lmnr

一款让 AI Agent「透明可见」的开源可观测性平台

开篇：调试 Agent 的痛苦，你是否经历过？

你刚部署了一个 AI 客服 Agent，API 返回正常，但客户却不断投诉"答非所问"。日志里只有零散文本，你根本不知道 Agent 内部调用了哪几步推理、每次 LLM 调用的 token 消耗是多少、哪一步出了问题。

这就是 AI Agent 调试的核心困境：Agent 的行为黑箱化——不像传统 API 可以打 log、看 trace，Agent 的内部决策过程对开发者完全不透明。

Laminar 正是为了解决这个痛点而诞生的。它是 YC S24 孵化的开源项目，专为 AI Agent 打造可观测性平台，让开发者能够真正"看见"Agent 在想什么、做什么、消耗了多少资源。

图1：Laminar 项目 Banner

背景：YC S24 孵化，从监控基础设施切入 AI 赛道

Laminar 由 Y Combinator S24 批次孵化，定位是 AI Agent 的 Datadog。与传统 APM 工具不同，Laminar 的核心数据模型围绕 span（跨度） 构建，而非 HTTP 请求或数据库查询。这一设计选择直接来自 Agent 的实际执行模式：一次用户请求会触发多轮 LLM 调用、工具调用和条件分支，每个子步骤都是一个 span。

项目的 GitHub 仓库创建于 2024 年 8 月，不到两年时间已积累近 3000 stars，GitHub Topics 覆盖 agent-observability、llm-observability、evals、evaluation 等多个相关领域，反映出 AI 可观测性这个细分赛道的热度正在快速上升。

核心功能：Tracing、Evals、监控、SQL 查询、Dashboard 五件套

Laminar 提供完整的功能矩阵，覆盖 AI 应用的开发全生命周期：

Tracing（链路追踪） 是 Laminar 的核心。通过 OpenTelemetry 原生 SDK，仅需一行代码即可自动接入 Vercel AI SDK、Browser Use、Stagehand、LangChain、OpenAI、Anthropic、Gemini 等主流框架。追踪数据通过 gRPC 高效导出，支持实时查看和全量回溯。

Evals（评估） 模块提供了非侵入式的 LLM 评估框架。开发者可以用自然语言定义评估标准，在本地或 CI/CD 流水线中运行评估任务，并通过 Web UI 可视化对比不同版本的评估结果。这对于需要持续迭代 Agent 质量的团队尤为重要。

AI Monitoring（信号监控） 允许用自然语言描述业务事件（如"用户要求退款"），系统自动追踪这些事件的出现频率和上下文，帮助发现 Agent 的逻辑漏洞和异常行为模式。

SQL Access 内置 SQL 编辑器，支持对所有追踪数据、指标和事件进行自由查询，查询结果可直接批量导出为评估数据集。DBA 和数据分析师也能直接介入 Agent 质量分析。

Dashboards 提供可视化仪表盘构建能力，支持自定义 SQL 查询，将 Agent 的关键指标以图表形式实时展示。

图2：Laminar 追踪界面截图

技术架构：Rust 后端 + Python 查询引擎 + Next.js 前端

Laminar 的技术选型体现了明确的性能导向：

app-server（Rust） 是整个平台的核心服务。使用 Actix-web 作为 HTTP 框架，集成了 OpenTelemetry 追踪采集、ClickHouse 时序存储、PostgreSQL 关系数据、Redis 缓存池（deadpool 连接池），以及 S3 兼容对象存储。Rust 的高性能保证了即使在高并发追踪数据场景下也能保持低延迟。项目使用 edition = "2024" 表明积极跟进最新 Rust 特性。

query-engine（Python ≥ 3.13） 负责复杂 SQL 查询能力。基于 SQLGlot（带 Rust 解析引擎）实现跨数据源 SQL 方言转换，通过 gRPC 与 app-server 通信。Python 3.13 的激进版本要求说明团队追求最新语言特性带来的性能收益。

frontend（Next.js 15 + TypeScript） 采用 Turbopack 构建加速开发体验，UI 组件库为 shadcn/ui + Tailwind CSS，代码编辑器使用 CodeMirror 6，图表库为 V2 版本。值得关注的是，前端集成了几乎所有主流 AI SDK（@ai-sdk/* 系列），说明其 UI 本身也在探索如何展示 AI 相关内容。

部署体验：docker-compose 一键启动

Laminar 的部署设计非常友好。官方提供多个 docker-compose 配置文件：docker-compose.yml（轻量版，含 postgres + clickhouse + query-engine + frontend）和 docker-compose-full.yml（完整版，额外包含 RabbitMQ 等组件）。

部署步骤极简：git clone && docker compose up -d，访问 http://localhost:5667 即可进入 Web UI。部署难度被评为"简单"，硬件需求仅需 4GB RAM + 10GB 磁盘，无需 GPU，适合大多数开发环境。

局限与争议

Laminar 作为一个新兴项目，仍存在一些值得关注的局限。首先，它对 OpenTelemetry 协议的强依赖意味着非标准追踪格式（如纯文本输出）无法直接接入。其次，ClickHouse 作为主要存储引擎在超大规模数据量下表现优秀，但也带来了额外的运维复杂度。最后，评估模块（Evals）的质量高度依赖自然语言描述的精确性，同一评估目标不同描述方式可能产生差异巨大的结果，这需要团队积累评估 Prompt 的最佳实践。

行业意义：从「AI 应用」到「AI 可观测性」的赛道萌芽

Laminar 的出现折射出一个更大的行业趋势：随着 Agent 应用走向生产环境，"AI Native"的可观测性需求正在爆发。传统 APM 工具（Datadog、New Relic）虽然功能强大，但数据模型设计围绕传统微服务，缺乏对 LLM 调用、Token 消耗、Agent 决策分支等概念的内置支持。Laminar 正是填补这一空白的早期选手之一。

结合 Evals 和 Monitoring 功能，Laminar 实际上在构建一套 Agent 质量保障闭环：追踪发现性能问题 → SQL 查询定位根因 → Evals 评估修复效果 → Dashboard 监控长期趋势。这套闭环对于需要将 Agent 投入生产的企业级用户极具吸引力。