Visualizar ejecuciones de agentes (Langfuse, LangSmith)
Explore las interfaces de Langfuse o LangSmith para inspeccionar un árbol de trazas y repetir ejecuciones fallidas.
Visualizar ejecuciones de agentes (Langfuse, LangSmith) es una lección gratuita de AI Agents en CoddyKit. Esta es la lección 4 de 4. Puedes leer la lección completa abajo gratuitamente — luego la practicas en el navegador con un editor de código integrado y un tutor de IA 24/7. Forma parte de la ruta de aprendizaje de AI Agents, y tu progreso se sincroniza en la web y la app de CoddyKit. El curso de AI Agents incluye 4 lecciones en total.
Partes de esta lección aún no han sido traducidas y se muestran en inglés.
Dos herramientas líderes
Puede crear el sistema de trazas usted mismo, pero dos productos lo hacen bien desde el primer momento:
- Langfuse: OSS, autoalojable e independiente del framework
- LangSmith: código cerrado, del equipo de LangChain
Además, Helicone, Phoenix y Weights & Biases sirven para algunos flujos de trabajo.
Descripción general de Langfuse
Langfuse le ofrece:
- Vista en árbol de las trazas con sus tiempos
- Entradas y salidas por span
- Agregaciones de costes y tokens
- Compatibilidad con conjuntos de datos y evaluaciones
- Control de versiones de prompts
- OSS: ejecútelo localmente con Docker
Langfuse Quick Start
# pip install langfuse openai
from langfuse.openai import openai
response = openai.chat.completions.create(
model='gpt-4o-mini',
messages=[{'role': 'user', 'content': 'Hi'}],
name='greeting' # span name
)
# Trace automatically appears in Langfuse UISpans manuales en Langfuse
Para llamadas a herramientas o lógica personalizada:
from langfuse import Langfuse
lf = Langfuse()
trace = lf.trace(name='agent-run', user_id='u-42')
span = trace.span(name='search-tool', input={'query': 'shipping'})
results = search_kb('shipping')
span.end(output=results)LangSmith Quick Start
# pip install langsmith
import os
os.environ['LANGCHAIN_TRACING_V2'] = 'true'
os.environ['LANGCHAIN_API_KEY'] = '...'
# Any LangChain code automatically logs to LangSmith
from langchain_openai import ChatOpenAI
llm = ChatOpenAI()
llm.invoke('Hello')
# Trace appears in https://smith.langchain.comLangSmith sin LangChain
Puede usar LangSmith desde cualquier código con el decorador @traceable:
from langsmith import traceable
@traceable
def ask_agent(query: str):
# your custom agent code here
return final_answerLo que muestra la interfaz
- Lista de las trazas recientes con su estado (correcto/error)
- Una traza → árbol de spans
- Por span: modelo, latencia, tokens, coste y entrada/salida
- Reproducción de una traza con modificaciones
Etiquetado y filtrado
Añada etiquetas a las trazas para poder filtrarlas:
trace = lf.trace(name='agent-run', tags=['production', 'tenant:acme', 'tool:rag'])Comentarios de los usuarios
Capture los pulgares arriba o abajo de los usuarios finales y adjúntelos a la traza:
trace.score(name='user-rating', value=1) # thumbs up
trace.score(name='user-rating', value=0) # thumbs downConjuntos de datos y reproducciones
Ambas herramientas permiten convertir las trazas en conjuntos de datos de evaluación. Elija 50 trazas de producción que hayan fallado, guárdelas como un conjunto de datos y vuelva a ejecutarlas con un prompt nuevo para compararlas.
Self-Hosting Langfuse
# docker-compose with Postgres + Clickhouse
version: '3'
services:
langfuse:
image: langfuse/langfuse:latest
ports: ['3000:3000']
environment:
DATABASE_URL: postgresql://...
NEXTAUTH_SECRET: '...'
SALT: '...'
# Then point LANGFUSE_HOST=http://localhost:3000Compare las herramientas
| Langfuse | LangSmith | Helicone | |
|---|---|---|---|
| OSS | Sí | No | Sí |
| Framework | Cualquiera | Prioridad a LangChain | Cualquiera |
| Evaluación | Sí | Sí | Básica |
¿Alojamiento propio?
¿Cuáles de estas herramientas de trazas pueden alojarse por cuenta propia con Docker?
Resumen
Utilice una herramienta de trazas: Langfuse para OSS y alojamiento propio, y LangSmith para una integración estrecha con LangChain. Capture los comentarios de los usuarios. Cree un conjunto de datos a partir de trazas reales para las evaluaciones.
Preguntas frecuentes
¿La lección «Visualizar ejecuciones de agentes (Langfuse, LangSmith)» es gratis?
Sí — el texto completo de «Visualizar ejecuciones de agentes (Langfuse, LangSmith)» es gratis para leer aquí en la web. Para practicarla de forma interactiva (editor de código integrado y tutor de IA 24/7) y desbloquear el resto del curso de AI Agents, actualiza a CoddyKit PRO. El curso de AI Agents incluye 4 lecciones en total.
¿Qué aprenderé en «Visualizar ejecuciones de agentes (Langfuse, LangSmith)»?
Explore las interfaces de Langfuse o LangSmith para inspeccionar un árbol de trazas y repetir ejecuciones fallidas. Practicas AI Agents con código real que ejecutas directamente en el navegador, y un tutor de IA 24/7 responde tus preguntas mientras trabajas en la lección.
¿Necesito experiencia previa para empezar AI Agents?
No se requiere experiencia previa. AI Agents en CoddyKit está estructurado para principiantes hasta estudiantes avanzados, así que puedes empezar aquí o desde el inicio y avanzar a tu ritmo. Esta es la lección 4 de 4.
¿Cuánto tiempo toma la lección «Visualizar ejecuciones de agentes (Langfuse, LangSmith)»?
La mayoría de las lecciones de CoddyKit toman alrededor de 5–10 minutos. Cada una es compacta e interactiva, así que avanzas constantemente y retomas exactamente por donde dejaste en la web y la app.
¿Puedo escribir y ejecutar código en esta lección de AI Agents?
Sí. Cada lección de AI Agents incluye un editor de código integrado, así que escribes y ejecutas código real directamente en tu navegador y obtienes retroalimentación instantánea de IA — sin configuración local necesaria.
Todas las lecciones de este curso
- Por qué necesita trazas para los agentes
- Registrar llamadas a herramientas y entradas/salidas
- Latencia y coste por paso
- Visualizar ejecuciones de agentes (Langfuse, LangSmith)