'Summarize what we discussed in one sentence.',
    ]) {
      console.log(`USER: ${question}`);
      console.log(`AGENT: ${await runTurn(history, question)}\n`);
    }
  } finally {
    session.end();
  }
  ```
</CodeGroup>

<div id="see-your-agent-traces-in-the-agents-view">
  ## Agentsビューでエージェントのトレースを確認する
</div>

`weave.init()` が実行されると、次の内容を確認できる project へのリンクが表示されます。

* **Agents** タブにある `research-bot` の行。
* 3 つの ターン を含む 1 つのセッション。
* 各 ターン (`invoke_agent`) には、2 つの `chat` span と、その内側にネストされた `execute_tool` span が含まれます。
* 各 `chat` の token 数、レイテンシ、モデル、メッセージの完全なやり取り。

いずれかの ターン をクリックすると、入力、出力、ツール の引数、ツール の結果を確認できます。

<div id="next-steps">
  ## 次のステップ
</div>

* [Weave でエージェントをトレースする方法](/ja/weave/guides/tracking/trace-agents)や、Weave SDK で利用できる機能とオプションについて学んでください。
* エージェントに Weave を統合するその他の方法については、[エージェント インテグレーションをトレースする](/ja/weave/guides/tracking/trace-agent-integrations)を参照してください。