参考资料

• OpenTelemetry Traces
• Langfuse Tracing

LangSmith / Langfuse（01） - Trace、Span 与 Langfuse 实战

读完后，你应能：

• 能建立 trace_id 并贯穿网关、RAG、Agent 和模型调用。
• 能记录模型、token、延迟、命中证据、工具错误和最终评分。

核心知识清单

• Trace、Observation、Span 与父子关系
• Generation 的模型、Token、成本与输出
• Session、User、Metadata 与 Tag
• Score、人工反馈与评测关联
• OpenTelemetry 上下文传播
• 采样、脱敏、高基数与保留周期

把一次 AI 请求拆成模型、检索、工具和解析 Span，定位质量、延迟和成本发生在哪一段。

一、先建立全局：Trace、Span 与 Langfuse 实战 是什么？

理解“Trace、Span 与 Langfuse 实战”，先要把标题中的对象放进同一条处理链：它接收什么输入，经过哪些状态变化，最终用什么证据判断结果。下表不另造概念，只把作者正文已经解释的章节按依赖顺序连起来。

“Trace、Span 与 Langfuse 实战”的第一个核心判断是：输入输出需脱敏和采样，tenant_id 等权限字段只存不可逆标识。。先弄清这个判断中的对象和输入输出，后面的实现、故障和验收才有共同语境。

顺序	章节	读完本节应抓住的结论
1	核心决策	输入输出需脱敏和采样，tenant_id 等权限字段只存不可逆标识。
2	落地步骤	建立 trace_id 并贯穿网关、RAG、Agent 和模型调用。 -> 记录模型、token、延迟、命中证据、工具错误和最终评分。 -> 从线上坏例进入 Dataset，再回放形成回归闭环。
3	决策记录怎么写	上线前不要只留下“采用 Trace、Span 与 Langfuse 实战”这一句结论。
4	生产避坑	只记总耗时无法定位慢在检索还是生成。
5	故障演练	注入与“只记总耗时无法定位慢在检索还是生成。 -> 注入与“全量保存用户正文会产生隐私风险。 -> 注入与“Trace 成功不等于回答正确，必须关联质量评分。
6	Trace、Observation、Span 与父子关系	”对应的失败条件，记录用户侧现象、Trace 中的首个异常 Span 和恢复动作。

1.1 核心对象之间怎样衔接

flowchart LR
  S1["核心决策"] --> S2
  S2["落地步骤"] --> S3
  S3["决策记录怎么写"] --> S4
  S4["生产避坑"] --> S5
  S5["故障演练"]

这张图只表达本文的讲解顺序，不替代正文机制。判断“Trace、Span 与 Langfuse 实战”是否真正掌握，需要能从最后一个结果沿图回到前面每个章节的输入、状态变化和证据。

1.2 再看失败：问题最早会出现在哪一步？

在“Trace、Span 与 Langfuse 实战”的对象和顺序已经明确后，再看可观察的失败：只报告均分、数据泄漏、评审器未校准、Trace 断链或回退阈值缺失。定位时不从最后一条错误猜原因，而是沿上图找第一个偏离正文结论的节点。

二、为什么需要 Trace、Span 与 Langfuse 实战

本章给出可以进入设计评审和生产检查的最小框架。

三、Trace、Span 与 Langfuse 实战的核心决策

• Trace 表示端到端请求，Span 表示一个有开始、结束、属性和状态的操作。
• 输入输出需脱敏和采样，tenant_id 等权限字段只存不可逆标识。
• Langfuse 负责 AI Trace、Prompt、Dataset 和评测，但基础设施指标仍交给 OpenTelemetry 体系。

四、Trace、Span 与 Langfuse 实战的落地步骤

1. 建立 trace_id 并贯穿网关、RAG、Agent 和模型调用。
2. 记录模型、token、延迟、命中证据、工具错误和最终评分。
3. 从线上坏例进入 Dataset，再回放形成回归闭环。

五、Trace、Span 与 Langfuse 实战的决策记录怎么写

上线前不要只留下“采用 Trace、Span 与 Langfuse 实战”这一句结论。

需要回答的问题	当前决策	必须保留的证据
决策 1	Trace 表示端到端请求，Span 表示一个有开始、结束、属性和状态的操作。	对应步骤 1 的数据集、日志或压测结果
决策 2	输入输出需脱敏和采样，tenant_id 等权限字段只存不可逆标识。	对应步骤 2 的数据集、日志或压测结果
决策 3	Langfuse 负责 AI Trace、Prompt、Dataset 和评测，但基础设施指标仍交给 OpenTelemetry 体系。	对应步骤 3 的数据集、日志或压测结果

下面的记录可以直接放进项目设计文档。

topic: Trace、Span 与 Langfuse 实战
baseline:
  version: required
  dataset: required
candidate:
  version: required
  change: required
acceptance:
  quality: business_threshold
  p95_latency_ms: service_slo
  cost_per_success: budget_limit
rollback:
  trigger: any_acceptance_regression
  owner: named_on_call

六、Trace、Span 与 Langfuse 实战的生产避坑

• 只记总耗时无法定位慢在检索还是生成。
• 全量保存用户正文会产生隐私风险。
• Trace 成功不等于回答正确，必须关联质量评分。

七、Trace、Span 与 Langfuse 实战的故障演练

1. 注入与“只记总耗时无法定位慢在检索还是生成。”对应的失败条件，记录用户侧现象、Trace 中的首个异常 Span 和恢复动作。
2. 注入与“全量保存用户正文会产生隐私风险。”对应的失败条件，记录用户侧现象、Trace 中的首个异常 Span 和恢复动作。
3. 注入与“Trace 成功不等于回答正确，必须关联质量评分。”对应的失败条件，记录用户侧现象、Trace 中的首个异常 Span 和恢复动作。

演练必须能回答三个问题：故障是否在预算内快速失败， 是否会越权或产生重复副作用， 恢复后是否能用同一数据集证明质量没有退化。 只有错误日志、没有用户影响和恢复证据，不能算完成排障。

验收清单

• 关键输入、输出、预算和停止条件都有结构化记录。

八、动手验证：先跑通 Trace、Span 与 Langfuse 实战，再改变一个变量

前面的章节已经建立问题、概念和机制。现在把“Trace、Span 与 Langfuse 实战”放进同一套基线中运行；本节不再引入新术语，只验证前文结论能否被复现。

8.1 基线与候选只允许一个变量不同

验证“Trace、Span 与 Langfuse 实战”时，先固定版本化数据集、Trace Schema、质量基线、运行指标、成本预算和回退阈值。候选方案只能改变本次要验证的变量；如果同时更换数据、依赖和配置，即使结果改善，也不能知道是哪一项产生作用。

执行“Trace、Span 与 Langfuse 实战”时，动作是：同输入运行基线与候选，逐样本比较质量并关联线上延迟、错误与成本。原始结果不能只保留截图或汇总分数，必须同步保存：逐样本输出、评分理由、Trace、指标窗口、失败标签、版本和发布判断，使下一次复查可以在同一输入上重放。

实验要素	本文要求
固定条件	版本化数据集、Trace Schema、质量基线、运行指标、成本预算和回退阈值
唯一变量	本次候选方案与基线之间的一项明确差异
原始证据	逐样本输出、评分理由、Trace、指标窗口、失败标签、版本和发布判断
通过阈值	目标切片改善且安全、延迟与成本不越界，失败样本能回链到首个异常阶段
立即停止	只报告均分、数据泄漏、评审器未校准、Trace 断链或回退阈值缺失

8.2 执行前先排除不可比较条件

“Trace、Span 与 Langfuse 实战”开始前先确认下面四项；任一项不成立，都应先修复实验条件，而不是解释结果。

• 基线能够在“Trace、Span 与 Langfuse 实战”的当前环境重复运行。
• 候选只改变一个与“Trace、Span 与 Langfuse 实战”结论直接相关的条件。
• “Trace、Span 与 Langfuse 实战”的基线和候选使用同一批输入、同一版本依赖与同一通过阈值。
• “Trace、Span 与 Langfuse 实战”的原始输出和失败现场不会被重试、格式化或汇总覆盖。

8.3 执行后先核对证据完整性

结果出来后先检查证据，再讨论“Trace、Span 与 Langfuse 实战”是否通过。缺少中间状态时，最终输出只能说明现象，不能证明机制。

检查项	当前文章的判定
输入可追溯	版本化数据集、Trace Schema、质量基线、运行指标、成本预算和回退阈值
过程可回放	同输入运行基线与候选，逐样本比较质量并关联线上延迟、错误与成本
结果可审计	逐样本输出、评分理由、Trace、指标窗口、失败标签、版本和发布判断

“Trace、Span 与 Langfuse 实战”的一次合格基线对照按以下顺序执行：

1. 保存“Trace、Span 与 Langfuse 实战”基线版本及输入摘要，确认基线本身可以重复运行。
2. 写下“Trace、Span 与 Langfuse 实战”候选方案唯一变化的变量，以及它预期影响的指标。
3. 在同一环境执行“Trace、Span 与 Langfuse 实战”：同输入运行基线与候选，逐样本比较质量并关联线上延迟、错误与成本。
4. 为“Trace、Span 与 Langfuse 实战”保存：逐样本输出、评分理由、Trace、指标窗口、失败标签、版本和发布判断。
5. 使用“Trace、Span 与 Langfuse 实战”预登记条件判断：目标切片改善且安全、延迟与成本不越界，失败样本能回链到首个异常阶段。
6. 如果“Trace、Span 与 Langfuse 实战”未通过，不修改第二个变量，先恢复基线并保留失败现场。

九、用一张矩阵验证 Trace、Span 与 Langfuse 实战 的关键结论

矩阵按正文顺序列出“Trace、Span 与 Langfuse 实战”的结论。一次实验只选择一行，只改变这一行对应的条件；不要把多行合并成一个无法归因的大实验。

正文章节	已解释的结论	本轮唯一变量	必须保存的证据
核心决策	输入输出需脱敏和采样，tenant_id 等权限字段只存不可逆标识。	只改变与“核心决策”相关的条件	逐样本输出、评分理由、Trace、指标窗口、失败标签、版本和发布判断
落地步骤	建立 trace_id 并贯穿网关、RAG、Agent 和模型调用。 -> 记录模型、token、延迟、命中证据、工具错误和最终评分。 -> 从线上坏例进入 Dataset，再回放形成回归闭环。	只改变与“落地步骤”相关的条件	逐样本输出、评分理由、Trace、指标窗口、失败标签、版本和发布判断
决策记录怎么写	上线前不要只留下“采用 Trace、Span 与 Langfuse 实战”这一句结论。	只改变与“决策记录怎么写”相关的条件	逐样本输出、评分理由、Trace、指标窗口、失败标签、版本和发布判断
生产避坑	只记总耗时无法定位慢在检索还是生成。	只改变与“生产避坑”相关的条件	逐样本输出、评分理由、Trace、指标窗口、失败标签、版本和发布判断
故障演练	注入与“只记总耗时无法定位慢在检索还是生成。 -> 注入与“全量保存用户正文会产生隐私风险。 -> 注入与“Trace 成功不等于回答正确，必须关联质量评分。	只改变与“故障演练”相关的条件	逐样本输出、评分理由、Trace、指标窗口、失败标签、版本和发布判断
Trace、Observation、Span 与父子关系	”对应的失败条件，记录用户侧现象、Trace 中的首个异常 Span 和恢复动作。	只改变与“Trace、Observation、Span 与父子关系”相关的条件	逐样本输出、评分理由、Trace、指标窗口、失败标签、版本和发布判断

9.1 记录本次实际实验

下面的记录用于“Trace、Span 与 Langfuse 实战”当前这一次实验，不是第二套知识目录。先从矩阵选择一个章节，再填写实际值；没有填写的字段表示尚未验证。

topic: "Trace、Span 与 Langfuse 实战"
selected_chapter: required
claim_from_article: required
baseline_version: required
changed_condition: exactly_one
execution: "同输入运行基线与候选，逐样本比较质量并关联线上延迟、错误与成本"
evidence: "逐样本输出、评分理由、Trace、指标窗口、失败标签、版本和发布判断"
pass_when: "目标切片改善且安全、延迟与成本不越界，失败样本能回链到首个异常阶段"
stop_when: "只报告均分、数据泄漏、评审器未校准、Trace 断链或回退阈值缺失"
observed_result: required
first_deviation: null_or_evidence
recovery_replay: required_after_failure

9.2 边界实验必须证明能够停止和恢复

成功路径只能证明“Trace、Span 与 Langfuse 实战”在当前样本上工作，不能证明它可以进入生产。边界实验需要主动制造：只报告均分、数据泄漏、评审器未校准、Trace 断链或回退阈值缺失，并观察系统是否在产生不可逆副作用前停止。

场景	只改变什么	应保存什么	通过标准
正常路径	使用已知有效输入	逐样本输出、评分理由、Trace、指标窗口、失败标签、版本和发布判断	目标切片改善且安全、延迟与成本不越界，失败样本能回链到首个异常阶段
边界路径	把一个输入推进到约束临界值	临界值前后的输出与指标	不静默降级，不把部分结果冒充成功
明确失败	注入：只报告均分、数据泄漏、评审器未校准、Trace 断链或回退阈值缺失	原始错误、首个异常阶段和最终状态	失败被正确分类且没有扩大副作用
恢复重放	执行：停止扩量，保留基线，按数据、Prompt、模型、应用或评审阶段隔离失败	原失败样本的复测证据	原样本恢复，正常样本没有回归

恢复动作不是简单重启。对于“Trace、Span 与 Langfuse 实战”，第一步是：停止扩量，保留基线，按数据、Prompt、模型、应用或评审阶段隔离失败。完成后使用原始失败样本复测；只验证一个新样本成功，不能证明触发条件已经消失。

“Trace、Span 与 Langfuse 实战”边界实验结束后，应把正常、临界、失败和恢复四类记录放在同一个运行批次中。这样才能区分“候选方案真的修复问题”和“环境变化让问题暂时没有出现”。

十、Trace、Span 与 Langfuse 实战 的结果解释

解释“Trace、Span 与 Langfuse 实战”实验时先看首个偏差，而不是最后一条错误。最后的异常通常只是上游状态错误的结果；从末端反推容易误把症状当根因。

观察结果	可以支持的判断	下一步
主链路没有达到预期	只报告均分、数据泄漏、评审器未校准、Trace 断链或回退阈值缺失	先执行：停止扩量，保留基线，按数据、Prompt、模型、应用或评审阶段隔离失败
异常链路无法恢复	只报告均分、数据泄漏、评审器未校准、Trace 断链或回退阈值缺失	先执行：停止扩量，保留基线，按数据、Prompt、模型、应用或评审阶段隔离失败
新样本成功但原样本仍失败	修复没有覆盖原始触发条件	固定原失败输入，恢复基线后重新比较
指标改善但证据无法回链	数据、版本或中间状态没有固定	暂停发布，补齐可追溯记录后重跑

“Trace、Span 与 Langfuse 实战”只有同时满足“目标切片改善且安全、延迟与成本不越界，失败样本能回链到首个异常阶段”，并且没有出现“只报告均分、数据泄漏、评审器未校准、Trace 断链或回退阈值缺失”，才可以认为主链路通过。这里的“通过”只对当前固定版本、样本和环境有效，不能外推到尚未测试的容量、权限或数据分布。

如果“Trace、Span 与 Langfuse 实战”候选方案与基线差异很小，先检查证据分辨率是否足够；如果差异很大，先排除数据泄漏、环境漂移和版本不一致。两种情况都不能只看一个汇总均值，需要回到逐样本输出和中间状态。

“Trace、Span 与 Langfuse 实战”故障定位完成后，记录“现象、首个偏差、根因、改动、原样本复测”五项。缺少原样本复测时，只能标记为待观察，不能标记为已解决。

十一、Trace、Span 与 Langfuse 实战 的发布判断

发布判断需要把“Trace、Span 与 Langfuse 实战”的质量、失败边界和恢复能力放在同一份记录中。以下任一条件缺失，都应停止扩量，而不是用“基本正常”替代证据。

• “Trace、Span 与 Langfuse 实战”的基线与候选只存在一个计划内变量。
• “Trace、Span 与 Langfuse 实战”的输入、代码、依赖、配置和数据版本可以追溯。
• “Trace、Span 与 Langfuse 实战”的正常、临界、失败和恢复样本使用同一套断言。
• “Trace、Span 与 Langfuse 实战”的原始输出、中间状态和失败现场已经保留。
• “Trace、Span 与 Langfuse 实战”的日志、Trace、截图和测试数据已经脱敏。
• “Trace、Span 与 Langfuse 实战”的停止条件、负责人和回滚入口已经演练。
• “Trace、Span 与 Langfuse 实战”尚未覆盖的输入、权限、容量和外部依赖已经登记。

最终记录至少包含基线版本、唯一变量、原始证据、首个偏差、恢复复测和发布责任人。没有参与本次修改的人如果不能据此重放“Trace、Span 与 Langfuse 实战”的判断，就不能发布。

十二、总结

• 核心决策：输入输出需脱敏和采样，tenant_id 等权限字段只存不可逆标识。
• 落地步骤：建立 trace_id 并贯穿网关、RAG、Agent 和模型调用。 -> 记录模型、token、延迟、命中证据、工具错误和最终评分。 -> 从线上坏例进入 Dataset，再回放形成回归闭环。
• 生产避坑：只记总耗时无法定位慢在检索还是生成。
• 故障演练：注入与“只记总耗时无法定位慢在检索还是生成。 -> 注入与“全量保存用户正文会产生隐私风险。 -> 注入与“Trace 成功不等于回答正确，必须关联质量评分。