LLM 可观测性：Tracing、Logging 与调试

前言

传统 Web 应用的 observability 三件套——Logging / Metrics / Tracing——已经成熟。但 LLM 应用把它们全部颠覆了：

同一段 prompt 每次输出不一样——metrics 的”错误率”不再适用
故障不在代码，在 prompt——传统 debug 看不到根因
成本是变量——一次 API 调用可能花 $0.001，也可能花 $1
延迟是概率分布——同样的问题，LLM 可能在 200ms 内回答，也可能在 4s 内回答

这些特性让”上线后没人知道发生了什么”成了 LLM 应用的头号痛点。这一篇覆盖：

LLM observability 为什么不一样
三大主流平台：Langfuse / LangSmith / OpenLLMetry
5 个必备的 trace 维度
生产排错实战

一、传统 vs LLM Observability

维度	传统 Web 应用	LLM 应用
错误信号	HTTP 500、异常堆栈	状态码 200 + 答非所问
根因定位	断点 + stack trace	prompt 内容 + 模型推理过程
性能指标	固定 RT（p50/p99）	概率分布（200ms-4s）
成本	固定	每次调用浮动（取决于 token 数）
回归	单元测试	必须看实际输出质量

[Mermaid] 视觉化对比：

图 1：传统 vs LLM Observability

二、3 个主流 LLM Observability 平台

平台 1：Langfuse（开源，TypeScript 友好）

Langfuse 是目前最活跃的开源 LLM observability 平台：

Tracing：捕获每个请求的 prompt、response、token 用量、延迟、工具调用、检索步骤
异步上报：不影响主流程延迟
Prompt 管理：版本化 prompt，A/B 测试
LLM-as-Judge 评估：自动跑质量评估
自托管 / 云端：两种部署
多框架集成：OpenAI / LangChain / Vercel AI SDK / LlamaIndex

import { Langfuse } from 'langfuse';

const langfuse = new Langfuse({
  publicKey: process.env.LANGFUSE_PUBLIC_KEY,
  secretKey: process.env.LANGFUSE_SECRET_KEY,
});

// 自动 trace OpenAI 调用
import { openai } from '@ai-sdk/openai';
import { observeOpenAI } from '@langfuse/openai';

const tracedOpenAI = observeOpenAI(openai);

// 每次 generateText 都会自动上报
const result = await generateText({
  model: tracedOpenAI('gpt-4o'),
  prompt: '...',
});

平台 2：LangSmith（LangChain 生态）

LangSmith 是 LangChain 官方的可观测平台，深度集成 LangChain / LangGraph：

自动 trace 链 / agent / 工具调用
数据集管理（用于评估）
A/B 测试
在线 debugging

适合：已经在用 LangChain / LangGraph 的团队。

平台 3：OpenLLMetry（OpenTelemetry 标准）

基于 OpenTelemetry 的 LLM instrumentation：

OTel 原生：可以接入现有的 Datadog / Grafana / Honeycomb
多语言 SDK：Python / JS / Go
GenAI 语义约定：标准化的 trace 字段名

import { NodeSDK } from '@opentelemetry/sdk-node';
import { OpenAIInstrumentation } from '@traceloop/instrumentation-openai';

const sdk = new NodeSDK({
  instrumentations: [
    new OpenAIInstrumentation(),
  ],
});
sdk.start();

// OpenAI 调用自动 trace 到你的 OTel backend

适合：已有 OTel 基础设施的企业，要统一 LLM + 传统服务的 observability。

选型决策

场景	推荐
开源 + TypeScript 生态	Langfuse
已用 LangChain / LangGraph	LangSmith
已有 OTel 基础设施	OpenLLMetry
全云端托管 + 企业级 SLA	LangSmith / Arize

三、5 个必备的 trace 维度

光”trace” 不够——你需要 trace 携带正确的信息。下面 5 个维度是生产必备：

1. 用户上下文

// Langfuse v3+：trace 改用 startActiveSpan / startObservation 创建
// 下面字段作为 span 的 attribute 传递
await langfuse.startActiveSpan('chat', async (span) => {
  span.setAttributes({
    'langfuse.user.id': 'u_123',
    'langfuse.session.id': 'sess_abc',
    'langfuse.tags': ['production', 'v2.3'],
    source: 'web',
    userTier: 'premium',
  });
});

为什么：生产里你经常需要”按用户查 trace”、“按 session 查完整对话”。

2. Prompt 版本

const prompt = langfuse.getPrompt('customer-support-v3');
// 自动记录 prompt 名称 + 版本 + hash

为什么：prompt 改了之后回归对比。如果没有版本，不知道是 prompt 改了还是模型行为变了。

3. Token 成本

// Langfuse 自动从 API response 提取 usage 信息
// 以下为自动提取后的结果示例
{
  usage: {
    promptTokens: 234,
    completionTokens: 567,
    totalTokens: 801,
    cost: 0.012,  // Langfuse 根据模型自动计算
  },
}

为什么：成本失控是 LLM 应用头号死法。必须按 query / user / feature 维度统计。

4. 工具调用详情

{
  tool_calls: [
    { name: 'search_web', input: {...}, output: '...', latencyMs: 340 },
    { name: 'query_db', input: {...}, output: '...', latencyMs: 120 },
  ],
}

为什么：agent 的故障 80% 在工具调用（超时 / 错参数 / 返回结构对不上）。

5. 输出质量（异步评估）

// 不阻塞主流程，异步评估输出质量
// 假设已获取 traceId 和 trace 数据
const traceId = currentTrace.id;
const trace = await langfuse.getTrace(traceId);

await langfuse.score({
  traceId,
  name: 'relevance',
  value: await evaluateRelevance(trace.output, trace.input),
});

为什么：延迟 / 成本只能反映”程序行为”，质量必须另外评估（LLM-as-Judge / 人工反馈）。

四、生产排错实战

案例 1：用户说”答案不对”

第一步：拿到 traceId，从 Langfuse 拉完整 trace：

# Langfuse UI / API
GET /api/traces/{traceId}

第二步：看 prompt 和 response：

Prompt:
  system: "你是客服"
  user: "我订单有问题"
  tools: [searchOrder, refund]

Trace steps:
  1. LLM: decide to call searchOrder → ok
  2. searchOrder: returns order #123 status=shipped
  3. LLM: response "您的订单已发货，预计明天到达"

问题：用户问的是退款，模型搜了订单状态。可能是 prompt 没说清"用户意图是退款"。

解决方案：优化 prompt，明确”先判断用户意图，再决定调哪个工具”。

案例 2：成本突然翻 10 倍

第一步：从 Langfuse 看 token 用量趋势，按 tag / user 聚合：

Tag "experiment-batch-2026-07-07": 5M tokens in 1 hour
其他 tag: 0.5M tokens in 1 hour

第二步：定位到具体是哪个 experiment 占用了 token。

解决方案：关闭该 experiment 或限流。

案例 3：p99 延迟突然飙到 10s

第一步：看 latency 分布：

p50: 800ms
p95: 2s
p99: 10s  ← 异常

第二步：看是 LLM 调用慢还是工具调用慢：

LLM call: 800ms (p99)
search_web tool: 9s (p99)  ← 异常

解决方案：search_web 第三方 API 不稳定，加超时 + 重试 + fallback。

五、生产 checklist

上线前必做的 5 件事：

✅ 集成 Langfuse / LangSmith / OpenLLMetry，全量 trace
✅ 按 user / session / tag 标记，方便查询
✅ Token 成本按 feature 聚合，避免失控
✅ 工具调用单独 trace，便于排错
✅ 异步质量评估，每周 review 抽样 trace

踩坑提醒

不要只 trace HTTP 状态。LLM 返回 200 但内容垃圾是常事，必须 trace 实际输出。
不要等出问题才上 observability。上线第一天就要有 trace，否则出问题无从回溯。
不要忽略 token 成本。一次 prompt 改动可能让成本翻倍，成本监控和功能监控同等重要。
不要把 trace 数据存太久。GDPR / 数据合规要求下，90 天后自动清理。
不要把 trace 当日志用。Trace 是结构化的事件流，日志是文本流，用途不同。

总结

5 个 takeaway：

LLM observability 不一样：错误信号在内容里、根因在 prompt、延迟是概率分布、成本是变量。
三大平台选型：Langfuse（开源 TS）/ LangSmith（LangChain 生态）/ OpenLLMetry（OTel 集成）。
5 个必备 trace 维度：用户上下文 / prompt 版本 / token 成本 / 工具调用 / 输出质量。
生产排错三步：拿 traceId → 看 prompt + response → 优化 prompt 或工具调用。
上线第一天就要有 observability，不要等出问题。

下一篇：LLM 应用的评估体系：Metrics、LLM-as-Judge 与 A/B 测试 — 当 observability 有了数据，怎么判断”哪个 prompt 更好”。

参考资料

Langfuse Observability Docs — 开源 LLM observability 平台，TypeScript 友好
OpenTelemetry GenAI Semantic Conventions — LLM 调用的 OTel 标准化 trace 字段
Vercel AI SDK — Tool Calling — 自动 instrument 工具调用，便于 observability 集成