AI Agents · Pelajaran

Memvisualisasikan Eksekusi Agen (Langfuse, LangSmith)

Buka antarmuka Langfuse atau LangSmith untuk memeriksa pohon pelacakan dan memutar ulang eksekusi yang gagal.

Memvisualisasikan Eksekusi Agen (Langfuse, LangSmith) adalah pelajaran AI Agents gratis di CoddyKit. Ini adalah pelajaran 4 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar AI Agents, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus AI Agents mencakup 4 pelajaran total.

Bagian dari pelajaran ini belum diterjemahkan dan ditampilkan dalam bahasa Inggris.

Dua Alat Unggulan

Anda dapat membuat pelacakan sendiri, tetapi dua produk berikut langsung menanganinya dengan baik:

Langfuse — OSS, dapat dihosting sendiri, dan tidak bergantung pada kerangka kerja
LangSmith — sumber tertutup, dari tim LangChain

Selain itu, ada Helicone, Phoenix, serta Weights & Biases untuk beberapa alur kerja.

Ikhtisar Langfuse

Langfuse menyediakan:

Tampilan pohon trace dengan waktu
Input/output per span
Rekap biaya dan token
Dukungan himpunan data dan evaluasi
Pembuatan versi instruksi
OSS — jalankan secara lokal dengan 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

Span Manual di Langfuse

Untuk pemanggilan alat atau logika khusus:

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 Tanpa LangChain

Anda dapat menggunakan LangSmith dari kode apa pun dengan anotasi @traceable:

from langsmith import traceable

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

Yang Ditampilkan Antarmuka Pengguna

Daftar trace terbaru beserta statusnya (ok/error)
Satu trace -> pohon span
Per span: model, latensi, token, biaya, input/output
Putar ulang trace dengan pengeditan

Pemberian Tag dan Pemfilteran

Tambahkan tag ke trace agar Anda dapat memfilternya:

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

Umpan Balik Pengguna

Ambil penilaian suka/tidak suka dari pengguna akhir, lalu lampirkan ke trace:

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

Himpunan Data dan Pemutaran Ulang

Kedua alat tersebut memungkinkan Anda mengubah trace menjadi himpunan data evaluasi. Pilih 50 trace produksi yang bermasalah, simpan sebagai himpunan data, lalu jalankan kembali dengan instruksi baru untuk membandingkannya.

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

Bandingkan Alat

	Langfuse	LangSmith	Helicone
OSS	Ya	Tidak	Ya
Kerangka kerja	Apa saja	Berfokus pada LangChain	Apa saja
Evaluasi	Ya	Ya	Dasar

Dapat Dihosting Sendiri?

Alat pelacakan mana yang dapat dihosting sendiri dengan Docker?

Ringkasan

Gunakan alat pelacakan — Langfuse untuk OSS atau hosting sendiri, LangSmith untuk integrasi erat dengan LangChain. Ambil umpan balik pengguna. Buat himpunan data dari trace nyata untuk evaluasi.

Pertanyaan yang Sering Diajukan

Apakah pelajaran “Memvisualisasikan Eksekusi Agen (Langfuse, LangSmith)” gratis?

Ya — teks lengkap “Memvisualisasikan Eksekusi Agen (Langfuse, LangSmith)” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus AI Agents, upgrade ke CoddyKit PRO. Kursus AI Agents mencakup 4 pelajaran total.

Apa yang akan aku pelajari di “Memvisualisasikan Eksekusi Agen (Langfuse, LangSmith)”?

Buka antarmuka Langfuse atau LangSmith untuk memeriksa pohon pelacakan dan memutar ulang eksekusi yang gagal. Kamu berlatih AI Agents dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.

Apakah aku perlu pengalaman untuk memulai AI Agents?

Tidak diperlukan pengalaman sebelumnya. AI Agents di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 4 dari 4.

Berapa lama pelajaran “Memvisualisasikan Eksekusi Agen (Langfuse, LangSmith)” memakan waktu?

Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.

Bisakah aku menulis dan menjalankan kode dalam pelajaran AI Agents ini?

Ya. Setiap pelajaran AI Agents menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.

Semua pelajaran dalam kursus ini

Mengapa Agen Memerlukan Pelacakan
Mencatat Panggilan Alat dan Masukan/Keluaran
Latensi dan Biaya per Langkah
Memvisualisasikan Eksekusi Agen (Langfuse, LangSmith)

← Kembali ke AI Agents