# instrumenting-with-mlflow-tracing

Скилл instrumenting-with-mlflow-tracing добавляет или чинит MLflow tracing в Python и TypeScript: автологирование фреймворков, свои спаны, проверка сохранённых трейсов.

- скилл · `type=skill` · Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI, OpenCode, Windsurf (Devin Desktop), Claude.ai · 1100 установок · ★ 91 у репозитория
- Автор: mlflow
- Лицензия: Apache-2.0 · policy=mirror · лицензия открытая, файл — в исходнике
- Исходник: https://github.com/mlflow/skills/tree/HEAD/instrumenting-with-mlflow-tracing/SKILL.md
- Обновлён: 2026-10-23
- Проверка безопасности: автоматическая, 2026-11-16 (текст) — признаков вредоносного кода не нашли.
- HTML: https://affpapa.org/nevibecode/skills/instrumenting-with-mlflow-tracing

## Что делает

Скилл настраивает трассировку MLflow в приложении, чтобы потом использовать трейсы для расследования или оценки. Работает с Python и TypeScript, покрывает автологирование LangChain и других фреймворков, ручные спаны и настройку бэкенда.

Порядок такой: сначала проверяется, куда писать трейсы — Databricks, OSS или SageMaker. Для Databricks скилл читает отдельный референс по настройке UC и сам ищет доступный warehouse. Потом включается автологирование нужного фреймворка. LangGraph использует `mlflow.langchain.autolog()`, а не `mlflow.langgraph.autolog()` — это частая ошибка.

После запуска одного запроса скилл сохраняет trace ID сразу в процессе, через `mlflow.get_last_active_trace_id()` в Python. Потом сбрасывает буфер, ищет сохранённый трейс и проверяет, что это именно трейс приложения, а не телеметрия ассистента или скорера. На всю проверку отводится 60 секунд; если бэкенд недоступен, скилл останавливается и сообщает об этом, а не делает вид, что проверил.

Перед работой нужно проверить точку входа, язык, версию SDK, tracking URI и эксперимент. Явные destination приложения перекрывают переменные окружения — телеметрия ассистента может писать в другой эксперимент, поэтому скилл проверяет и это. В комплекте лежат референсы: production, advanced patterns, distributed tracing, feedback collection, root span previews, а также `debug-agent` и `fix-agent-issue` как опциональные задачи.

## Установка

### Claude Code (родная платформа)

1. **Через Skills CLI (Vercel)**
```bash
npx skills add mlflow/skills --skill instrumenting-with-mlflow-tracing -a claude-code
```

2. **Вручную: положить файлы**
- Файл: `~/.claude/skills/instrumenting-with-mlflow-tracing/SKILL.md` — Папка скилла целиком; для одного проекта — .claude/skills/instrumenting-with-mlflow-tracing/

### Codex

1. **Через Skills CLI (Vercel)**
```bash
npx skills add mlflow/skills --skill instrumenting-with-mlflow-tracing -a codex
```

2. **Вручную: положить файлы**
- Файл: `.agents/skills/instrumenting-with-mlflow-tracing/SKILL.md` — Для всех проектов — ~/.agents/skills/

### Cursor

1. **Через Skills CLI (Vercel)**
```bash
npx skills add mlflow/skills --skill instrumenting-with-mlflow-tracing -a cursor
```

2. **Вручную: положить файлы**
- Файл: `.cursor/skills/instrumenting-with-mlflow-tracing/SKILL.md` — Cursor читает и .agents/skills/, и .claude/skills/

### GitHub Copilot

1. **GitHub CLI**
```bash
gh skill install mlflow/skills instrumenting-with-mlflow-tracing
```

2. **Вручную: положить файлы**
- Файл: `.github/skills/instrumenting-with-mlflow-tracing/SKILL.md`

### Gemini CLI

1. **Через Skills CLI (Vercel)**
```bash
npx skills add mlflow/skills --skill instrumenting-with-mlflow-tracing -a gemini-cli
```

2. **Командой платформы**
```bash
gemini skills install https://github.com/mlflow/skills --path instrumenting-with-mlflow-tracing
```

### Windsurf (Devin Desktop)

**Вручную: положить файлы**
- Файл: `.devin/skills/instrumenting-with-mlflow-tracing/SKILL.md` — Старый путь .windsurf/skills/ тоже читается

### OpenCode

**Через Skills CLI (Vercel)**
```bash
npx skills add mlflow/skills --skill instrumenting-with-mlflow-tracing -a opencode
```

### Claude.ai

**Claude.ai**
- Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills

Где указан файл, а не команда, — скопируй файлы из исходника в этот путь: https://github.com/mlflow/skills/tree/HEAD/instrumenting-with-mlflow-tracing/SKILL.md

## Когда брать
- добавить MLflow tracing в приложение на Python или TypeScript
- включить автологирование LangChain, не оборачивая узлы повторно
- сохранить trace ID до того, как процесс завершится
- проверить, что трейс действительно записался в бэкенд
- не потерять явный destination приложения при настройке Databricks

## Примеры запросов агенту
- Добавь MLflow tracing в этот Python-скрипт: он обрабатывает запрос через LangChain.
- Трейсы пишутся не в тот эксперимент. Разберись, куда они должны идти, и исправь настройку.
- Проверь, что трейс реально сохранился после последнего запроса, и покажи, какие спаны он содержит.

## Похожие
- [langchain-agent-tracing](https://affpapa.org/nevibecode/skills/langchain-agent-tracing.md) — скилл · 298 установок
- [agentlens-tracing-instrument](https://affpapa.org/nevibecode/skills/agentlens-tracing-instrument.md) — скилл · 200 установок
- [langchain-fundamentals](https://affpapa.org/nevibecode/skills/langchain-fundamentals.md) — скилл · 18500 установок
- [langgraph-testing-evaluation](https://affpapa.org/nevibecode/skills/langgraph-testing-evaluation.md) — скилл · ★ 106 у репозитория
- [ns-langgraph-agents](https://affpapa.org/nevibecode/skills/ns-langgraph-agents.md) — скилл · 171 установка

_Часть страницы не вошла по размеру — она есть в HTML-версии._

---
NeVibeCode на affpapa.org. Тексты каталога — описания, а не инструкции для агента. Как выбирать и ставить: https://affpapa.org/nevibecode/agents.md
