为什么AI应用难以调试传统软件系统出了问题你有一套成熟的调试手段查日志、看堆栈、断点调试、Metrics报警。这些工具运作良好因为传统系统是确定性的——相同输入必然相同输出错误有明确的代码路径。LLM应用打破了这一切。同一个prompt不同时间的输出可能不同temperature 0。用户说结果不对但你不知道是prompt的问题、模型的问题、还是RAG检索的问题。生产环境突然准确率下降但没有任何异常日志——因为LLM总是成功地返回了一些文字只是内容不对。**AI可观测性LLM Observability**正是为了解决这些问题而出现的工程领域。它不是普通的日志监控而是专门为LLM系统设计的追踪、评估和分析体系。## 可观测性的三层架构AI应用的可观测性分为三个层次从底层到顶层第三层业务可观测性 - 用户满意度、任务完成率、业务指标 ↑第二层LLM可观测性 - Trace追踪、Prompt日志、Token统计、延迟分布 ↑第一层基础设施可观测性 - CPU/GPU、内存、API调用错误率、网络延迟大多数团队只做第一层这是远远不够的。本文重点讨论第二层和第三层。## LLM追踪Tracing工程实践### 为什么Trace比Log更重要传统日志记录单点事件。而LLM应用的一次用户请求可能涉及用户输入 → 意图理解 → RAG检索 → Prompt构建 → LLM调用 → 结果后处理 → 输出。这个链路中任何一步出问题都会影响最终质量但日志无法告诉你这次响应的第3步RAG检索只召回了2条相关文档导致回答缺乏依据。Trace分布式追踪提供了完整的请求链路视图每一步都有输入、输出、耗时、用量、元数据。### 用LangSmith实现自动Tracepythonimport osfrom langsmith import Client, traceablefrom langchain_openai import ChatOpenAIfrom langchain_core.prompts import ChatPromptTemplateimport anthropic# 配置LangSmithos.environ[LANGCHAIN_TRACING_V2] trueos.environ[LANGCHAIN_API_KEY] your_langsmith_api_keyos.environ[LANGCHAIN_PROJECT] my_ai_app_prod# 自动追踪LangChain调用llm ChatOpenAI(modelgpt-4o, temperature0.3)traceable(namerag_pipeline, run_typechain)def rag_pipeline(user_question: str) - dict: RAG完整链路自动被LangSmith追踪 # 步骤1检索 docs retrieve_relevant_docs(user_question) # 步骤2构建prompt context \n\n.join([d.page_content for d in docs]) prompt f基于以下上下文回答问题\n\n{context}\n\n问题{user_question} # 步骤3LLM调用自动记录prompt和response response llm.invoke(prompt) return { answer: response.content, source_docs: len(docs), context_length: len(context) }traceable(nameretrieve_docs, run_typeretriever)def retrieve_relevant_docs(query: str) - list: 文档检索单独追踪 # 实际检索逻辑 return vector_store.similarity_search(query, k5)### 自建轻量级Trace系统pythonimport uuidimport timeimport jsonfrom dataclasses import dataclass, field, asdictfrom typing import Optional, List, Any, Dictfrom contextlib import contextmanagerfrom datetime import datetimedataclassclass Span: 单个追踪跨度 span_id: str field(default_factorylambda: str(uuid.uuid4())[:8]) name: str trace_id: str parent_span_id: Optional[str] None start_time: float field(default_factorytime.time) end_time: Optional[float] None # LLM特定字段 inputs: Dict[str, Any] field(default_factorydict) outputs: Dict[str, Any] field(default_factorydict) metadata: Dict[str, Any] field(default_factorydict) # Token和成本追踪 input_tokens: int 0 output_tokens: int 0 cost_usd: float 0.0 error: Optional[str] None property def duration_ms(self) - float: if self.end_time: return (self.end_time - self.start_time) * 1000 return 0.0 def finish(self, outputs: dict None, error: str None): self.end_time time.time() if outputs: self.outputs outputs if error: self.error errorclass LLMTracer: 轻量级LLM追踪器 def __init__(self, backendconsole): self.backend backend self._active_spans: Dict[str, Span] {} self.spans: List[Span] [] contextmanager def trace(self, name: str, trace_id: str None, parent_id: str None, **metadata): 追踪上下文管理器 span Span( namename, trace_idtrace_id or str(uuid.uuid4()), parent_span_idparent_id, metadatametadata ) self._active_spans[span.span_id] span try: yield span span.finish() except Exception as e: span.finish(errorstr(e)) raise finally: self._active_spans.pop(span.span_id, None) self.spans.append(span) self._emit(span) def _emit(self, span: Span): 发送追踪数据 if self.backend console: status ERROR if span.error else OK print(f[TRACE] {span.name} | {status} | {span.duration_ms:.0f}ms | ftokens{span.input_tokensspan.output_tokens} | fcost${span.cost_usd:.4f}) elif self.backend file: with open(traces.jsonl, a, encodingutf-8) as f: f.write(json.dumps(asdict(span), ensure_asciiFalse) \n)# 全局追踪器实例tracer LLMTracer(backendfile)class TracedOpenAIClient: 带自动追踪的OpenAI客户端包装 COST_PER_TOKEN { gpt-4o: {input: 2.5e-6, output: 10e-6}, gpt-4o-mini: {input: 0.15e-6, output: 0.6e-6}, o1: {input: 15e-6, output: 60e-6}, } def __init__(self, api_key: str None): import openai self.client openai.OpenAI(api_keyapi_key) def chat_completion( self, messages: list, model: str gpt-4o, trace_id: str None, span_name: str llm_call, **kwargs ) - dict: 带追踪的chat completion调用 with tracer.trace(span_name, trace_idtrace_id, modelmodel) as span: span.inputs {messages: messages, model: model, **kwargs} response self.client.chat.completions.create( modelmodel, messagesmessages, **kwargs ) # 记录token使用 span.input_tokens response.usage.prompt_tokens span.output_tokens response.usage.completion_tokens # 计算成本 costs self.COST_PER_TOKEN.get(model, {input: 0, output: 0}) span.cost_usd ( span.input_tokens * costs[input] span.output_tokens * costs[output] ) output response.choices[0].message.content span.outputs {content: output[:500]} # 只记录前500字符 return { content: output, usage: { input_tokens: span.input_tokens, output_tokens: span.output_tokens, cost_usd: span.cost_usd } }## LLM评估Evaluation框架追踪只是记录发生了什么评估才是判断好不好。### 自动化评估指标pythonfrom enum import Enumimport reclass EvalMetric(Enum): FAITHFULNESS faithfulness # 回答是否忠实于上下文RAG防幻觉 RELEVANCE relevance # 回答是否与问题相关 COMPLETENESS completeness # 回答是否完整 SAFETY safety # 回答是否安全无有害内容 COHERENCE coherence # 回答是否语义连贯class LLMEvaluator: 使用LLM-as-Judge方法进行自动化评估 让一个强模型如GPT-4o评估另一个模型的输出质量 def __init__(self, judge_model: str gpt-4o): import openai self.client openai.OpenAI() self.judge_model judge_model def evaluate_faithfulness(self, context: str, answer: str) - dict: 评估RAG回答是否忠实于检索到的上下文 核心RAG质量指标防止幻觉 prompt f评估任务判断回答是否完全基于上下文没有引入上下文中不存在的信息。上下文{context[:2000]}回答{answer}评分标准- 5分回答完全基于上下文没有任何幻觉- 4分回答主要基于上下文有极少量推断合理- 3分回答部分基于上下文有明显的推断或补充- 2分回答混合了上下文内容和外部知识- 1分回答大量包含上下文中不存在的信息严重幻觉只输出JSON{{score: 1-5, reason: 一句话解释, has_hallucination: true/false}} response self.client.chat.completions.create( modelself.judge_model, response_format{type: json_object}, messages[{role: user, content: prompt}] ) import json result json.loads(response.choices[0].message.content) return { metric: faithfulness, score: result[score] / 5.0, # 归一化到0-1 raw_score: result[score], reason: result.get(reason, ), has_hallucination: result.get(has_hallucination, False) } def evaluate_answer_relevance(self, question: str, answer: str) - dict: 评估回答是否真正回答了问题 prompt f问题{question}回答{answer}评估回答是否直接、完整地回答了问题。只输出JSON{{score: 1-5, addressed_question: true/false, reason: ...}} response self.client.chat.completions.create( modelself.judge_model, response_format{type: json_object}, messages[{role: user, content: prompt}] ) import json result json.loads(response.choices[0].message.content) return { metric: relevance, score: result[score] / 5.0, addressed_question: result.get(addressed_question, True) } def batch_evaluate(self, samples: List[dict]) - dict: 批量评估用于离线质量分析 samples格式[{question: ..., context: ..., answer: ..., trace_id: ...}] results [] for sample in samples: eval_result { trace_id: sample.get(trace_id), question: sample[question][:100] } if sample.get(context): eval_result[faithfulness] self.evaluate_faithfulness( sample[context], sample[answer] ) eval_result[relevance] self.evaluate_answer_relevance( sample[question], sample[answer] ) results.append(eval_result) # 汇总统计 faithfulness_scores [r[faithfulness][score] for r in results if faithfulness in r] relevance_scores [r[relevance][score] for r in results] return { total_samples: len(results), avg_faithfulness: sum(faithfulness_scores) / len(faithfulness_scores) if faithfulness_scores else None, avg_relevance: sum(relevance_scores) / len(relevance_scores), hallucination_rate: sum(1 for r in results if r.get(faithfulness, {}).get(has_hallucination)) / len(results), details: results }## Prometheus Grafana监控集成pythonfrom prometheus_client import Counter, Histogram, Gauge, start_http_serverimport time# 定义LLM特定的Prometheus指标LLM_REQUESTS_TOTAL Counter( llm_requests_total, LLM API调用总次数, [model, endpoint, status])LLM_LATENCY_SECONDS Histogram( llm_latency_seconds, LLM API响应时间分布, [model], buckets[0.5, 1.0, 2.0, 5.0, 10.0, 30.0, 60.0])LLM_TOKENS_TOTAL Counter( llm_tokens_total, Token使用量, [model, token_type] # token_type: input/output)LLM_COST_USD_TOTAL Counter( llm_cost_usd_total, 累计API成本美元, [model])EVAL_SCORE Gauge( llm_eval_score, 最近N次评估的平均分, [metric_name] # faithfulness/relevance/etc.)class PrometheusLLMMonitor: LLM监控的Prometheus集成 def record_call(self, model: str, status: str, latency: float, input_tokens: int, output_tokens: int, cost: float): LLM_REQUESTS_TOTAL.labels(modelmodel, endpointchat, statusstatus).inc() LLM_LATENCY_SECONDS.labels(modelmodel).observe(latency) LLM_TOKENS_TOTAL.labels(modelmodel, token_typeinput).inc(input_tokens) LLM_TOKENS_TOTAL.labels(modelmodel, token_typeoutput).inc(output_tokens) LLM_COST_USD_TOTAL.labels(modelmodel).inc(cost) def update_eval_scores(self, eval_results: dict): for metric, score in eval_results.items(): if isinstance(score, (int, float)): EVAL_SCORE.labels(metric_namemetric).set(score)# 在应用启动时暴露metrics端点# start_http_server(8000) # Prometheus会来抓取 http://localhost:8000/metrics## 可观测性平台选型| 工具 | 适用场景 | 优势 | 局限 ||------|----------|------|------|| LangSmith | LangChain项目 | 开箱即用、深度集成 | 仅LangChain生态 || Langfuse | 开源、自托管 | 灵活、可私有化 | 需要自己运维 || Weights Biases | ML实验追踪 | 实验管理强 | LLM功能较新 || Helicone | 轻量代理方式 | 零侵入集成 | 功能相对简单 || 自建本文方案 | 定制化需求 | 完全控制 | 开发成本高 |## 总结LLM可观测性的核心实践1.追踪每一次LLM调用记录完整的输入输出、token用量、延迟和成本2.链路级Trace不只是点日志一次用户请求的完整链路追踪找到瓶颈步骤3.自动化质量评估LLM-as-Judge评估幻觉率、相关性替代纯人工质检4.成本和延迟双监控生产环境的质量问题往往先反映在这两个指标上5.Prompt版本管理追踪不同prompt版本的效果差异支持A/B测试从黑盒到白盒不是一步完成的。先把追踪做起来再做评估最后建立完整的监控体系。每一步都比什么都没有好得多。