Langfuse est une plateforme open-source d’ingénierie LLM qui aide les équipes à déboguer, analyser et faire évoluer collaborativement leurs applications LLM. Elle fait partie de l’écosystème ClickHouse et s’appuie au cœur sur ClickHouse pour fournir un backend d’observabilité évolutif et performant.
En s’appuyant sur le stockage en colonnes de ClickHouse et sur ses puissantes capacités analytiques, Langfuse peut gérer des milliards de traces et d’événements avec une faible latence, ce qui en fait une solution adaptée aux workloads de production à haut débit.
- Open source : Entièrement open source, avec une API publique pour des intégrations personnalisées
- Optimisé pour la production : Conçu pour un impact minimal sur les performances
- SDKs de premier ordre : SDKs natifs pour Python et JavaScript
- Prise en charge des frameworks : Intégré à des frameworks populaires comme OpenAI SDK, LangChain et LlamaIndex
- Multimodal : Prise en charge du tracing de texte, d’images et d’autres modalités
- Plateforme complète : Suite d’outils couvrant l’ensemble du cycle de développement des applications LLM
Langfuse propose des options de déploiement flexibles pour répondre à différents besoins en matière de sécurité et d’infrastructure.
Langfuse Cloud est un service entièrement géré, reposant sur un cluster ClickHouse managé pour des performances optimales. Il est certifié SOC 2 Type II et ISO 27001, conforme au RGPD, et disponible dans les régions US (AWS us-west-2) et EU (AWS eu-west-1).
Version auto-hébergée de Langfuse est entièrement open-source (licence MIT) et peut être déployée gratuitement sur votre propre infrastructure à l’aide de Docker ou de Kubernetes. Vous exécutez votre propre instance ClickHouse (ou utilisez ClickHouse Cloud) pour stocker les données d’observabilité, ce qui vous garantit un contrôle total sur vos données.
Langfuse repose uniquement sur des composants open source et peut être déployé localement, dans le cloud ou sur site :
- ClickHouse : stocke de grands volumes de données d’observabilité (traces, spans, générations, scores). Il permet des agrégations rapides et des analyses pour les tableaux de bord.
- Postgres : stocke des données transactionnelles, comme les comptes utilisateurs, les configurations de projet et les définitions de prompts.
- Redis : gère la mise en file d’attente des événements et la mise en cache.
- S3/stockage de blobs : stocke des payloads volumineux et les données brutes des événements.
L’observabilité est essentielle pour comprendre et déboguer les applications LLM. Contrairement aux logiciels traditionnels, les applications LLM impliquent des interactions complexes et non déterministes, qui peuvent être difficiles à surveiller et à déboguer. Langfuse fournit des fonctionnalités de tracing complètes qui vous aident à comprendre exactement ce qui se passe dans votre application.
📹 Vous voulez en savoir plus ? Regardez la démonstration complète de Langfuse observabilité et découvrez comment l’intégrer à votre application.
Détails de la trace
Sessions
Chronologie
Users
Graphes d’agents
Dashboard
Les traces vous permettent de suivre chaque appel LLM ainsi que toute autre logique pertinente dans votre application.
Les sessions vous permettent de suivre des conversations en plusieurs étapes ou des workflows agentiques.
Déboguez les problèmes de latence en inspectant la vue de la chronologie.
Ajoutez votre propre userId pour surveiller les coûts et l’utilisation de chaque utilisateur. Vous pouvez également créer un lien direct vers cette vue dans vos systèmes.
Les agents LLM peuvent être visualisés sous forme de graphe pour illustrer le flux de workflows agentiques complexes.
Consultez les métriques de qualité, de coût et de latence dans le dashboard pour surveiller votre application LLM.
Créer
Contrôle de version
Déployer
Métriques
Tester dans Playground
Lier aux traces
Suivre les modifications
Créez un nouveau prompt via l’UI, les SDKs ou l’API.
Versionnez et modifiez vos prompts de manière collaborative via l’UI, l’API ou les SDKs.
Déployez des prompts en production ou dans n’importe quel environnement via des labels, sans aucune modification de code.
Comparez la latence, le coût et les métriques d’évaluation entre différentes versions de vos prompts.
Testez instantanément vos prompts dans le Playground.
Liez les prompts aux traces pour comprendre leurs performances dans le contexte de votre application LLM.
Suivez les modifications apportées à vos prompts pour comprendre comment ils évoluent au fil du temps.
Évaluation & jeux de données
Visualisez les résultats des évaluations dans le dashboard Langfuse.
Recueillez les retours de vos utilisateurs. Ils peuvent être collectés dans le frontend via notre Browser SDK, côté serveur via les SDKs ou l’API. La vidéo inclut un exemple d’application.
Exécutez des évaluations LLM-as-a-judge entièrement gérées sur des traces en production ou en développement. Elles peuvent être appliquées à n’importe quelle étape de votre application pour réaliser des évaluations étape par étape.
Évaluez les prompts et les modèles sur des jeux de données directement dans l’interface utilisateur. Aucun code personnalisé n’est nécessaire.
Posez les bases de votre workflow d’évaluation avec des annotations humaines via des files d’annotation.
Ajoutez des résultats d’évaluation personnalisés ; les valeurs numériques, booléennes et catégorielles sont prises en charge.Ajoutez des scores via le SDK Python ou JS. Guides de démarrage rapide
Dernière modification le 29 juin 2026
