0Pricing
AI Agents · Leçon

Visualiser les exécutions d’agents (Langfuse, LangSmith)

Ouvrez les interfaces Langfuse ou LangSmith pour examiner un arbre de traces et rejouer les exécutions échouées.

Visualiser les exécutions d’agents (Langfuse, LangSmith) est une leçon AI Agents gratuite sur CoddyKit. Ceci est la leçon 4 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage AI Agents, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours AI Agents comprend 4 leçons au total.

Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.

Deux outils de référence

Vous pouvez créer vous-même votre système de traçage, mais deux produits le font très bien immédiatement :

  • Langfuse — OSS, auto-hébergeable et indépendant du framework
  • LangSmith — à code source fermé, développé par l’équipe de LangChain

Helicone, Phoenix et Weights & Biases conviennent également à certains flux de travail.

Présentation de Langfuse

Langfuse vous offre :

  • Une vue arborescente des traces avec leur durée
  • Les entrées et sorties de chaque span
  • Les agrégations des coûts et des tokens
  • La prise en charge des jeux de données et des évaluations
  • La gestion des versions des prompts
  • OSS — exécution locale avec 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 UI

Spans manuels dans Langfuse

Pour les appels d’outils ou la logique personnalisée :

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.com

LangSmith sans LangChain

Vous pouvez utiliser LangSmith avec n’importe quel code grâce au décorateur @traceable :

from langsmith import traceable

@traceable
def ask_agent(query: str):
    # your custom agent code here
    return final_answer

Ce que l’interface affiche

  • La liste des traces récentes avec leur état (réussite/erreur)
  • Une trace → une arborescence de spans
  • Pour chaque span : modèle, latence, tokens, coût, entrée/sortie
  • La possibilité de rejouer une trace après l’avoir modifiée

Étiquetage et filtrage

Ajoutez des étiquettes aux traces pour pouvoir les filtrer :

trace = lf.trace(name='agent-run', tags=['production', 'tenant:acme', 'tool:rag'])

Retour des utilisateurs

Recueillez les évaluations positives ou négatives des utilisateurs finaux et associez-les à la trace :

trace.score(name='user-rating', value=1)   # thumbs up
trace.score(name='user-rating', value=0)   # thumbs down

Jeux de données et relectures

Les deux outils vous permettent de transformer les traces en jeux de données d’évaluation. Sélectionnez 50 traces de production qui se sont mal déroulées, enregistrez-les comme jeu de données, puis réexécutez-les avec un nouveau prompt pour comparer les résultats.

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:3000

Comparer les outils

LangfuseLangSmithHelicone
OSSOuiNonOui
FrameworkN’importe lequelLangChain en prioritéN’importe lequel
ÉvaluationOuiOuiBasique

Auto-hébergeable ?

Lesquels de ces outils de traçage peuvent être auto-hébergés avec Docker ?

Récapitulatif

Utilisez un outil de traçage — Langfuse pour OSS et l’auto-hébergement, LangSmith pour une intégration étroite avec LangChain. Recueillez les retours des utilisateurs. Constituez un jeu de données à partir de traces réelles pour les évaluations.

Questions Fréquemment Posées

La leçon « Visualiser les exécutions d’agents (Langfuse, LangSmith) » est-elle gratuite ?

Oui — le texte complet de « Visualiser les exécutions d’agents (Langfuse, LangSmith) » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours AI Agents, passe à CoddyKit PRO. Le cours AI Agents comprend 4 leçons au total.

Qu'est-ce que j'apprendrai dans « Visualiser les exécutions d’agents (Langfuse, LangSmith) » ?

Ouvrez les interfaces Langfuse ou LangSmith pour examiner un arbre de traces et rejouer les exécutions échouées. Tu pratiques AI Agents avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.

Dois-je avoir de l'expérience pour commencer AI Agents ?

Aucune expérience préalable n'est requise. AI Agents sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 4 sur 4.

Combien de temps prend la leçon « Visualiser les exécutions d’agents (Langfuse, LangSmith) » ?

La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.

Peux-tu écrire et exécuter du code dans cette leçon AI Agents ?

Oui. Chaque leçon AI Agents inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.

Toutes les leçons de ce cours

  1. Pourquoi le traçage est nécessaire pour les agents
  2. Journaliser les appels d’outils et les entrées/sorties
  3. Latence et coût par étape
  4. Visualiser les exécutions d’agents (Langfuse, LangSmith)
← Retour à AI Agents