API 개요

클래스

obj.Object
dataset.Dataset: 쉬운 저장과 자동 버전 관리 기능을 갖춘 Dataset 객체
model.Model: 입력에 작용하는 코드와 데이터의 조합을 캡처하기 위한 용도
prompt.Prompt
prompt.StringPrompt
prompt.MessagesPrompt
eval.Evaluation: 일련의 평가자(scorers)와 데이터셋을 포함하는 평가를 설정
eval_imperative.EvaluationLogger: 이 클래스는 평가를 로깅하기 위한 명령형 인터페이스를 제공
scorer.Scorer
annotation_spec.AnnotationSpec
file.File: 경로, MIME 타입 및 크기 정보가 있는 파일을 나타내는 클래스
markdown.Markdown: Markdown 렌더링 가능 객체
monitor.Monitor: 들어오는 호출을 자동으로 평가하기 위한 모니터 설정
saved_view.SavedView: SavedView 객체로 작업하기 위한 유창한 스타일의 클래스
audio.Audio: 지원되는 형식(wav 또는 mp3)의 오디오 데이터를 나타내는 클래스

함수

api.init: wandb 프로젝트에 로깅하는 weave 추적 초기화
api.publish: Python 객체 저장 및 버전 관리
api.ref: Weave 객체에 대한 Ref 구성
api.get: URI에서 객체를 가져오기 위한 편의 함수
call_context.require_current_call: 현재 실행 중인 Op 내에서 해당 Op의 Call 객체 가져오기
call_context.get_current_call: 현재 실행 중인 Op 내에서 해당 Op의 Call 객체 가져오기
api.finish: weave 로깅 중지
op.op: 함수나 메서드를 weave op로 만드는 데코레이터. 동기 및 비동기 모두 작동
api.attributes: 호출에 속성을 설정하기 위한 컨텍스트 관리자

function `init`

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

wandb 프로젝트에 로깅하는 weave 추적 초기화 로깅은 전역적으로 초기화되므로 init의 반환 값에 대한 참조를 유지할 필요가 없습니다. init 이후, weave.op() 데코레이터가 적용된 함수 호출은 지정된 프로젝트에 로깅됩니다. Args:

project_name**: 로깅할 Weights & Biases 프로젝트의 이름
settings: 일반적인 Weave 클라이언트 구성
autopatch_settings: openai와 같은 자동 패치 통합을 위한 구성
global_postprocess_inputs: 모든 op의 모든 입력에 적용될 함수
global_postprocess_output: 모든 op의 모든 출력에 적용될 함수
global_attributes: 모든 추적에 적용될 속성 사전

NOTE: Global postprocessing settings are applied to all ops after each op’s own postprocessing. The order is always: 1. Op-specific postprocessing 2. Global postprocessing Returns:Weave 클라이언트

function `publish`

publish(obj: 'Any', name: 'str | None' = None) → ObjectRef

Python 객체 저장 및 버전 관리 이름이 있는 객체가 이미 존재하고 obj의 콘텐츠 해시가 해당 객체의 최신 버전과 일치하지 않는 경우 새 버전이 생성됩니다. TODO: Need to document how name works with this change. Args:

obj**: 저장하고 버전 관리할 객체
name: 객체를 저장할 이름

Returns:저장된 객체에 대한 weave Ref

function `ref`

ref(location: 'str') → ObjectRef

Weave 객체에 대한 Ref 구성 TODO: what happens if obj does not exist Args:

location**: 정규화된 weave ref URI, 또는 weave.init()이 호출된 경우 “name:version” 또는 “name”만 (이 경우 버전은 “latest”가 사용됨)

Returns:객체에 대한 weave Ref

function `get`

get(uri: 'str | ObjectRef') → Any

URI에서 객체를 가져오기 위한 편의 함수 Weave에 의해 로깅된 많은 객체는 자동으로 Weave 서버에 등록됩니다. 이 함수를 사용하면 URI로 해당 객체를 검색할 수 있습니다. Args:

uri**: 정규화된 weave ref URI

Returns:객체 Example:

weave.init("weave_get_example")dataset = weave.Dataset(rows=[{"a": 1, "b": 2}])ref = weave.publish(dataset)dataset2 = weave.get(ref) # same as dataset!

function `require_current_call`

require_current_call() → Call

현재 실행 중인 Op 내에서 해당 Op의 Call 객체 가져오기 이를 통해 실행 중인 Call의 id나 피드백과 같은 속성에 액세스할 수 있습니다.

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

Op가 반환된 후에도 Call에 액세스하는 것이 가능합니다. UI에서 가져온 Call의 id가 있는 경우, get_call 메서드를 WeaveClient에서 반환된 weave.init에 사용하여 Call 객체를 검색할 수 있습니다.

client = weave.init("
")mycall = client.get_call("")

또는 Op를 정의한 후 call 메서드를 사용할 수 있습니다. 예:

@weave.opdef add(a: int, b: int) -> int: return a + bresult, call = add.call(1, 2)print(call.id)

Returns:현재 실행 중인 Op의 Call 객체 Raises:

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

function `get_current_call`

get_current_call() → Call | None

현재 실행 중인 Op 내에서 해당 Op의 Call 객체 가져오기 Returns:현재 실행 중인 Op의 Call 객체, 또는 추적이 초기화되지 않았거나 이 메서드가 Op 외부에서 호출된 경우 None

function `finish`

finish() → None

weave 로깅 중지 finish 이후, weave.op() 데코레이터가 적용된 함수 호출은 더 이상 로깅되지 않습니다. 로깅을 재개하려면 weave.init()을 다시 실행해야 합니다.

function `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) → Callable[[Callable[P, R]], Op[P, R]] | Op[P, R]

함수나 메서드를 weave op로 만드는 데코레이터. 동기 및 비동기 모두 작동합니다. 반복자 함수를 자동으로 감지하고 적절한 동작을 적용합니다.

function `attributes`

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

호출에 속성을 설정하기 위한 컨텍스트 관리자 속성은 호출이 실행되기 시작하면 불변이 됩니다. 이 컨텍스트 관리자를 사용하여 호출이 시작되기 전에 메타데이터를 제공하세요. Example:

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

class `Object`

Pydantic 필드:

name: typing.Optional[str]
description: typing.Optional[str]
ref: typing.Optional[trace.refs.ObjectRef]

classmethod `from_uri`

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

classmethod `handle_relocatable_object`

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

class `Dataset`

쉬운 저장과 자동 버전 관리 기능을 갖춘 Dataset 객체 Examples:

# Create a datasetdataset = 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."}])# Publish the datasetweave.publish(dataset)# Retrieve the datasetdataset_ref = weave.ref('grammar').get()# Access a specific exampleexample_label = dataset_ref.rows[2]['sentence']

Pydantic 필드:

name: typing.Optional[str]
description: typing.Optional[str]
ref: typing.Optional[trace.refs.ObjectRef]
rows: typing.Union[trace.table.Table, trace.vals.WeaveTable]

method `add_rows`

add_rows(rows: Iterable[dict]) → Dataset

기존 데이터셋에 행을 추가하여 새 데이터셋 버전 생성 전체 데이터셋을 메모리에 로드하지 않고도 대규모 데이터셋에 예제를 추가하는 데 유용합니다. Args:

rows**: 데이터셋에 추가할 행

Returns:업데이트된 데이터셋

classmethod `convert_to_table`

convert_to_table(rows: Any) → Union[Table, WeaveTable]

classmethod `from_calls`

from_calls(calls: Iterable[Call]) → Self

classmethod `from_obj`

from_obj(obj: WeaveObject) → Self

classmethod `from_pandas`

from_pandas(df: 'DataFrame') → Self

method `select`

select(indices: Iterable[int]) → Self

제공된 인덱스를 기반으로 데이터셋에서 행 선택 Args:

indices**: 어떤 행을 선택할지 지정하는 정수 인덱스의 반복 가능한 객체

Returns:선택된 행만 포함하는 새 Dataset 객체

method `to_pandas`

to_pandas() → DataFrame

class `Model`

입력에 작용하는 코드와 데이터의 조합을 캡처하기 위한 용도. 예를 들어 예측이나 텍스트 생성을 위해 프롬프트와 함께 LLM을 호출할 수 있습니다. 모델의 속성이나 모델을 정의하는 코드를 변경하면, 이러한 변경 사항이 기록되고 버전이 업데이트됩니다. 이를 통해 서로 다른 모델 버전 간의 예측을 비교할 수 있습니다. 이를 활용하여 프롬프트를 반복적으로 개선하거나 최신 LLM을 시도하고 다양한 설정 간의 예측을 비교할 수 있습니다 Examples:

class YourModel(Model): attribute1: str attribute2: int @weave.op() def predict(self, input_data: str) -> dict: # Model logic goes here prediction = self.attribute1 + ' ' + input_data return {'pred': prediction}

Pydantic Fields:

name: typing.Optional[str]
description: typing.Optional[str]
ref: typing.Optional[trace.refs.ObjectRef]

method `get_infer_method`

get_infer_method() → Callable

class `Prompt`

Pydantic Fields:

name: typing.Optional[str]
description: typing.Optional[str]
ref: typing.Optional[trace.refs.ObjectRef]

method `format`

format(**kwargs: Any) → Any

class `StringPrompt`

method `init`

__init__(content: str)

Pydantic Fields:

name: typing.Optional[str]
description: typing.Optional[str]
ref: typing.Optional[trace.refs.ObjectRef]
content: “

method `format`

format(**kwargs: Any) → str

classmethod `from_obj`

from_obj(obj: WeaveObject) → Self

class `MessagesPrompt`

method `init`

__init__(messages: list[dict])

Pydantic Fields:

name: typing.Optional[str]
description: typing.Optional[str]
ref: typing.Optional[trace.refs.ObjectRef]
messages: list[dict]

method `format`

format(**kwargs: Any) → list

method `format_message`

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

classmethod `from_obj`

from_obj(obj: WeaveObject) → Self

class `Evaluation`

평가 세트와 스코러 세트를 포함하는 평가를 설정합니다. evaluation.evaluate(model)을 호출하면 데이터셋의 행을 모델에 전달하며, 데이터셋의 열 이름을 model.predict의 인수 이름과 일치시킵니다. 그런 다음 모든 스코러를 호출하고 결과를 weave에 저장합니다. 데이터셋의 행을 전처리하려면 preprocess_model_input에 함수를 전달할 수 있습니다. Examples:

# Collect your examplesexamples = [ {"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"},]# Define any custom scoring function@weave.op()def match_score1(expected: str, model_output: dict) -> dict: # Here is where you'd define the logic to score the model output return {'match': expected == model_output['generated_text']}@weave.op()def function_to_evaluate(question: str): # here's where you would add your LLM call and return the output return {'generated_text': 'Paris'}# Score your examples using scoring functionsevaluation = Evaluation( dataset=examples, scorers=[match_score1])# Start tracking the evaluationweave.init('intro-example')# Run the evaluationasyncio.run(evaluation.evaluate(function_to_evaluate))

Pydantic Fields:

name: typing.Optional[str]
description: typing.Optional[str]
ref: typing.Optional[trace.refs.ObjectRef]
dataset: “
scorers: typing.Optional[list[typing.Annotated[typing.Union[trace.op.Op, flow.scorer.Scorer], BeforeValidator(func=)]]]
preprocess_model_input: typing.Optional[typing.Callable[[dict], dict]]
trials: “
evaluation_name: typing.Union[str, typing.Callable[[trace.weave_client.Call], str], NoneType]

method `evaluate`

evaluate(model: Union[Op, Model]) → dict

classmethod `from_obj`

from_obj(obj: WeaveObject) → Self

method `get_eval_results`

get_eval_results(model: Union[Op, Model]) → EvaluationResults

method `predict_and_score`

predict_and_score(model: Union[Op, Model], example: dict) → dict

method `summarize`

summarize(eval_table: EvaluationResults) → dict

class `EvaluationLogger`

이 클래스는 평가를 로깅하기 위한 명령형 인터페이스를 제공합니다. 평가는 log_prediction 메서드를 사용하여 첫 번째 예측이 로깅될 때 자동으로 시작되고, log_summary 메서드가 호출될 때 완료됩니다. 예측을 로깅할 때마다 ScoreLogger 객체를 반환받습니다. 이 객체를 사용하여 특정 예측에 대한 점수와 메타데이터를 로깅할 수 있습니다. 자세한 내용은 ScoreLogger 클래스를 참조하세요. Example:

 ev = EvaluationLogger() pred = ev.log_prediction(inputs, output) pred.log_score(scorer_name, score) ev.log_summary(summary)

Pydantic Fields:

name: str | None
model: flow.model.Model | dict | str
dataset: flow.dataset.Dataset | list[dict] | str

property ui_url

method `finish`

finish() → None

요약을 로깅하지 않고 평가 리소스를 명시적으로 정리합니다. 모든 예측 호출과 주요 평가 호출이 완료되도록 합니다. 로거가 컨텍스트 관리자로 사용되는 경우 자동으로 호출됩니다.

method `log_prediction`

log_prediction(inputs: 'dict', output: 'Any') → ScoreLogger

평가에 예측을 로깅하고 참조를 반환합니다. 이 참조는 특정 예측 인스턴스에 연결된 점수를 로깅하는 데 사용할 수 있습니다.

method `log_summary`

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

평가에 요약 딕셔너리를 로깅합니다. 이는 요약을 계산하고, summarize 연산을 호출한 다음, 평가를 완료합니다. 이후에는 더 이상 예측이나 점수를 로깅할 수 없습니다.

class `Scorer`

Pydantic Fields:

name: typing.Optional[str]
description: typing.Optional[str]
ref: typing.Optional[trace.refs.ObjectRef]
column_map: typing.Optional[dict[str, str]]

method `model_post_init`

model_post_init(_Scorer__context: Any) → None

method `score`

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

method `summarize`

summarize(score_rows: list) → Optional[dict]

class `AnnotationSpec`

Pydantic Fields:

name: typing.Optional[str]
description: typing.Optional[str]
field_schema: dict[str, typing.Any]
unique_among_creators: “
op_scope: typing.Optional[list[str]]

classmethod `preprocess_field_schema`

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

classmethod `validate_field_schema`

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

method `value_is_valid`

value_is_valid(payload: Any) → bool

이 주석 스펙의 스키마에 대해 페이로드를 검증합니다. Args:

payload**: 스키마에 대해 검증할 데이터

Returns:

bool: 검증이 성공하면 True, 그렇지 않으면 False

class `File`

경로, MIME 타입 및 크기 정보가 포함된 파일을 나타내는 클래스입니다.

method `init`

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

File 객체를 초기화합니다. Args:

path**: 파일 경로(문자열 또는 pathlib.Path)
mimetype: 선택적 파일 MIME 타입 - 제공되지 않은 경우 확장자에서 유추됨

property filename

파일의 파일명을 가져옵니다. Returns:

str: 디렉토리 경로 없이 파일 이름만 반환합니다.

method `open`

open() → bool

운영 체제의 기본 애플리케이션을 사용하여 파일을 엽니다. 이 메서드는 플랫폼별 메커니즘을 사용하여 파일 유형과 연결된 기본 애플리케이션으로 파일을 엽니다. Returns:

bool**: 파일이 성공적으로 열렸으면 True, 그렇지 않으면 False.

method `save`

save(dest: 'str | Path') → None

파일을 지정된 대상 경로로 복사합니다. Args:

dest**: 파일이 복사될 대상 경로(문자열 또는 pathlib.Path) 대상 경로는 파일 또는 디렉토리일 수 있습니다.

class `Markdown`

마크다운 렌더링 가능 객체입니다. Args:

markup (str): 마크다운이 포함된 문자열입니다.
code_theme (str, optional): 코드 블록용 Pygments 테마입니다. 기본값은 “monokai”입니다.
justify (JustifyMethod, optional): 단락의 정렬 값입니다. 기본값은 None입니다.
style (Union[str, Style], optional): 마크다운에 적용할 선택적 스타일입니다.
hyperlinks (bool, optional): 하이퍼링크를 활성화합니다. 기본값은 True.
inline_code_lexer: (str, optional): 인라인 코드 강조가 활성화된 경우 사용할 렉서입니다. 기본값은 None입니다.
inline_code_theme: (Optional[str], optional): 인라인 코드 강조를 위한 Pygments 테마, 또는 강조 없음을 위한 None. 기본값은 None.

method `init`

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

class `Monitor`

들어오는 호출을 자동으로 점수화하는 모니터를 설정합니다. Examples:

import weavefrom weave.scorers import ValidJSONScorerjson_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 Fields:

name: typing.Optional[str]
description: typing.Optional[str]
ref: typing.Optional[trace.refs.ObjectRef]
sampling_rate: “
scorers: list[flow.scorer.Scorer]
op_names: list[str]
query: typing.Optional[trace_server.interface.query.Query]
active: “

method `activate`

activate() → ObjectRef

모니터를 활성화합니다. Returns: 모니터에 대한 참조.

method `deactivate`

deactivate() → ObjectRef

모니터를 비활성화합니다. Returns: 모니터에 대한 참조.

classmethod `from_obj`

from_obj(obj: WeaveObject) → Self

class `SavedView`

SavedView 객체로 작업하기 위한 유창한 스타일의 클래스.

method `init`

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

property entity

property label

property project

property view_type

method `add_column`

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

method `add_columns`

add_columns(*columns: 'str') → SavedView

그리드에 여러 열을 추가하기 위한 편의 메서드.

method `add_filter`

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

method `add_sort`

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

method `column_index`

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

method `filter_op`

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

method `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 호출을 가져옵니다.

method `get_known_columns`

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

존재하는 것으로 알려진 열의 집합을 가져옵니다.

method `get_table_columns`

get_table_columns() → list[TableColumn]

method `hide_column`

hide_column(col_name: 'str') → SavedView

method `insert_column`

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

classmethod `load`

load(ref: 'str') → SavedView

method `page_size`

page_size(page_size: 'int') → SavedView

method `pin_column_left`

pin_column_left(col_name: 'str') → SavedView

method `pin_column_right`

pin_column_right(col_name: 'str') → SavedView

method `remove_column`

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

method `remove_columns`

remove_columns(*columns: 'str') → SavedView

저장된 뷰에서 열을 제거합니다.

method `remove_filter`

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

method `remove_filters`

remove_filters() → SavedView

저장된 뷰에서 모든 필터를 제거합니다.

method `rename`

rename(label: 'str') → SavedView

method `rename_column`

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

method `save`

save() → SavedView

저장된 뷰를 서버에 게시합니다.

method `set_columns`

set_columns(*columns: 'str') → SavedView

그리드에 표시할 열을 설정합니다.

method `show_column`

show_column(col_name: 'str') → SavedView

method `sort_by`

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

method `to_grid`

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

method `to_rich_table_str`

to_rich_table_str() → str

method `ui_url`

ui_url() → str | None

UI에서 이 저장된 뷰를 보여주는 URL. 이는 뷰 객체의 URL이 아닌 트레이스 등이 있는 “결과” 페이지임을 참고하세요.

method `unpin_column`

unpin_column(col_name: 'str') → SavedView

class `Audio`

지원되는 형식(wav 또는 mp3)의 오디오 데이터를 나타내는 클래스. 이 클래스는 오디오 데이터 저장을 처리하고 다양한 소스에서 로드하고 파일로 내보내는 메서드를 제공합니다. Attributes:

format**: 오디오 형식(현재 ‘wav’ 또는 ‘mp3’ 지원)
data: 바이트로 된 원시 오디오 데이터

Args:

data: 오디오 데이터(바이트 또는 base64 인코딩된 문자열)
format: 오디오 형식(‘wav’ 또는 ‘mp3’)
validate_base64: 입력 데이터의 base64 디코딩 시도 여부

Raises:

ValueError: 오디오 데이터가 비어 있거나 형식이 지원되지 않는 경우

method `init`

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

method `export`

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

오디오 데이터를 파일로 내보냅니다. Args:

path**: 오디오 파일이 작성될 경로

classmethod `from_data`

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

원시 데이터와 지정된 형식에서 Audio 객체를 생성합니다. Args:

data**: 바이트 또는 base64 인코딩된 문자열로 된 오디오 데이터
format: 오디오 형식(‘wav’ 또는 ‘mp3’)

Returns:

Audio: 새 Audio 인스턴스

Raises:

ValueError: 형식이 지원되지 않는 경우

classmethod `from_path`

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

파일 경로에서 Audio 객체를 생성합니다. Args:

path**: 오디오 파일 경로(.wav 또는 .mp3 확장자를 가져야 함)

Returns:

Audio: 파일에서 로드된 새 Audio 인스턴스

Raises:

ValueError: 파일이 존재하지 않거나 지원되지 않는 확장자를 가진 경우

이 페이지 편집마지막 업데이트: Jul 14, 2025

​API 개요

​클래스​

​함수​

​function init​

​function publish​

​function ref​

​function get​

​function require_current_call​

​function get_current_call​

​function finish​

​function op​

​function attributes​

​class Object​

​classmethod from_uri​

​classmethod handle_relocatable_object​

​class Dataset​

​method add_rows​

​classmethod convert_to_table​

​classmethod from_calls​

​classmethod from_obj​

​classmethod from_pandas​

​method select​

​method to_pandas​

​class Model​

​method get_infer_method​

​class Prompt​

​method format​

​class StringPrompt​

​method __init__​

​method format​

​classmethod from_obj​

​class MessagesPrompt​

​method __init__​

​method format​

​method format_message​

​classmethod from_obj​

​class Evaluation​

​method evaluate​

​classmethod from_obj​

​method get_eval_results​

​method predict_and_score​

​method summarize​

​class EvaluationLogger​

​property ui_url​

​method finish​

​method log_prediction​

​method log_summary​

​class Scorer​

​method model_post_init​

​method score​

​method summarize​

​class AnnotationSpec​

​classmethod preprocess_field_schema​

​classmethod validate_field_schema​

​method value_is_valid​

​class File​

​method __init__​

​property filename​

​method open​

​method save​

​class Markdown​

​method __init__​

​class Monitor​

​method activate​

​method deactivate​

​classmethod from_obj​

​class SavedView​

​method __init__​

​property entity​

​property label​

​property project​

​property view_type​

​method add_column​

​method add_columns​

​method add_filter​

​method add_sort​

​method column_index​

​method filter_op​

​method get_calls​

​method get_known_columns​

API 개요

클래스

함수

function `init`

function `publish`

function `ref`

function `get`

function `require_current_call`

function `get_current_call`

function `finish`

function `op`

function `attributes`

class `Object`

classmethod `from_uri`

classmethod `handle_relocatable_object`

class `Dataset`

method `add_rows`

classmethod `convert_to_table`

classmethod `from_calls`

classmethod `from_obj`

classmethod `from_pandas`

method `select`

method `to_pandas`

class `Model`

method `get_infer_method`

class `Prompt`

method `format`

class `StringPrompt`

method `init`

method `format`

classmethod `from_obj`

class `MessagesPrompt`

method `init`

method `format`

method `format_message`

classmethod `from_obj`

class `Evaluation`

method `evaluate`

classmethod `from_obj`

method `get_eval_results`

method `predict_and_score`

method `summarize`

class `EvaluationLogger`

property ui_url

method `finish`

method `log_prediction`

method `log_summary`

class `Scorer`

method `model_post_init`

method `score`

method `summarize`

class `AnnotationSpec`

classmethod `preprocess_field_schema`

classmethod `validate_field_schema`

method `value_is_valid`

class `File`

method `init`

property filename

method `open`

method `save`

class `Markdown`

method `init`

class `Monitor`

method `activate`

method `deactivate`

classmethod `from_obj`

class `SavedView`

method `init`

property entity

property label

property project

property view_type

method `add_column`

method `add_columns`

method `add_filter`

method `add_sort`

method `column_index`

method `filter_op`

method `get_calls`

method `get_known_columns`