langfuse
إضافة مراقبة وتتبع LLM لتطبيقات الذكاء الاصطناعي الخاصة بك
قم بتصحيح ومراقبة تطبيقات LLM الخاصة بك مع تتبع وتقييم شامل. يوفر Langfuse مراقبة مفتوحة المصدر لتتبع التكاليف وزمن الاستجابة والجودة عبر سير عمل الذكاء الاصطناعي الخاصة بك.
تنزيل ZIP المهارة
رفع في Claude
اذهب إلى Settings → Capabilities → Skills → Upload skill
فعّل وابدأ الاستخدام
اختبرها
استخدام "langfuse". المستخدم يطلب المساعدة في تتبع تطبيق محادثة OpenAI مع Langfuse
النتيجة المتوقعة:
- كود التهيئة الذي يوضح إعداد عميل Langfuse مع مفاتيح API وتكوين المضيف
- إنشاء التتبع مع حقول user_id و session_id والبيانات الوصفية
- تسجيل Generation الذي يلتقط رسائل الإدخال ومعلمات النموذج واستخدام الرموز
- مثال على تسجيل التتبعات بناءً على ملاحظات المستخدمين أو المعايير المؤتمتة
استخدام "langfuse". المستخدم يحتاج إلى تكامل رد اتصال LangChain لخط أنابيب RAG الخاص به
النتيجة المتوقعة:
- إعداد CallbackHandler مع المفتاح العام ومفتاح السر وتتبع الجلسة الاختياري
- تكوين يوضح كيفية تمرير المعالجات إلى استدعاءات chain.invoke()
- مثال على تعيين معالج رد الاتصال العام للتتبع التلقائي
- مخرج تتبع نموذجي يظهر المجاميع المتداخلة لاستدعاءات المسترجع و LLM
التدقيق الأمني
آمنAll 17 static analysis findings are false positives. The skill is documentation for Langfuse, an open-source LLM observability platform. External command detections are Python code examples, not shell execution. Network URLs are legitimate API endpoints. API key references are placeholder examples in documentation.
عوامل الخطر
🌐 الوصول إلى الشبكة (2)
🔑 متغيرات البيئة (2)
درجة الجودة
ماذا يمكنك بناءه
مراقبة تطبيقات LLM في الإنتاج
تتبع وتصحيح تطبيقات الذكاء الاصطناعي الحية مع رؤية كاملة للتتبعات. راقب تكاليف الرموز وزمن استجابة الردود ومعدلات الأخطاء عبر جلسات المستخدمين.
تطوير واختبار المطالبات
إصدار المطالبات ومقارنة المخرجات عبر التكرارات وتشغيل اختبارات A/B. استخدم مجموعات البيانات لتقييم تغييرات المطالبات بشكل منهجي قبل النشر.
تحسين تكلفة وأداء الذكاء الاصطناعي
حلل أنماط استخدام الرموز وحدد العمليات المكلفة وحسّن اختيار النموذج. قم بإعداد تنبيهات للشذوذ في التكاليف وتدهور الأداء.
جرّب هذه الموجهات
ساعدني في إعداد تتبع Langfuse لتطبيق OpenAI الخاص بي. أحتاج إلى تتبع إكمال المحادثات مع معرفات المستخدمين ومعرفات الجلسات. أرني كود Python لتهيئة Langfuse وتغليف استدعاءات OpenAI الموجودة.
لدي تطبيق LangChain مع سلاسل ووكلاء مخصصين. ارشدني خلال إضافة معالجات رد الاتصال Langfuse لتتبع جميع تنفيذات السلاسل، بما في ذلك الاستدعاءات المتداخلة واستخدام الأدوات.
أريد إدارة إصدارات متعددة من مطالبات النظام الخاصة بي في Langfuse ومقارنة أدائها. أرني كيفية إنشاء المطالبات في Langfuse واسترجاعها في الكود وتحليل الإصدارات الأفضل أداءً.
ساعدني في بناء خط تقييم يسجل مخرجات LLM الخاصة بي بناءً على الصلة والدقة. أحتاج إلى إنشاء مجموعات بيانات اختبار وتحديد معايير التسجيل وتشغيل تقييمات الدُفعات لمقارنة إصدارات النماذج.
أفضل الممارسات
- استدعِ langfuse.flush() دائمًا في بيئات serverless لضمان إرسال التتبعات قبل خروج الدالة
- ضمّن user_id و session_id في جميع التتبعات لتمكين تصحيح الأخطاء على مستوى المستخدم وتحليلات الجلسة
- استخدم أسماء ذات معنى للتتبعات والمجاميع تعكس منطق العمل بدلاً من أسماء الدوال العامة
تجنب
- عدم تفريغ التتبعات في دوال serverless، مما يسبب فقدان البيانات عند انتهاء التنفيذ
- تتبع كل عملية بدون تصفية، مما يخلق ضوضاء وأعباء أداء
- عدم تضمين معرفات المستخدم والجلسة، مما يحد من القدرة على تصحيح تجارب مستخدمين محددة