AI 资源库 · 已整理 12 项
查看与OpenTelemetry相关的 AI 资讯、工具、Skill、工作流和开源项目。
Arize-ai/openinference · OpenTelemetry Instrumentation for AI Observability
OpenInference 是 OpenTelemetry 的补充规范和插件集合，用于对 AI 应用进行追踪，可观察 LLM 调用、向量库检索以及搜索引擎、API 等外部工具的使用。它提供与传输方式和文件格式无关的规范，并为多种机器学习 SDK 和框架提供多语言插桩，包括 OpenAI、LangChain、LlamaIndex、Anthropic、MistralAI、Bedrock、VertexAI、CrewAI、Haystack、DSPy、MCP 等。它原生支持 Arize Phoenix 和 Arize AX，也可接入任何兼容 OpenTelemetry 的后端。
企业用 AI 时常发现：模型、框架、服务商一换，监控数据就对不上，排查故障和比成本都得重新做一遍。文章主张用 OpenTelemetry 的 GenAI 规范统一记录 AI 调用、延迟、错误、花费和工具调用等行为，让不同系统的数据能直接比较。这样企业不必为每个集成单独建数据模型，切换供应商的成本更低，也更容易判断"每次任务成功花多少钱"，而不只是看 token 单价。文章还提到 Splunk 的 Agent Observability 基于 OpenTelemetry 和 AGNTCY 标准做厂商中立的智能体监控，以及开源工具 Observability Studio 可在开发阶段检查本地遥测是否符合规范。这些是文章介绍的做法与工具，原文未说明各自的正式发布时间或可用范围。
MasayukiYamagishi/kokochi-ui-agent-readability-lab · OpenTelemetryを使って、HTML構造の違いによるLLMのUI解釈を観測・評価する実験基盤
该项目是一个实验基座，用于在可复现条件下观察和评估 LLM 如何解读 Web UI 的 HTML 结构；它包含 semantic-first 与 presentation-first 的 Fixture 对比、基于 Ollama 的 LLM 推理、用 control-group-membership F1 评价，以及通过 OpenTelemetry 采集 trace、metrics、logs 并配合 Grafana 进行观测。公开版提供实验定义、代码与复现材料，不包含正式实验的原始 LLM 响应和执行结果。
Dynatrace 在9月发布了一批更新。以前，看数据库语句只能知道它执行了什么，却不知道是谁触发的；排查问题还得在不同页面之间来回切换，容易丢失分析上下文。这次新增了“服务回溯”功能，能从数据库查询直接看到上游调用链、负载分布和报错情况；分布式追踪可以在侧边浮层看瀑布图，原来的图表和筛选保持不变。QuickStart 把自动配置和手动安装放在一起，还能从问题直接打开 AI 助手 Dynatrace Assist，并用 dtwiz 自动配置 OpenTelemetry 主机监控。支持的主机现在也能和 OneAgent 监控的主机一起出现在基础设施与运营的 Compute 菜单中。这些功能已发布，具体入口和版本要求原文未详细说明。
BN-KR/Tracify · Tracify is an AI observability platform that helps developers monitor, debug, and optimize AI agents in production. Trace every decision, tool call, failure, retry, latency spike, and cost in one clear view.
Tracify 是一个面向 AI Agent 的可观测性与故障防护平台，通过捕获 Agent 运行、LLM 生成、工具调用、成本、评测与失败信息，帮助团队理解发生了什么、定位并修复问题、验证修复效果并防止同类故障复发。它提供 TypeScript 与 Python SDK（包名 tracify-sdk），支持嵌套运行、自定义 span、重试与错误追踪，并配套数据集与评测器、Prompt 版本管理与部署标签、成本与运行时策略（SDK 失败开放）、区域端点与公开健康状态页面。架构上以 SDK/OTLP 接入 Next.js 摄取，经 Tinybird 存储高吞吐遥测数据、Convex 保存项目元数据与工作流状态，并输出到仪表盘。
Cloudflare 把 Traces 功能开放公测，让原本只覆盖 Workers 的自动追踪扩展到安全规则、转换、缓存、路由和回源处理，全部生成标准 OpenTelemetry 追踪片段。它兼容 W3C traceparent 头，还能通过 Trace Rules 只对指定流量采样，减少无用数据。12 月 1 日起计费改为按写入量和保存时长收费。对用户来说，调试请求链路更完整，成本也按实际用量计算。
这是 Spring 社区每周汇总，本期汇总了 9 月 24 日发布的一大批新版本：Spring Boot 4.2.0 M2、Spring AI 2.1.0 M1、Spring Security 7.2.0-M2、Spring Cloud 2026.0.0-M1、Spring Batch 6.1.0-M2 等。其中 Spring Boot 4.2.0 M2 新增了 LDAP 的 SSL 支持（含嵌入式 LDAP 的 LDAPS），并加入了 OpenTelemetry 语义约定及 OTLP 端点、请求头和压缩配置支持。本期还推荐了 Spring AI 负责人写的如何结合 Spring AI 与 TypeSafe.AI 的“Jev”模型（一种很便宜的模型）的文章、关于面向 Agent 工作流优化数据的播客，以及关于升级 Spring Boot 4 的分享。这些都是开发中的预览版（M1/M2），不是正式版，普通用户暂时不需要急着更新。
这是 Road to KubeCon 系列报道，追踪 KubeCon + CloudNativeCon NA 2026（11 月 9–12 日，盐湖城）前 Kubernetes 与云原生生态的主要动态。本周聚焦可观测性：一份 2026 年调查显示，OpenTelemetry（OTel）与 Prometheus 的互操作性进步明显，平均易用性评分从 3.1 升至 3.6，认为两者难以共用的比例从 29% 降到 10%，但数据模型对齐、资源属性和元数据处理、命名与格式问题仍待解决。Atlassian 把约 10 万台主机、横跨 14 个区域的指标采集从自研 StatsD 实现迁移到 OTel，对外接口不变，聚合 CPU 减半、边车成本约降 30%；New Relic 调查发现 73% 的受访者在标准化、迁移或测试 OTel，83% 认为可观测性对 AI 生成代码必不可少。另外 HPE GreenLake 连续第二年被评为 Gartner 基础设施平台消费服务魔力象限领导者。对读者来说，这些进展意味着可观测性工具链正在走向统一，但迁移成本和跨项目互操作仍是现实挑战。
Spring Boot 团队发布了 4.2.0-M2 版本，这是一个面向开发者的早期预览版（M2 表示第二个里程碑版本），现已可以从 Maven Central 下载。这个版本总共包含 141 项改进，涵盖功能增强、文档更新、依赖升级和错误修复。两个比较显眼的新能力是：LDAP 现在支持 SSL 安全连接（包括内置 LDAP 服务器的 LDAPS），以及加入了 OpenTelemetry 语义约定和常用 OTLP 端点、请求头、压缩等配置的支持。作为里程碑版本，它还不是最终稳定版，想提前体验或帮忙测试的开发者可以按发布说明升级，普通项目建议等正式版。
api-evangelist/langwatch · LangWatch — independent third-party profile of a public API surface, by API Evangelist. LangWatch is an open-source LLM observability, evaluation, and AI agent testing platform. Built around OpenTelemetry-native tracing, LangWatch lets teams instrument LLM applications (LangChain, LangGraph, DSPy, OpenAI Agents, LiteLLM, Pydantic AI, CrewAI, AWS Be
LangWatch 是一个开源的 LLM 可观测性、评估与 AI Agent 测试平台，以 OpenTelemetry 原生 tracing 为核心，可对 LangChain、LangGraph、DSPy、OpenAI Agents、LiteLLM、Pydantic AI、CrewAI、AWS Bedrock 等 LLM 应用进行埋点观测。平台支持实时与批量的评估运行、prompt 版本管理与部署、基于剧本场景与 Judge Agent 的多轮 Agent 对话模拟、带标注的数据集管理，以及通过带预算和语义缓存的虚拟密钥 AI Gateway 治理模型流量。它提供 app.langwatch.ai 的 REST API、Python 与 TypeScript SDK 和 MCP server，发布配套的 scenario Agent 测试框架与 better-agents 标准，核心以 Apache-2.0 授权（ee/ 企业模块为商业许可），可部署为 LangWatch Cloud 或通过 Docker Compose、Helm、Kind 或完整 Kubernetes 自托管。
teddy6320/databuff · Monitor system performance with this AI-native OpenTelemetry application performance management platform.
databuff 是一个 AI 原生的 OpenTelemetry 应用性能管理（APM）平台，用于监控系统性能。据仓库简介，它结合 AI 与多智能体能力，涉及链路追踪（tracing）与根因分析（root-cause-analysis），仓库主题包含 ai、ai-agent、multi-agent、opentelemetry、apm、tracing、root-cause-analysis、database、api 等。README 仅一行标题，未提供更多安装、使用方法与限制说明。
comet-ml/opik · Debug, evaluate, and monitor your LLM applications, RAG systems, and agentic workflows with comprehensive tracing, automated evaluations, and production-ready dashboards.
Opik 是由 Comet 开发、Apache-2.0 许可的开源 LLM 可观测性与评测平台，覆盖 LLM 应用全生命周期：支持 LLM 调用与多步 Agent 追踪、对话记录、工具调用链路追踪；提供数据集、实验与 LLM-as-a-judge 指标（如幻觉检测、内容审核、RAG 评估）；包含 Prompt 管理与 Prompt Playground、Opik Agent Optimizer 提示词/Agent 优化、Opik Guardrails 安全实践、PyTest 集成的 CI/CD 评测，以及面向生产的监控仪表盘与在线评测规则。平台为框架无关，支持自带 SDK、OpenTelemetry 以及多种第三方框架集成，官方称设计上可承载每日 4000 万条以上 trace。仓库包含服务端、Web 应用、追踪、数据集、实验、评测、Prompt 管理、在线评测与 Agent 优化组件，可自托管，数据不离开自有环境。