Visualizzare le esecuzioni degli agenti (Langfuse, LangSmith)
Utilizzi le interfacce di Langfuse o LangSmith per esaminare un albero di trace e ripetere le esecuzioni non riuscite.
Visualizzare le esecuzioni degli agenti (Langfuse, LangSmith) è una lezione AI Agents gratuita su CoddyKit. Questa è la lezione 4 di 4. Puoi leggere la lezione completa qui gratuitamente — poi esercitati direttamente nel browser con un editor di codice integrato e un tutor IA disponibile 24/7. Fa parte del percorso di apprendimento AI Agents, e i tuoi progressi si sincronizzano tra il web e l'app CoddyKit. Il corso AI Agents include 4 lezioni in totale.
Parti di questa lezione non sono ancora state tradotte e vengono mostrate in inglese.
Due strumenti principali
Può creare autonomamente il tracing, ma due prodotti lo gestiscono bene già pronti all'uso:
- Langfuse — OSS, self-hostable e indipendente dal framework
- LangSmith — closed source, del team di LangChain
Inoltre, Helicone, Phoenix e Weights & Biases sono adatti ad alcuni workflow.
Panoramica di Langfuse
Langfuse offre:
- Visualizzazione ad albero delle tracce con i tempi
- Input e output per ogni span
- Aggregazioni di costi e token
- Supporto per dataset ed eval
- Versionamento dei prompt
- OSS — esecuzione locale 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 UISpan manuali in Langfuse
Per le chiamate agli strumenti o la logica personalizzata:
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 senza LangChain
Può usare LangSmith con qualsiasi codice tramite il decorator @traceable:
from langsmith import traceable
@traceable
def ask_agent(query: str):
# your custom agent code here
return final_answerCosa mostra l'interfaccia
- Elenco delle tracce recenti con stato (ok/errore)
- Una traccia -> albero degli span
- Per ogni span: modello, latenza, token, costo, input/output
- Riesecuzione di una traccia con modifiche
Tag e filtri
Aggiunga tag alle tracce per poterle filtrare:
trace = lf.trace(name='agent-run', tags=['production', 'tenant:acme', 'tool:rag'])Feedback degli utenti
Raccolga il pollice in su o in giù dagli utenti finali e lo associ alla traccia:
trace.score(name='user-rating', value=1) # thumbs up
trace.score(name='user-rating', value=0) # thumbs downDataset e riesecuzioni
Entrambi gli strumenti consentono di trasformare le tracce in dataset per le eval. Scelga 50 tracce di produzione che hanno avuto problemi, le salvi come dataset e le riesegua con un nuovo prompt per fare un confronto.
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:3000Confronto tra strumenti
| Langfuse | LangSmith | Helicone | |
|---|---|---|---|
| OSS | Sì | No | Sì |
| Framework | Qualsiasi | LangChain-first | Qualsiasi |
| Eval | Sì | Sì | Di base |
Self-hosted?
Quali di questi strumenti di tracing possono essere gestiti in self-hosting con Docker?
Riepilogo
Utilizzi uno strumento di tracing: Langfuse per OSS e self-hosting, LangSmith per un'integrazione stretta con LangChain. Raccolga il feedback degli utenti. Crei un dataset da tracce reali per le eval.
Domande Frequenti
La lezione «Visualizzare le esecuzioni degli agenti (Langfuse, LangSmith)» è gratuita?
Sì — il testo completo di «Visualizzare le esecuzioni degli agenti (Langfuse, LangSmith)» è gratuito qui sul web. Per esercitarvi in modo interattivo (un editor di codice integrato e un tutor IA 24/7) e sbloccare il resto del corso AI Agents, passa a CoddyKit PRO. Il corso AI Agents include 4 lezioni in totale.
Cosa imparerò in «Visualizzare le esecuzioni degli agenti (Langfuse, LangSmith)»?
Utilizzi le interfacce di Langfuse o LangSmith per esaminare un albero di trace e ripetere le esecuzioni non riuscite. Eserciti AI Agents con codice pratico che esegui direttamente nel browser, e un tutor IA 24/7 risponde alle tue domande mentre lavori sulla lezione.
Ho bisogno di esperienza per iniziare AI Agents?
Non è richiesta alcuna esperienza precedente. AI Agents su CoddyKit è strutturato per principianti e studenti avanzati, quindi puoi iniziare da qui o dall'inizio e procedere al tuo ritmo. Questa è la lezione 4 di 4.
Quanto tempo richiede la lezione «Visualizzare le esecuzioni degli agenti (Langfuse, LangSmith)»?
La maggior parte delle lezioni CoddyKit richiede circa 5–10 minuti. Ogni lezione è breve e interattiva, quindi fai progressi costanti e riprendi esattamente da dove hai lasciato su web e app.
Posso scrivere ed eseguire codice in questa lezione AI Agents?
Sì. Ogni lezione AI Agents include un editor di codice integrato, quindi scrivi ed esegui codice reale direttamente nel tuo browser e ricevi feedback istantaneo dall'IA — nessuna configurazione locale necessaria.
Tutte le lezioni di questo corso
- Perché il tracing è necessario per gli agenti
- Registrare chiamate agli strumenti e input/output
- Latenza e costi per passaggio
- Visualizzare le esecuzioni degli agenti (Langfuse, LangSmith)