# Logfire 的 SDK 开源，存放 trace 的后端却不开源

> 四行代码就能基于 OpenTelemetry 追踪客户的 Agent，标准 SQL 让客户的数据工程师也能读懂查询。

原文: https://fdetimes.net/zh/tools/pydantic-logfire-opentelemetry-agent-tracing/

在客户现场的第三天，Agent 给出了一个错误答案，还花了 40 秒。没人知道时间耗在哪里：LLM 调用、某条 SQL 查询，还是某个内部 API。

Logfire 正是为这种场景设计的。Pydantic 把它定位为一体化的 AI 工程平台，能把 Agent、服务和主机上的每一次 LLM 调用、请求和查询放到同一条时间线上。

对前线部署工程师（FDE）来说，它的价值在于快。你没有两周时间先搭好一套可观测性体系再开始排查，客户也等不了那么久。问题在于，这个工具有的部分开源，有的部分闭源，推荐之前必须弄清楚界线在哪里。

## 你的代码里实际运行的是什么？

官方仓库把 Python SDK 描述为一个“有主见的”（opinionated）OpenTelemetry 封装。OpenTelemetry 是 trace、指标和日志的开放标准。此外还有 TypeScript 和 Rust SDK，均采用 MIT 许可。Logfire 提供 40 多个集成，包括 FastAPI、Django、SQLAlchemy 和 HTTPX。

最关键的一点是 OpenTelemetry：采集到的数据遵循开放标准，而不是 Pydantic 专有的格式。Pydantic 的对比页面称 Logfire 的埋点“完全可移植”，但由于 SDK 是它自己的封装，`logfire.configure()`、`logfire.instrument_fastapi(app)` 这类调用仍然是 Logfire 的 API。

数据用标准 SQL 查询，没有专有查询语言。在客户现场，这一点的作用比想象中大：客户的数据工程师不用学新语法，马上就能看懂你的查询。

## 四个步骤，一个 FastAPI 服务

假设客户有一个 FastAPI 服务，里面封装了一个客服 Agent。按照仓库的说明，上手只需安装包、认证、配置，再打开框架集成：

```bash
pip install logfire
logfire auth
```

```python
import logfire
from fastapi import FastAPI

app = FastAPI()
logfire.configure()
logfire.instrument_fastapi(app)
```

此后，服务收到的每个请求都会变成一条 trace。再加上 SQLAlchemy 或 HTTPX 等集成，数据库查询和对外 HTTP 调用就会和请求出现在同一条时间线上。回到那个 40 秒的例子：你能立刻看出哪一段耗时，而不必在别人的代码库里到处塞 `print` 语句。

到了客户现场，第一件事是只给一个服务埋点，也就是 Agent 最重要的那条路径，然后写一条 SQL 查询找出最慢的请求。第一次会议就拿出具体答案，比一个没人打开的漂亮仪表盘有用得多。

## 免费版够不够做试点？

免费的 Personal 方案每月包含相当于 1000 万条日志、span 和指标的额度，到达上限即停止。Personal 和 Team 方案数据保留 30 天，Growth 方案最长 90 天。Team 每月 49 美元，Growth 每月 249 美元；超出部分按每百万条 2 美元计费，所有付费方案都设有价格上限，可以设定支出天花板。

算一笔账。假设每个 Agent 请求产生 25 个 span：一个 HTTP 请求、几次 LLM 调用和几次查询。每天 2,000 个请求，就是每天 50,000 个 span，每月约 150 万，远在免费额度之内。

如果每天 20,000 个请求，每月就涨到约 1500 万，超过 Personal 的上限。用 Team 方案，要付每月 49 美元的基础费用，再加上超出的 500 万条记录，按每百万条 2 美元计为 10 美元，合计每月约 59 美元。在承诺“免费版就够用”之前，先用客户的真实数据算一遍。

## 需要提前和客户讲清的限制

最大的限制不是价格。Logfire 的 UI 和后端是闭源的，自托管需要企业版许可。对银行、医疗机构或公共部门客户来说，trace 里可能包含提示词和客户数据；没有这份许可，trace 就存放在 Pydantic 的平台上，而不在客户自己的基础设施里。

**要点:** SDK 开源不等于平台开源：先问清 trace 数据存放在哪里。

30 天的数据保留期同样是实实在在的限制。如果客户需要回看上个季度的故障，就得考虑 Growth 方案，或者自己把数据导出到别处。

如果客户在 LangGraph 上投入很深，Pydantic 自己也承认，这类团队可能更喜欢竞品提供的专用图状态 UI。Logfire 的图视图是根据 Pydantic Graph 代码生成的 Mermaid 图。

按 Pydantic 的说法，Logfire 覆盖全栈，而 LangSmith 更偏向 LLM 和 Agent；不过这是厂商自己的对比页面，最好在客户的实际负载上亲自测一测。

## 先学什么？

先学 OpenTelemetry，再学 Logfire。Logfire 建立在这个开放标准之上，扎实理解 trace、span 以及它们之间的关联方式，即使客户选了别的后端，你也能读懂数据。Logfire 是观察这些概念实际运作的好起点，几行代码就能拿到 trace。

看岗位描述时，留意“observability”“OpenTelemetry”或“production LLM systems”这类字眼。在简历上，写一句“为 FastAPI Agent 接入 OTel 追踪，定位到拖慢响应的瓶颈”，远比罗列一串工具名更有说服力。

在客户现场，迟早会有人问“这些数据去了哪里？”优秀的 FDE 在运行 `logfire auth` 之前就已经有了答案。

**本周动手试试:**

- 在自己的 FastAPI 服务里加上 logfire.configure() 和 logfire.instrument_fastapi(app)，发几十个请求，用一条 SQL 查询找出最慢的那个
- 统计该服务中一个请求产生多少个 span，乘以客户预计的日请求量，看看每月会不会超过 1000 万条记录
- 拟好三个关于 trace 数据存放位置和保留时长的问题，带到下一次需求调研会上

## 信源

- [Pydantic Logfire documentation](https://pydantic.dev/docs/logfire/)

- [pydantic/logfire (GitHub)](https://github.com/pydantic/logfire)

- [Pydantic Logfire Pricing](https://pydantic.dev/pricing)

- [logfire pricing change](https://pydantic.dev/articles/logfire-pricing-change)

- [Logfire vs LangSmith](https://pydantic.dev/logfire/vs-langsmith)
