بناء واستضافة وتشغيل حلول الذكاء الاصطناعي.
Langfuse
تتبّع وقيّم وأدر تطبيقات LLM الخاصة بك — مستضافة ذاتيًا وجاهزة للإنتاج.
المنظومة التقنية
Langfuse هي المنصة الرائدة مفتوحة المصدر لمراقبة النماذج اللغوية الكبيرة. تمنحك رؤية عميقة في كل طلب ذكاء اصطناعي يُنفّذه تطبيقك: تتبّع كامل للـ prompt والاستجابة، وتحليل للكمون، وتتبّع التكاليف لكل نموذج ومستخدم، ودرجات تقييم منظّمة — كلها في لوحة تحكم واحدة.
بنشرها على خادم VPS الخاص بك، يحلّ Langfuse محل البدائل السحابية (Langsmith وHelicone وArize) دون إرسال traces أو بيانات المستخدمين إلى أطراف ثالثة. استدعاء SDK واحد (`@observe()` أو `langfuse.trace()`) يُضيف القياس إلى أي stack Python أو TypeScript أو متوافقة مع OpenAI في دقائق — LiteLLM وLangChain وLlamaIndex وDify والاستدعاءات المباشرة للـ API تُرسل traces تلقائيًا.
تُضيف النسخة 3.x (رخصة MIT) مركزًا لإدارة الـ prompts حيث يمكن للمهندسين إجراء اختبارات A/B لنسخ الـ prompt، وتشغيل التقييمات باستخدام LLM-as-a-judge أو مقيّمين بشريين، والترويج للـ prompt الفائز إلى الإنتاج دون نشر كود.
الميزات الرئيسية
متى تستخدم هذا الحل؟
تصحيح حالات الانتكاس في النماذج اللغوية
عندما تُدهور نسخة نموذج أو prompt جديدة الجودة، صفّ traces حسب درجة التقييم، وقارنها جنبًا إلى جنب مع النسخة السابقة، واستنسخ المدخلات الفاشلة بنقرة واحدة.
مراقبة تكاليف الذكاء الاصطناعي في الإنتاج
تتبّع إنفاق الرموز حسب النموذج والمستخدم والميزة — اضبط تنبيهات عندما تتجاوز نقطة طرفية واحدة ميزانيتك. انتقل من GPT-4 إلى نموذج أرخص بناءً على بيانات لا تخمين.
التكرار على الـ prompts بدون نشر
ادفع تحديث prompt من واجهة Langfuse، ووجّه نسبة من حركة المرور إلى النسخة الجديدة، واجمع درجات التقييم، وروّج الفائز — كل ذلك دون لمس كود تطبيقك.
نشر Langfuse على خادم VPS الخاص بك
دليل محسّن لخوادم VPS Cloud من ServOrbit.
اطلب خادم ServOrbit VPS (4 GB RAM كحدّ أدنى)
يشغّل Langfuse ستة خدمات: PostgreSQL وClickHouse وRedis وMinIO وخادم الويب والعامل. 4 GB هو الحدّ الأدنى العملي؛ يُوصى بـ 8 GB للأعباء الإنتاجية.
تثبيت بنقرة واحدة
اختر Langfuse في سوق ServOrbit وانقر "نشر". يُشغّل Docker Compose جميع الخدمات الست تلقائيًا. واجهة الويب تصبح متاحة على نطاقك بمجرد اجتياز جميع فحوصات الصحة (انتظر 60–90 ثانية عند التشغيل الأول لتهيئة ClickHouse).
أنشئ مشروعك الأول
افتح https://your-domain.com وسجّل (التسجيل مفعّل افتراضيًا). أنشئ مشروعًا وانسخ زوج المفاتيح العام/السري من صفحة الإعدادات.
قِس تطبيقك
في Python: pip install langfuse، اضبط LANGFUSE_HOST=https://your-domain.com وLANGFUSE_PUBLIC_KEY وLANGFUSE_SECRET_KEY، ثم زيّن استدعاءات LLM بـ @observe(). في TypeScript: npm install langfuse، هيّئه بمضيفك ومفاتيحك. تظهر traces في اللوحة خلال ثوانٍ.
فعّل التتبّع التلقائي (LiteLLM)
إذا كان لديك LiteLLM في stack: أضف success_callback = ["langfuse"] إلى litellm_config.yaml الخاص بك واضبط متغيرات البيئة الثلاثة أعلاه. كل استدعاء LLM proxied يُتتبَّع تلقائيًا — دون تغيير في كود التطبيق.
شغّل تقييمك الأول
اذهب إلى Traces، اختر مجموعة تمثيلية، انقر 'Add to dataset'. افتح Evaluations، أنشئ قالب درجة (مثل 1-5 ملاءمة)، اربطه بالمجموعة، وشغّل تقييمًا دفعيًا باستخدام LLM-as-a-judge.
الأسئلة الشائعة
بحاجة إلى مساعدة؟
تصفّح مركز المساعدة والأسئلة الشائعة، أو راسل فريقنا — الدعم بـ العربية والفرنسية والإنجليزية.