Combien de RAM faut-il ?

Langfuse fait tourner six services : l'interface web, un worker, PostgreSQL, ClickHouse, Redis et MinIO. Le minimum est de 4 Go de RAM ; 8 Go sont recommandés pour un trafic de production régulier. ClickHouse est le composant le plus gourmand, avec 1 à 2 Go en charge.

Est-ce gratuit en auto-hébergement ?

Oui. Le cœur de Langfuse est publié sous licence MIT et son auto-hébergement est entièrement gratuit. L'offre Langfuse Cloud proposée par l'éditeur a un palier gratuit et des formules payantes, mais elle est indépendante : sur ServOrbit, vous ne payez que le VPS.

Quels fournisseurs de modèles sont pris en charge ?

Langfuse est agnostique. Des intégrations natives existent pour OpenAI, Anthropic, Azure OpenAI, Cohere et toute API compatible OpenAI — Ollama, LiteLLM, Mistral, Groq. LangChain, LlamaIndex, Dify, Haystack et Vercel AI disposent également d'intégrations de première classe. Si votre pile parle à un modèle, elle peut émettre des traces vers Langfuse.

Un nom de domaine est-il obligatoire ?

Oui. L'authentification de Langfuse repose sur NextAuth.js, qui a besoin d'un domaine résolvable publiquement en HTTPS pour établir l'URL de rappel et les cookies de session. Un sous-domaine d'un domaine que vous possédez suffit ; faites-le pointer vers le VPS avant le déploiement.

Mes traces sortent-elles de mon serveur ?

Non. C'est précisément la raison d'être de l'auto-hébergement : prompts, réponses et données d'utilisateurs restent dans PostgreSQL, ClickHouse et MinIO sur votre propre VPS, là où un service hébergé comme Langsmith, Helicone ou Arize suppose de les lui confier. Pensez à sauvegarder les volumes de PostgreSQL et de ClickHouse : le premier contient vos projets, vos prompts et vos utilisateurs, le second l'historique des traces.

Créer, héberger et exploiter des solutions IA.

Langfuse

Observabilité des applications LLM auto-hébergée : chaque appel tracé, chaque coût mesuré, chaque prompt versionné et évalué — sans envoyer vos traces à un service tiers.

4 Go (8 Go recommandé en production) RAM 2 vCPU Port 3000 Disponible

Code source

Stack technique

DockerNext.jsPostgreSQL 16ClickHouse 24Redis 7MinIO

RAM minimum4 Go (8 Go recommandé en production)

CPU minimum2 vCPU

Port par défaut3000

OS compatiblesubuntu-24.04

Langfuse est une plateforme open source d'observabilité pour applications à base de modèles de langage. Elle donne une visibilité fine sur chaque appel d'IA effectué par votre application : trace complète du prompt et de la réponse, décomposition des latences, suivi du coût par modèle et par utilisateur, et scores d'évaluation structurés, réunis dans un seul tableau de bord. Là où un outil de monitoring d'infrastructure vous dit que le serveur va bien, Langfuse vous dit ce que votre modèle a réellement répondu, combien cela a coûté et si la qualité s'est dégradée depuis la dernière version de prompt.

Déployée sur votre VPS, Langfuse remplace les services hébergés équivalents (Langsmith, Helicone, Arize) sans transmettre vos traces ni les données de vos utilisateurs à un tiers. Un seul appel de SDK suffit à instrumenter une pile Python, TypeScript ou compatible OpenAI — décorateur `@observe()` ou `langfuse.trace()` — et les intégrations LiteLLM, LangChain, LlamaIndex et Dify émettent leurs traces automatiquement. La version 3.x, dont le cœur est sous licence MIT, ajoute un centre de gestion des prompts : vos ingénieurs y comparent des variantes, lancent des évaluations par juge LLM ou par annotation humaine, et promeuvent la version gagnante en production sans redéployer le code. Une API REST et un SDK web complètent l'ensemble.

Fonctionnalités clés

Traçage de bout en bout — prompt, réponse, latence, coût et nombre de jetons pour chaque appel, avec des spans imbriqués pour suivre les chaînes d'agents.

SDK natifs Python et TypeScript, plus une intégration automatique avec LiteLLM, LangChain, LlamaIndex et Dify.

Gestion des prompts — versionnez vos prompts, testez des variantes en A/B et publiez une mise à jour sans redéployer votre application.

Cadre d'évaluation — notez n'importe quelle trace par juge LLM, par annotation humaine ou par score calculé par un modèle.

Analyse des coûts et des usages — répartition par modèle, par point d'entrée, par utilisateur et par session, pour comparer les fournisseurs sur des chiffres.

Jeux de données et contrôle d'accès par rôles — capturez des traces de production comme jeux de test de référence, et cloisonnez les clés d'API par environnement (développement, préproduction, production).

Quand utiliser cette solution ?

1

Diagnostiquer une régression de qualité

Quand un nouveau modèle ou une nouvelle version de prompt dégrade les réponses, filtrez les traces par score d'évaluation, comparez-les côte à côte avec la version précédente et rejouez l'entrée fautive en un clic. Vous cherchez la cause dans des cas réels plutôt que dans des remontées d'utilisateurs approximatives.

2

Surveiller le coût de l'IA en production

Suivez la consommation de jetons par modèle, par utilisateur et par fonctionnalité, et repérez le point d'entrée qui dépasse votre budget. Le choix de passer d'un modèle coûteux à un modèle plus économique se prend alors sur des mesures, pas sur une intuition.

3

Faire évoluer les prompts sans redéployer

Publiez une nouvelle version de prompt depuis l'interface Langfuse, dirigez-y une part du trafic, collectez les scores d'évaluation et promouvez la version gagnante — sans toucher au code de votre application ni attendre une fenêtre de déploiement.

Déployer Langfuse sur votre VPS

Guide optimisé pour les VPS Cloud ServOrbit.

01

Commander un VPS ServOrbit (4 Go de RAM au minimum)

Langfuse fait tourner six services : l'interface web, un worker en arrière-plan, PostgreSQL 16, ClickHouse 24, Redis 7 et MinIO. 4 Go constituent le minimum praticable et 8 Go sont recommandés pour une charge de production. Prévoyez également du disque : ClickHouse accumule les traces au fil du temps.

02

Pointer un domaine vers le VPS avant le déploiement

Langfuse exige un domaine : son authentification repose sur NextAuth.js, qui a besoin d'un FQDN résolvable publiquement en HTTPS pour poser l'URL de rappel et les cookies de session. Un sous-domaine d'un domaine que vous possédez suffit — créez un enregistrement A vers l'IP du VPS avant de lancer le déploiement.

03

Se connecter la première fois

L'URL ouvre l'écran Langfuse avec un lien « Sign up » : créez votre compte, puis votre organisation et votre premier projet dans l'assistant.

04

Déployer depuis le Marketplace

Sélectionnez Langfuse dans le Marketplace ServOrbit et cliquez sur Déployer. Docker Compose monte les six services automatiquement. L'interface web répond sur votre domaine dès que les contrôles de santé passent : comptez 60 à 90 secondes au premier démarrage, le temps que ClickHouse s'initialise.

05

Créer votre premier projet et récupérer ses clés

Ouvrez votre domaine et créez votre compte — l'inscription est active par défaut. Créez ensuite un projet, puis relevez sa paire de clés publique et secrète depuis la page Settings. Créez une paire distincte par environnement afin de pouvoir révoquer les accès de développement sans toucher à la production.

06

Instrumenter votre application

En Python : pip install langfuse, renseignez LANGFUSE_HOST avec votre domaine ainsi que LANGFUSE_PUBLIC_KEY et LANGFUSE_SECRET_KEY, puis décorez vos appels de modèle avec @observe(). En TypeScript : npm install langfuse, puis initialisez le client avec les mêmes valeurs. Si LiteLLM est déjà dans votre pile, ajoutez success_callback = ["langfuse"] à votre litellm_config.yaml et les appels proxifiés sont tracés sans modifier une ligne applicative. Les premières traces apparaissent dans le tableau de bord en quelques secondes.

Questions fréquentes

Une plateforme open source d'observabilité et de gestion de prompts pour applications LLM. Elle enregistre chaque prompt envoyé à un modèle et chaque réponse reçue, puis vous permet d'en analyser la qualité, le coût, la latence et les régressions — le tout sur une infrastructure que vous contrôlez.

Intégrer le bouton de déploiement

Vous maintenez un projet qui utilise Langfuse ? Ce bouton permet à vos lecteurs de le déployer sur un VPS en un clic, sans lire de documentation Docker.

Markdown

[![Deploy Langfuse on ServOrbit](https://servorbit.com/brand/deploy/button.svg)](https://servorbit.com/vps-cloud?template=langfuse&utm_source=deploy-badge&utm_medium=referral&utm_campaign=langfuse)

HTML

<a href="https://servorbit.com/vps-cloud?template=langfuse&utm_source=deploy-badge&utm_medium=referral&utm_campaign=langfuse"><img src="https://servorbit.com/brand/deploy/button.svg" alt="Deploy Langfuse on ServOrbit" height="40"></a>

Le bouton pointe vers la commande d'un VPS avec le template présélectionné. L'image est servie depuis servorbit.com — rien à héberger de votre côté.

Solutions complémentaires

Intelligence Artificielle

Activez Langfuse sur votre infrastructure.

VPS Cloud dédié — IPv4 incluse, datacenter européen, support inclus. Vos données ne quittent jamais votre serveur.

Configuration recommandée : 4 Go (8 Go recommandé en production) RAM · 2 vCPU