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。
要点速览
- Logfire 把 LLM 调用、HTTP 请求和数据库查询放在同一条时间线上,基于 OpenTelemetry,提供 40 多个集成
- SDK 采用 MIT 许可,但 UI 和后端闭源;自托管需要企业版许可
- 免费的 Personal 方案每月上限为 1000 万条日志、span 和指标,数据保留 30 天
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:
pip install logfire
logfire auth
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。
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。
这篇文章对你有帮助吗?
感谢你的反馈!