4.3 Langfuse 集成实战:追踪 OpenAI、LangChain 和 LangGraph 应用

4.3 Langfuse 集成实战:追踪 OpenAI、LangChain 和 LangGraph 应用

导语:在上一章,我们已经成功地在本地运行了 Langfuse,并初步领略了其强大的追踪能力。现在,是时候将这项能力应用到我们之前构建的各种 AI 应用中了。本章将是一次聚焦于“集成”的实战演练。我们将分别针对三种最主流的应用类型——基于原生 OpenAI API 的应用、基于 LangChain 的应用、以及基于 LangGraph 的复杂应用——提供清晰、可直接复用的集成代码范例。通过本章的学习,你将拥有一个可以随时查阅的“集成手册”,无论你未来的项目采用何种架构,你都能胸有成竹地为其装上 Langfuse 这双“火眼金睛”。

目录

  1. 集成模式回顾:手动 vs. 自动
    • 手动追踪:通过 langfuse.trace() 等方法,精确控制每一个 span 和 generation 的创建。最灵活,也最繁琐。
    • 自动追踪:通过 LangfuseCallbackHandler,利用框架(如 LangChain)的回调机制,自动捕获和记录所有事件。最便捷,也最“魔法”。
基于Langfuse的LangChain与LangGraph应用全链路追踪与评估实战 在构建基于大语言模型(LLM)的复杂应用时,可观测性与量化评估是工程实践中的核心挑战。其核心原理在于通过全链路追踪技术,记录从用户输入到模型输出的每一个环节,包括工具调用、状态流转和资源消耗,从而将黑盒系统透明化。这项技术的核心价值在于实现了数据驱动的迭代优化,使开发者能够精准定位性能瓶颈、评估回答质量,并系统性地提升AI应用的稳定性和可靠性。在应用场景上,它尤其适用于需要对执行路径进行深度分析的智能体(Agent)系统,以及要求回答准确性和一致性的检索增强生成(RAG)场景。本文将以开源可观测性平台Lan 阅读详情

相关推荐

大模型面试高频考点解析:LangChain、LangGraph与Langfuse核心原理与实战应用

在大模型应用开发领域,检索增强生成(RAG)和智能体(Agent)是两大核心技术范式。RAG通过结合外部知识检索与大模型生成能力,有效缓解模型幻觉问题,其核心原理涉及文档切分、向量化检索与上下文增强生成。智能体则赋予大模型使用工具的能力,通过感知、规划与行动的循环实现复杂任务自动化。这些技术的工程落地离不开高效的工具栈支持,例如LangChain作为开发框架提供了标准化的组件抽象,而LangGraph则专注于复杂、有状态工作流的编排。在生产环境中,对应用性能与输出质量的监控评估至关重要,这正是可观测性平台的

weixin_34072458的博客 307

LLM应用可观测性平台对比:Langfuse、LangSmith、Braintrust与Arize AI选型指南

在机器学习运维(MLOps)和软件工程实践中,可观测性(Observability)是确保系统可靠运行的核心概念,它通过追踪、评估和监控三大支柱,帮助开发者理解系统内部状态。对于大型语言模型(LLM)应用,可观测性技术价值尤为突出,能够系统化追踪每次对话、评估输出质量、分析成本与延迟,并在问题发生时快速定位根因。随着LLM应用的爆发式增长,一套完整的可观测性与评估体系已成为企业级AI项目的标配,其应用场景涵盖从提示词版本管理、多模型实验对比到生产环境监控的全链路。本文聚焦于追踪(Tracing)与评估(Ev

weixin_30786657的博客 399

大模型开发七框架实战选型指南:LangChain、LangGraph与RAGFlow对比

大模型应用开发已从简单调用API迈向工程化阶段,核心挑战在于编排能力、知识接入、状态管理与可观测性。LangChain提供标准化抽象层,LangGraph以图计算实现健壮流程控制,LlamaIndex专注混合检索增强RAG效果,LangFuse解决LLM黑盒难题,LiteLLM统一多模型协议,Agently加速MVP验证,RAGFlow降低非技术用户使用门槛。这些框架共同构成现代AI应用的基础设施栈,在企业知识库、智能客服、AI工作流等场景中需按需组合。本文基于真实生产经验,解析各框架不可替代的技术定位与落

cuanwei9356的博客 373

LLM应用可观测性平台对比:Langfuse、LangSmith、Braintrust与Arize选型指南

在大语言模型(LLM)应用开发中,可观测性(Observability)是确保应用从原型走向生产的关键技术。其核心原理是通过全链路追踪(Tracing)、自动化评估(Evaluation)和成本监控等手段,将LLM内部复杂的调用过程从“黑盒”变为透明、可分析的数据流。这项技术的价值在于,它使开发者能够系统性地定位问题、量化输出质量、控制成本,并建立数据驱动的迭代流程,从而提升AI应用的稳定性和可靠性。典型的应用场景包括智能客服、文档分析等需要持续优化和保障服务质量的AI产品。本文聚焦于对比Langfuse、

weixin_34326179的博客 339

Java AI应用开发实战:Spring AI Alibaba与Langchain4j集成指南

如果你是一名Java开发者,最近一定被AI大模型的各种新闻和概念轰炸过。你可能尝试过Python的LangChain,觉得功能强大但生态陌生;或者看过一些Demo,感觉离企业级Java应用很远。一个现实的问题是: 在成熟的Java技术栈里,如何高效、稳定地集成AI能力,而不是为了用AI而重构整个技术体系? 这正是Spring AI、Spring AI Alibaba和Langchain4j要解决的核心痛点。它们不是简单的API封装,而是试图将大模型的“智能”以Spring开发者熟悉的方式——依赖注入、自动配

weixin_33693070的博客 403

LLM可观测性平台实战:从Langfuse部署到生产监控全解析

在构建和部署大语言模型应用时,可观测性已成为确保应用质量与稳定性的关键技术。其核心原理在于通过链路追踪、评估评分与数据分析,将LLM应用从“黑盒”转变为“白盒”,从而实现对内部运行状态的透明化监控。这一技术的核心价值在于,它能够系统性地解决模型输出效果难以量化、问题根因定位困难以及迭代优化缺乏数据支撑等工程实践中的普遍痛点。在实际应用场景中,无论是智能客服、文档分析还是代码助手,通过集成可观测性平台,团队能够实现对每一次请求的完整追踪、基于规则或LLM的自动化评估,以及对成本与性能的持续监控。本文将以主流的

weixin_34391445的博客 439

三、分区配置

rk3566/rk3568 修改分区

暮云星影的博客 518

MTK平台TP驱动设备树与GPIO配置实战解析

本文详细解析了MTK平台TP驱动开发中的设备树与GPIO配置实战。通过DCT工具配置GPIO引脚,结合设备树节点定义触摸参数,并分享驱动移植、编译调试技巧及常见问题解决方案,帮助开发者快速掌握MTK触摸驱动开发核心。

ice55的博客 238

Linux之GTK系列教程

00、背上行囊1——程序员学习之道 01、背上行囊2——为什么要学习GTK 02、背上行囊3——GUI概述 03、背上行囊4——GTK简介 04、背上行囊5——GTK环境搭建( Linux ) 05、背上行囊6——GTK环境搭建( windows ) 06、踏上旅途1——一个简单的空白窗口 07、踏上旅途2——控件的添加 08、踏上旅途3——布局容器之水平布局 09、踏上旅途

每天积累一点点 2万+

告别谷歌翻译失效!手把手教你用Immersive Translate插件实现双语网页阅读(附Chrome/Edge/Firefox保姆级配置)

本文详细介绍了如何使用Immersive Translate插件实现双语网页阅读,解决谷歌翻译失效的问题。通过Chrome、Edge和Firefox的保姆级配置指南,帮助用户轻松安装和使用这款支持双语对照、智能识别网页内容的翻译插件,提升外文资料阅读效率。

weixin_28683689的博客 488

调用D3D11硬解码和渲染VideoProcessor版本

在https://blog.csdn.net/robothn/article/details/78781321一文中使用shader来显示FFMPEG硬解码后的YUV420P,本文调用D3D11的videoprocessor来进行图像空间变换和尺寸变换,取得了较好的效果。 1.初始化D3D11设备、videodevice等数据结构 FFMPEG调用D3D11硬解码,获取其对应的device,videodevice。。。 FFMPEG使用av_hwdevice_find_type_by_name调用D3d11

zlyadvocate的博客 9292

基于SSD2828和STM32的MIPI显示屏驱动系统设计与实现

在硬件层面,需要将STM32、SSD2828和MIPI显示屏连接起来。STM32与SSD2828的连接:通过SPI接口连接STM32和SSD2828,用于配置和控制SSD2828。SSD2828与MIPI显示屏的连接:通过MIPI DSI接口连接SSD2828和MIPI显示屏,用于传输显示数据。

qq_38334677的博客 7151

【目标检测】基于yolov5的安全帽佩戴检测系统(附代码和数据集)

【目标检测】基于yolov5的安全帽佩戴检测系统(附代码和数据集)

学无止境、积少成多、厚积薄发 3108

Oracle EBS Tax 四国实现详解:印度、巴西、美国、阿根廷

印度:务必启用India Localization模块,不要尝试用标准EBTax模拟GST逻辑 巴西:必须配置NF-e接口,建议聘请本地税务顾问设置CFOP和NCM代码映射 美国:跨州业务强烈建议购买Vertex或Avalara服务,自建税率表维护成本极高 阿根廷:注意1:1:1架构限制,提前规划Legal Entity和OU结构

金牌架构师 263

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain&#39;s apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath(&#39;DeepLearnToolbox&#39;));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand(&#39;state&#39;,0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = &#39;sigm&#39;;%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, &#39;Too big error&#39;);```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, &#39;Too big error&#39;);```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

上一篇: 4.2 X-Ray 视角透视 Agent:用 Langfuse 追踪、调试与优化你的 AI 应用
下一篇: 4.4 线上vs离线:使用 Langfuse 实现智能体的全方位无死角评估
少林码僧
博客等级 码龄11年 3733粉丝 4904原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

少林码僧

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值