已验证70% 置信事实时间未知
LangSmith提供Trace追踪能力，记录每一次LLM调用的输入输出、延迟和Token消耗
4
来源数
70%
置信度
中期 (~90 天)
时效性
2026/7/2
首次发现
有效期至：2026/9/30
来源
LangGraph进阶实战：智能体优化、评估与云端部署全攻略
bilibili李宏毅AIAgent
相关事实
待验证LangSmith、LangFuse、Arize Phoenix等LLM追踪工具能捕获每次推理的Prompt/Completion对、工具调用链路和Token消耗76% 相似待验证ml-pipes 内建的追踪数据可以被导出到Jaeger、Zipkin、Grafana Tempo等主流追踪后端进行可视化和分析67% 相似待验证Helicone、LangSmith等LLM可观测性平台专门用于追踪、分析和优化大模型API调用行为66% 相似待验证LangSmith、Langfuse、Weights & Biases Weave等工具提供结构化轨迹存储，每条轨迹包含Span树状结构，记录输入、输出、延迟、Token消耗和元数据64% 相似待验证OpenTelemetry正在成为LLM可观测性领域的追踪标准，通过Span和Trace的层次结构记录完整调用链63% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/55166API
curl https://kongchang.com/api/v1/knowledge/claims/55166MCP
get_claim(id=55166)