Суть
Контролируемый workflow требует наблюдаемости: видеть, какой узел сработал, что было в state, почему маршрутизатор выбрал ветку. LangGraph отдаёт эти данные во внешние инструменты трейсинга и в собственный визуальный отладчик.
Как работает
- LangGraph Studio — UI для пошаговой отладки графа (визуализация узлов/рёбер, состояние на каждом шаге).
- LangFuse — открытый трейсинг, разворачивается в своей инфраструктуре (важно, когда данные нельзя отдавать наружу).
- LangSmith — облачная платформа трейсинга/оценки от LangChain. Детальное сравнение с Langfuse (лицензия, self-hosting, экспорт, аудитория) — в LangSmith vs Langfuse.
- Arize Phoenix — открытый OpenTelemetry-native вариант: самый быстрый путь к рабочему просмотру трейсов (
pip installплюсregister()) и наиболее полная библиотека готовых LLM-as-judge оценщиков (см. LLM as Judge, OpenInference). - Выбор платформы перестал быть выбором инструментовки (сверено 2026-08). Семантические соглашения OpenTelemetry GenAI поддерживают все три платформы, поэтому инструментировать код можно один раз, а платформу менять потом. Раньше это был решающий аргумент лок-ина, сейчас — нет. Практический ориентир: managed LangGraph — LangSmith; нужен self-host и контроль над трейсами — Langfuse; нужен локальный или CI-цикл оценки — Phoenix.
- На практике связка «трейс шагов + LangGraph Time Travel» закрывает воспроизводимость и отладку; трейс — это ещё и поле
traceв самом state (журнал «размышлений» агента, удобно для обучения и контроля).
Связано с
- Agent Evals — наблюдаемость → метрики и оценка качества агента
- LangGraph Time Travel — трейсинг + replay/fork = полный цикл отладки
- LangGraph — «наблюдаемость» как метрика контролируемого workflow