一，What is Langfuse? 什么是 Langfuse？

Langfuse 是一个开源 LLM 工程平台，可帮助团队协作调试，分析和调试 LLM 应用程序。所有平台功能都是本地集成的，以加快开发工作流程。Langfuse 开放。它适用于任何模型，任何框架，允许复杂的嵌套，并具有开放的 API 来构建下游用例。LLM 应用程序使用越来越复杂的抽象，如链，工具代理和高级提示。Langfuse 中的嵌套跟踪有助于了解发生了什么并确定问题的根本原因。

为什么选择 Langfuse？

• Open source: Fully open source with public API for custom integrations
  开源：完全开源，使用公共 API 进行自定义集成
• Production optimized: Designed with minimal performance overhead
  生产优化：以最小的性能开销设计
• Best-in-class SDKs: Native SDKs for Python and JavaScript
  一流的 SDK：适用于 Python 和 JavaScript 的原生 SDK
• Framework support: Integrated with popular frameworks like OpenAI SDK, LangChain, and LlamaIndex
  框架支持：与 OpenAI SDK，LangChain 和 LlamaIndex 等流行框架集成
• Multi-modal: Support for tracing text, images and other modalities
  多模式：支持跟踪文本、图像和其他模式
• Full platform: Suite of tools for the complete LLM application development lifecycle
  完整的平台：用于完整 LLM 应用程序开发生命周期的工具套件

二，部署并集成langfuse

1.通过docker本地部署langfuse服务

# 获取最新的 Langfuse 仓库副本
git clone https://github.com/langfuse/langfuse.git
cd langfuse

# 运行 Langfuse 的 docker compose
docker compose up

2.新建项目以获取api-key

3.在llm应用文件下创建.env文件，将刚才创建的key配置到文件中。

LANGFUSE_SECRET_KEY="sk-lf-..."
LANGFUSE_PUBLIC_KEY="pk-lf-.."
LANGFUSE_HOST="http://localhost:3000"
#openai 配置
OPENAI_API_KEY="EMPTY"  # 当前使用的值
OPENAI_API_BASE="http://localhost:80/v1"

# 服务配置
PORT=8888  # 服务端口，可根据需要修改
HOST="0.0.0.0"  # 监听地址

4.安装所需依赖：

pip install python-dotenv

pip install langfuse

5.加载环境变量

from dotenv import load_dotenv
import os

# 加载.env文件中的环境变量

load_dotenv()

# 然后可以通过os.environ获取环境变量
openai_api_base = os.getenv("OPENAI_API_BASE", "http://localhost:8080/v1")
api_key = os.environ.get("OPENAI_API_KEY")

6.通过@observe（） 装饰器跟踪本地LLM 应用程序，LangfuseOpenAI 集成来自动捕获所有模型参数。完整程序代码如下：

from fastapi import FastAPI, HTTPException
from pydantic import BaseModel
import re
import os
from dotenv import load_dotenv
from langfuse.decorators import observe
from langfuse.openai import openai  # 使用Langfuse的OpenAI客户端

# 加载.env文件中的环境变量

load_dotenv()

# 从环境变量中获取配置

openai_api_key = os.getenv("OPENAI_API_KEY", "EMPTY")
openai_api_base = os.getenv("OPENAI_API_BASE", "http://localhost:8080/v1")
model = "/home"

app = FastAPI()

class TranslationRequest(BaseModel):
    src_lang: str
    tgt_lang: str
    text: str

@app.post("/translate")
@observe()  # 添加Langfuse装饰器来监控翻译函数
async def translate(request: TranslationRequest):
    text = re.sub(r'[\s+]', '', request.text)
    if not request.src_lang or not request.tgt_lang or not text:
        raise HTTPException(status_code=400, detail="缺少参数")
    
    prompt = f"请将以下内容从{request.src_lang}翻译为{request.tgt_lang}，仅输出翻译结果：\n{text}"
    

    # 使用Langfuse的OpenAI客户端

    client = openai.OpenAI(
        api_key=openai_api_key,
        base_url=openai_api_base
    )
    
    completion = client.chat.completions.create(
        model=model,
        messages=[{"role": "user", "content": prompt}],
        stream=False
    )
    
    result = completion.choices[0].message.content.strip()
    return {"result": result}

# 添加启动代码，使用环境变量中的端口和主机配置

if __name__ == "__main__":
    import uvicorn
    port = int(os.getenv("PORT", 8888))
    host = os.getenv("HOST", "0.0.0.0")
    uvicorn.run(app, host=host, port=port)

7.测试跟踪效果，看到langfuse后台已经成功跟踪到了llm应用输入输出数据情况