AI Agents · Lekcja

Wizualizacja uruchomień agentów (Langfuse, LangSmith)

Otwórz interfejs Langfuse lub LangSmith, aby przeanalizować drzewo śladu i ponownie uruchomić nieudane przebiegi.

Wizualizacja uruchomień agentów (Langfuse, LangSmith) to bezpłatna lekcja AI Agents na CoddyKit. To lekcja 4 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej AI Agents, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs AI Agents zawiera 4 lekcji w sumie.

Części tej lekcji nie zostały jeszcze przetłumaczone i są wyświetlane po angielsku.

Dwa wiodące narzędzia

Można samodzielnie zbudować tracing, ale dwa produkty zapewniają tę funkcjonalność od razu:

Langfuse — OSS, możliwość samodzielnego hostowania, niezależność od frameworka
LangSmith — zamknięte źródła, produkt zespołu LangChain

W niektórych zastosowaniach dostępne są także Helicone, Phoenix oraz Weights & Biases.

Przegląd Langfuse

Langfuse zapewnia:

Widok drzewa trace'a z pomiarami czasu
Dane wejściowe i wyjściowe dla każdego spanu
Agregację kosztów i tokenów
Obsługę zbiorów danych i ewaluacji
Wersjonowanie promptów
OSS — możliwość uruchamiania lokalnie za pomocą Dockera

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

Ręczne spany w Langfuse

W przypadku wywołań narzędzi lub niestandardowej logiki:

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 bez LangChain

Można używać LangSmith z dowolnym kodem za pomocą dekoratora @traceable:

from langsmith import traceable

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

Co pokazuje interfejs

Lista ostatnich trace'ów wraz ze statusem (ok/error)
Pojedynczy trace -> drzewo spanów
Dla każdego spanu: model, opóźnienie, tokeny, koszt, dane wejściowe i wyjściowe
Odtwarzanie trace'a po wprowadzeniu zmian

Tagowanie i filtrowanie

Dodawaj tagi do trace'ów, aby móc je filtrować:

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

Informacje zwrotne od użytkownika

Rejestruj oceny „kciuk w górę” lub „kciuk w dół” od użytkowników końcowych i dołączaj je do trace'a:

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

Zbiory danych i ponowne odtwarzanie

Oba narzędzia umożliwiają przekształcanie trace'ów w zbiory danych do ewaluacji. Wybierz 50 błędnych trace'ów z produkcji, zapisz je jako zbiór danych i uruchom ponownie z nowym promptem, aby dokonać porównania.

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

Porównanie narzędzi

	Langfuse	LangSmith	Helicone
OSS	Tak	Nie	Tak
Framework	Dowolny	LangChain przede wszystkim	Dowolny
Ewaluacja	Tak	Tak	Podstawowa

Samodzielne hostowanie?

Które z tych narzędzi do tracingu można samodzielnie hostować za pomocą Dockera?

Podsumowanie

Należy używać narzędzia do tracingu — Langfuse w przypadku OSS i samodzielnego hostowania, a LangSmith w przypadku ścisłej integracji z LangChain. Należy rejestrować informacje zwrotne od użytkowników. Należy budować zbiór danych z rzeczywistych trace'ów na potrzeby ewaluacji.

Często zadawane pytania

Czy lekcja „Wizualizacja uruchomień agentów (Langfuse, LangSmith)” jest bezpłatna?

Tak — pełny tekst „Wizualizacja uruchomień agentów (Langfuse, LangSmith)” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu AI Agents, przejdź na CoddyKit PRO. Kurs AI Agents zawiera 4 lekcji w sumie.

Co nauczysz się w „Wizualizacja uruchomień agentów (Langfuse, LangSmith)”?

Otwórz interfejs Langfuse lub LangSmith, aby przeanalizować drzewo śladu i ponownie uruchomić nieudane przebiegi. Ćwiczysz AI Agents z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.

Czy potrzebuję doświadczenia, aby zacząć AI Agents?

Nie wymagamy żadnego doświadczenia. AI Agents w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 4 z 4.

Ile czasu zajmuje lekcja „Wizualizacja uruchomień agentów (Langfuse, LangSmith)”?

Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.

Czy mogę pisać i uruchamiać kod w tej lekcji AI Agents?

Tak. Każda lekcja AI Agents zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.

Wszystkie lekcje w tym kursie

Dlaczego agenci potrzebują śledzenia
Rejestrowanie wywołań narzędzi oraz danych wejściowych i wyjściowych
Opóźnienie i koszt na każdym etapie
Wizualizacja uruchomień agentów (Langfuse, LangSmith)

← Powrót do AI Agents