Langfuse Agent 技能解析grill-me 设计压力测试机制的原理与工程实践【免费下载链接】langfuse Open source AI engineering platform: LLM evals, observability, metrics, prompt management, playground, datasets. Integrates with OpenTelemetry, LangChain, OpenAI SDK, LiteLLM, and more. YC W23项目地址: https://gitcode.com/GitHub_Trending/la/langfusegrill-me 是 Langfuse 开源仓库中内置的一套 Agent 技能Skill核心作用是在方案设计阶段对计划进行穷尽式追问通过逐个分支遍历设计决策树、逐个解决决策间依赖直到人与 Agent 达成共识。本文以 .agents/skills/grill-me/SKILL.md 为骨架逐条拆解其指令原文背后的方法论并结合 Langfuse 的 Agent 技能体系.agents/README.md、skills-lock.json说明其集成方式与可复用的工程实践。读完本文你将掌握grill me式设计评审的完整机制并能在自己的 Agent 工作流中复刻这套追问协议。一、grill-me 是什么一份追问式设计评审的 Agent 技能定义在 Langfuse 仓库中.agents/skills/目录下存放着大量共享、跨工具中立的 Agent 工作流技能grill-me 正是其中之一。它的完整定义位于 .agents/skills/grill-me/SKILL.md全文采用 Agent 技能的标准格式YAML frontmatter元数据 Markdown 正文指令内容。frontmatter 部分定义了技能的元信息--- name: grill-me description: Interview the user relentlessly about a plan or design until reaching shared understanding, resolving each branch of the decision tree. Use when user wants to stress-test a plan, get grilled on their design, or mentions grill me. ---name技能唯一标识grill-me也是被 skills-lock.json 锁定的技能名。description声明了技能的适用场景——对用户的一个计划或设计进行穷尽式追问直到达成共享理解逐一解析决策树的每个分支。同时明确列出触发方式当用户想要压力测试stress-test某个方案、想让自己的设计被拷问get grilled on their design、或者口头提到 grill me 时Agent 应自动启用该技能。这符合 Agent 技能设计中由描述驱动路由的原则模型依据 description 判断何时加载该技能。也就是说grill-me 不是代码库中的某个功能模块而是一份面向 Agent 的交互协议——它规定了 Agent 在评审设计这一场景下应该如何提问、如何组织问题、如何收敛结论。二、技能原文完整指令与逐条拆解正文是这份技能的灵魂全部内容仅三段却定义了完整的追问协议Interview me relentlessly about every aspect of this plan until we reach a shared understanding. Walk down each branch of the design tree, resolving dependencies between decisions one-by-one. For each question, provide your recommended answer.Ask the questions one at a time.If a question can be answered by exploring the codebase, explore the codebase using subagents instead.逐条拆解如下指令原文核心要求对应机制Interview me relentlessly about every aspect of this plan对方案的每一个方面穷尽式追问全面性completeness不放过任何未检视的角落until we reach a shared understanding以达成共享理解为终止条件收敛性convergence追问有明确的结束判据而非无限发散Walk down each branch of the design tree沿设计决策树的每个分支向下走结构化遍历把设计拆成树状决策节点resolving dependencies between decisions one-by-one逐个解决决策之间的依赖关系拓扑有序先解决的决策为后续决策提供前提For each question, provide your recommended answer每个问题都要给出 Agent 自己的推荐答案立场先行Agent 不做只提问的空转对话器Ask the questions one at a time一次只问一个问题节奏控制保持上下文聚焦、便于用户逐一作答If a question can be answered by exploring the codebase, explore the codebase using subagents instead能用代码库回答的问题交给子代理去查工具委托减少主上下文的噪音占用这三段指令共同构成了一个完整的设计压力测试循环遍历 → 提问 → 给答案 → 收敛循环往复直至共识达成。三、六个核心机制的设计意图剖析3.1 穷尽式追问以共享理解为终点的完备性策略Interview relentlessly aboutevery aspectof this plan 要求 Agent 主动、持续地追问而不是被动等待用户补充。这里的every aspect意味着目标与验收标准是否明确方案边界与不做的事non-goals是否划定技术选型、数据结构、接口契约、迁移路径是否完整失败模式、回滚方案、观测手段是否考虑。而终止条件 until we reach ashared understanding 是防止relentlessly演变成无限发问的关键——追问不是目的共识才是。每一次问答都在压缩双方认知差当决策树全部分支被走完、依赖关系全部解析完毕对话即自然结束。3.2 决策树模型把模糊设计转化为可枚举的决策节点Walk down each branch of the design tree 是这套方法论最核心的抽象。它将一个模糊的方案显式建模为一棵决策树每个节点是一个需要拍板的决策decision每个分支是该决策的一种选项或一个待澄清的子问题遍历意味着逐节点深入不跳过、不跳跃。例如在 Langfuse 的日常开发语境中参考 .agents/AGENTS.md 对工作方式的描述一个功能设计可能衍生出数据模型怎么改是否涉及 ClickHouse 迁移模板队列载荷 schema 是否需要更新前端展示走哪个入口每个问题都是一棵子树的根。决策树抽象的价值在于它把评审一个方案变成了遍历一棵树这种可执行、可检查、可复盘的确定性流程而不是凭感觉地随机提问。3.3 依赖关系逐个解析保证决策顺序的拓扑正确性resolving dependencies between decisionsone-by-one 强调决策之间不是孤立的而是存在依赖序后一个决策往往以前一个决策为前提。比如是否复用现有表结构会直接决定是否需要写迁移脚本后者又决定是否需要更新 Fern API 契约。逐个解析one-by-one意味着先识别出当前决策的所有前置依赖按依赖顺序提问绝不越级问需要先回答 A 才能回答的 B每解决一个依赖就消除设计树上的一处不确定性为下一分支提供确定的输入。这本质上是对设计空间做拓扑排序可以避免最常见的评审失败模式在未确认前提的情况下讨论细节导致结论反复推翻。3.4 每个问题附带推荐答案Agent 立场先行的关键设计For each question, provide yourrecommended answer 是 grill-me 最容易被忽略却最实用的机制。它要求 Agent 在提问时必须同时给出自己的建议解而非只抛问题。其工程价值在于降低用户回答成本用户面对我推荐 X因为……你认可吗远比面对开放问题容易回应暴露 Agent 的理解推荐答案即 Agent 对现状理解的具象化用户可以通过纠正推荐答案来高效传递设计意图加速收敛带立场的问题天然形成提出假设 → 用户确认/否决的快速循环与 3.1 的收敛目标直接呼应对齐 Langfuse 的 Agent 行为准则.agents/AGENTS.md 明确要求 AgentPropose the implementation主动提出实现方案offer a route through it rather than waiting to be told the design。grill-me 的推荐答案机制正是这一准则在评审场景下的具体落地。3.5 一次只问一个问题节奏与上下文管理Ask the questionsone at a time 看似简单实则是为保持对话质量而设的硬约束避免信息过载一次性抛出十几个问题会让用户疲于应付回答质量急剧下降保持单线程推理Agent 在提出下一问之前能先消化上一问的答案动态调整决策树的遍历方向便于 Agent 维护状态一次一问让决策树已遍历到哪个分支、还有哪些依赖未解析这类状态可被持续追踪而不至于在并行问题中丢失。这一约束也与其他技能的原则一脉相承——.agents/skills/skill-creator/SKILL.md 强调技能应保持精炼concise、采用渐进式披露progressive disclosure一次一个问题正是渐进式披露在交互节奏上的体现。3.6 代码库探索委托给子代理上下文卫生与效率If a question can be answered by exploring the codebase, explore the codebase usingsubagentsinstead. 这是 grill-me 与 Langfuse Agent 工作流深度耦合的一环。它规定凡是能从代码库得到答案的问题Agent 不要在主对话里亲自做长篇代码检索而是派子代理去查。这与 .agents/AGENTS.md 中Delegate exploratory or noisy work — broad code search, multi-file investigation, log or test-output trawls — to a subagent so the intermediate tool output stays out of the main context将广泛代码搜索、多文件调研等探索性工作委托给子代理使中间工具输出不进入主上下文的指导完全一致。其收益是双重的主上下文纯净评审对话保持高度聚焦用户的注意力始终在决策而非检索日志上问题质量提升子代理带回的是经过验证的事实如该表结构已在packages/shared/prisma/schema.prisma中定义Agent 基于事实提出的推荐答案更可靠。从源码结构看Langfuse 的 Agent 体系见 .agents/README.md以.agents/为仓库中立的事实来源技能经pnpm run agents:sync投影到.claude/skills/等各工具发现目录子代理机制正是这套体系中控制上下文的标配手段。四、grill-me 在 Langfuse 技能体系中的位置与工程事实4.1 技能来源与完整性锁定skills-lock.json 记录了 grill-me 的供应链信息grill-me: { source: marksalpeter/skills, sourceType: github, skillPath: skills/grill-me/SKILL.md, computedHash: eddf87f160d17e64bbdd3ab72e47b18c44d09e25c7630bf03722e58d09c35ed8 }由此可知grill-me 是从marksalpeter/skills仓库以github方式引入的第三方技能原始路径为skills/grill-me/SKILL.md并通过computedHash做内容完整性校验——这保证了锁定的技能内容与实际加载的内容一致是 Langfuse 对仓库中立、来源可追溯这一 Agent 治理原则的具体落实。4.2 技能在仓库中的使用方式根据 .agents/README.md 的说明共享技能统一存放在.agents/skills/下用于可复用、持久化的指导如后端实现模式、特定维护工作流、仓库专属评审清单而一次性任务笔记、工具运行时配置则不应放入技能。pnpm run agents:sync会把.agents/skills/下的共享技能投影到.claude/skills/等目录使不同 Agent 工具都能发现并使用同一份仓库自有技能。因此grill-me 的实际使用方式是在任何支持该技能体系的 Agent 会话中当讨论到需要拍板的设计决策时直接向 Agent 说 grill me或要求压力测试方案Agent 便会依据 description 自动加载 .agents/skills/grill-me/SKILL.md 中的指令进入逐问题追问模式。它是纯提示词协议不依赖任何运行时依赖克隆仓库即可生效。4.3 与 Langfuse 仓库开发流程的协同场景结合 .agents/AGENTS.md 描述的工作方式grill-me 在 Langfuse 工程实践中的典型协同场景包括需求评审在把一张 Linear ticket 变成实现方案前用 grill-me 把要解决什么问题、验收标准是什么、不做什么逐项敲定架构决策涉及packages/shared数据模型、ClickHouse 迁移模板packages/shared/clickhouse/migrations/或队列契约packages/shared/src/server/queues.ts的改动先让 Agent 用决策树遍历依赖关系再动手与子代理机制配合评审中涉及现有代码是否已支持 X这类问题Agent 会派子代理查阅web/、worker/、ee/等目录下的实际实现用源码事实支撑推荐答案避免基于猜测的评审结论。五、把 grill-me 协议复用到你自己的工程grill-me 的价值不局限于 Langfuse 仓库本身。任何团队都可以在自己的 Agent 配置中复刻这套追问协议建议按以下要点落地明确定义触发条件与终止条件像 frontmatter 的description一样写清楚什么场景启用压力测试、设计评审、口头触发词和何时结束决策树遍历完毕、依赖全部解析、达成共享理解把方案建模成决策树评审开始前先列出决策节点清单与依赖序确保提问按拓扑顺序推进不跳跃、不遗漏强制推荐答案机制在协议中明确每个问题必须附带推荐答案让 Agent 从提问者变成带立场的评审者大幅提升评审效率一次一问 子代理查证保持单线程提问节奏把代码库检索、日志排查等探索性工作委托给子代理主上下文只保留决策信息版本锁定与校验若从外部引入技能参考 skills-lock.json 的做法记录来源并计算哈希确保技能内容可追溯、可复现。结语grill-me 用不足十行的指令定义了设计压力测试这一 Agent 交互场景的完整协议决策树遍历保证全面性依赖逐个解析保证顺序正确性推荐答案保证对话效率一次一问保证节奏可控子代理委托保证上下文纯净。它在 .agents/skills/grill-me/SKILL.md 中的实现以及与 .agents/README.md、.agents/AGENTS.md、skills-lock.json 所构成的技能治理体系为如何在工程仓库中管理 Agent 行为提供了一个小而完整的范例——值得每一个构建 Agent 工作流的团队借鉴。【免费下载链接】langfuse Open source AI engineering platform: LLM evals, observability, metrics, prompt management, playground, datasets. Integrates with OpenTelemetry, LangChain, OpenAI SDK, LiteLLM, and more. YC W23项目地址: https://gitcode.com/GitHub_Trending/la/langfuse创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
Langfuse Agent 技能解析：grill-me 设计压力测试机制的原理与工程实践
Langfuse Agent 技能解析grill-me 设计压力测试机制的原理与工程实践【免费下载链接】langfuse Open source AI engineering platform: LLM evals, observability, metrics, prompt management, playground, datasets. Integrates with OpenTelemetry, LangChain, OpenAI SDK, LiteLLM, and more. YC W23项目地址: https://gitcode.com/GitHub_Trending/la/langfusegrill-me 是 Langfuse 开源仓库中内置的一套 Agent 技能Skill核心作用是在方案设计阶段对计划进行穷尽式追问通过逐个分支遍历设计决策树、逐个解决决策间依赖直到人与 Agent 达成共识。本文以 .agents/skills/grill-me/SKILL.md 为骨架逐条拆解其指令原文背后的方法论并结合 Langfuse 的 Agent 技能体系.agents/README.md、skills-lock.json说明其集成方式与可复用的工程实践。读完本文你将掌握grill me式设计评审的完整机制并能在自己的 Agent 工作流中复刻这套追问协议。一、grill-me 是什么一份追问式设计评审的 Agent 技能定义在 Langfuse 仓库中.agents/skills/目录下存放着大量共享、跨工具中立的 Agent 工作流技能grill-me 正是其中之一。它的完整定义位于 .agents/skills/grill-me/SKILL.md全文采用 Agent 技能的标准格式YAML frontmatter元数据 Markdown 正文指令内容。frontmatter 部分定义了技能的元信息--- name: grill-me description: Interview the user relentlessly about a plan or design until reaching shared understanding, resolving each branch of the decision tree. Use when user wants to stress-test a plan, get grilled on their design, or mentions grill me. ---name技能唯一标识grill-me也是被 skills-lock.json 锁定的技能名。description声明了技能的适用场景——对用户的一个计划或设计进行穷尽式追问直到达成共享理解逐一解析决策树的每个分支。同时明确列出触发方式当用户想要压力测试stress-test某个方案、想让自己的设计被拷问get grilled on their design、或者口头提到 grill me 时Agent 应自动启用该技能。这符合 Agent 技能设计中由描述驱动路由的原则模型依据 description 判断何时加载该技能。也就是说grill-me 不是代码库中的某个功能模块而是一份面向 Agent 的交互协议——它规定了 Agent 在评审设计这一场景下应该如何提问、如何组织问题、如何收敛结论。二、技能原文完整指令与逐条拆解正文是这份技能的灵魂全部内容仅三段却定义了完整的追问协议Interview me relentlessly about every aspect of this plan until we reach a shared understanding. Walk down each branch of the design tree, resolving dependencies between decisions one-by-one. For each question, provide your recommended answer.Ask the questions one at a time.If a question can be answered by exploring the codebase, explore the codebase using subagents instead.逐条拆解如下指令原文核心要求对应机制Interview me relentlessly about every aspect of this plan对方案的每一个方面穷尽式追问全面性completeness不放过任何未检视的角落until we reach a shared understanding以达成共享理解为终止条件收敛性convergence追问有明确的结束判据而非无限发散Walk down each branch of the design tree沿设计决策树的每个分支向下走结构化遍历把设计拆成树状决策节点resolving dependencies between decisions one-by-one逐个解决决策之间的依赖关系拓扑有序先解决的决策为后续决策提供前提For each question, provide your recommended answer每个问题都要给出 Agent 自己的推荐答案立场先行Agent 不做只提问的空转对话器Ask the questions one at a time一次只问一个问题节奏控制保持上下文聚焦、便于用户逐一作答If a question can be answered by exploring the codebase, explore the codebase using subagents instead能用代码库回答的问题交给子代理去查工具委托减少主上下文的噪音占用这三段指令共同构成了一个完整的设计压力测试循环遍历 → 提问 → 给答案 → 收敛循环往复直至共识达成。三、六个核心机制的设计意图剖析3.1 穷尽式追问以共享理解为终点的完备性策略Interview relentlessly aboutevery aspectof this plan 要求 Agent 主动、持续地追问而不是被动等待用户补充。这里的every aspect意味着目标与验收标准是否明确方案边界与不做的事non-goals是否划定技术选型、数据结构、接口契约、迁移路径是否完整失败模式、回滚方案、观测手段是否考虑。而终止条件 until we reach ashared understanding 是防止relentlessly演变成无限发问的关键——追问不是目的共识才是。每一次问答都在压缩双方认知差当决策树全部分支被走完、依赖关系全部解析完毕对话即自然结束。3.2 决策树模型把模糊设计转化为可枚举的决策节点Walk down each branch of the design tree 是这套方法论最核心的抽象。它将一个模糊的方案显式建模为一棵决策树每个节点是一个需要拍板的决策decision每个分支是该决策的一种选项或一个待澄清的子问题遍历意味着逐节点深入不跳过、不跳跃。例如在 Langfuse 的日常开发语境中参考 .agents/AGENTS.md 对工作方式的描述一个功能设计可能衍生出数据模型怎么改是否涉及 ClickHouse 迁移模板队列载荷 schema 是否需要更新前端展示走哪个入口每个问题都是一棵子树的根。决策树抽象的价值在于它把评审一个方案变成了遍历一棵树这种可执行、可检查、可复盘的确定性流程而不是凭感觉地随机提问。3.3 依赖关系逐个解析保证决策顺序的拓扑正确性resolving dependencies between decisionsone-by-one 强调决策之间不是孤立的而是存在依赖序后一个决策往往以前一个决策为前提。比如是否复用现有表结构会直接决定是否需要写迁移脚本后者又决定是否需要更新 Fern API 契约。逐个解析one-by-one意味着先识别出当前决策的所有前置依赖按依赖顺序提问绝不越级问需要先回答 A 才能回答的 B每解决一个依赖就消除设计树上的一处不确定性为下一分支提供确定的输入。这本质上是对设计空间做拓扑排序可以避免最常见的评审失败模式在未确认前提的情况下讨论细节导致结论反复推翻。3.4 每个问题附带推荐答案Agent 立场先行的关键设计For each question, provide yourrecommended answer 是 grill-me 最容易被忽略却最实用的机制。它要求 Agent 在提问时必须同时给出自己的建议解而非只抛问题。其工程价值在于降低用户回答成本用户面对我推荐 X因为……你认可吗远比面对开放问题容易回应暴露 Agent 的理解推荐答案即 Agent 对现状理解的具象化用户可以通过纠正推荐答案来高效传递设计意图加速收敛带立场的问题天然形成提出假设 → 用户确认/否决的快速循环与 3.1 的收敛目标直接呼应对齐 Langfuse 的 Agent 行为准则.agents/AGENTS.md 明确要求 AgentPropose the implementation主动提出实现方案offer a route through it rather than waiting to be told the design。grill-me 的推荐答案机制正是这一准则在评审场景下的具体落地。3.5 一次只问一个问题节奏与上下文管理Ask the questionsone at a time 看似简单实则是为保持对话质量而设的硬约束避免信息过载一次性抛出十几个问题会让用户疲于应付回答质量急剧下降保持单线程推理Agent 在提出下一问之前能先消化上一问的答案动态调整决策树的遍历方向便于 Agent 维护状态一次一问让决策树已遍历到哪个分支、还有哪些依赖未解析这类状态可被持续追踪而不至于在并行问题中丢失。这一约束也与其他技能的原则一脉相承——.agents/skills/skill-creator/SKILL.md 强调技能应保持精炼concise、采用渐进式披露progressive disclosure一次一个问题正是渐进式披露在交互节奏上的体现。3.6 代码库探索委托给子代理上下文卫生与效率If a question can be answered by exploring the codebase, explore the codebase usingsubagentsinstead. 这是 grill-me 与 Langfuse Agent 工作流深度耦合的一环。它规定凡是能从代码库得到答案的问题Agent 不要在主对话里亲自做长篇代码检索而是派子代理去查。这与 .agents/AGENTS.md 中Delegate exploratory or noisy work — broad code search, multi-file investigation, log or test-output trawls — to a subagent so the intermediate tool output stays out of the main context将广泛代码搜索、多文件调研等探索性工作委托给子代理使中间工具输出不进入主上下文的指导完全一致。其收益是双重的主上下文纯净评审对话保持高度聚焦用户的注意力始终在决策而非检索日志上问题质量提升子代理带回的是经过验证的事实如该表结构已在packages/shared/prisma/schema.prisma中定义Agent 基于事实提出的推荐答案更可靠。从源码结构看Langfuse 的 Agent 体系见 .agents/README.md以.agents/为仓库中立的事实来源技能经pnpm run agents:sync投影到.claude/skills/等各工具发现目录子代理机制正是这套体系中控制上下文的标配手段。四、grill-me 在 Langfuse 技能体系中的位置与工程事实4.1 技能来源与完整性锁定skills-lock.json 记录了 grill-me 的供应链信息grill-me: { source: marksalpeter/skills, sourceType: github, skillPath: skills/grill-me/SKILL.md, computedHash: eddf87f160d17e64bbdd3ab72e47b18c44d09e25c7630bf03722e58d09c35ed8 }由此可知grill-me 是从marksalpeter/skills仓库以github方式引入的第三方技能原始路径为skills/grill-me/SKILL.md并通过computedHash做内容完整性校验——这保证了锁定的技能内容与实际加载的内容一致是 Langfuse 对仓库中立、来源可追溯这一 Agent 治理原则的具体落实。4.2 技能在仓库中的使用方式根据 .agents/README.md 的说明共享技能统一存放在.agents/skills/下用于可复用、持久化的指导如后端实现模式、特定维护工作流、仓库专属评审清单而一次性任务笔记、工具运行时配置则不应放入技能。pnpm run agents:sync会把.agents/skills/下的共享技能投影到.claude/skills/等目录使不同 Agent 工具都能发现并使用同一份仓库自有技能。因此grill-me 的实际使用方式是在任何支持该技能体系的 Agent 会话中当讨论到需要拍板的设计决策时直接向 Agent 说 grill me或要求压力测试方案Agent 便会依据 description 自动加载 .agents/skills/grill-me/SKILL.md 中的指令进入逐问题追问模式。它是纯提示词协议不依赖任何运行时依赖克隆仓库即可生效。4.3 与 Langfuse 仓库开发流程的协同场景结合 .agents/AGENTS.md 描述的工作方式grill-me 在 Langfuse 工程实践中的典型协同场景包括需求评审在把一张 Linear ticket 变成实现方案前用 grill-me 把要解决什么问题、验收标准是什么、不做什么逐项敲定架构决策涉及packages/shared数据模型、ClickHouse 迁移模板packages/shared/clickhouse/migrations/或队列契约packages/shared/src/server/queues.ts的改动先让 Agent 用决策树遍历依赖关系再动手与子代理机制配合评审中涉及现有代码是否已支持 X这类问题Agent 会派子代理查阅web/、worker/、ee/等目录下的实际实现用源码事实支撑推荐答案避免基于猜测的评审结论。五、把 grill-me 协议复用到你自己的工程grill-me 的价值不局限于 Langfuse 仓库本身。任何团队都可以在自己的 Agent 配置中复刻这套追问协议建议按以下要点落地明确定义触发条件与终止条件像 frontmatter 的description一样写清楚什么场景启用压力测试、设计评审、口头触发词和何时结束决策树遍历完毕、依赖全部解析、达成共享理解把方案建模成决策树评审开始前先列出决策节点清单与依赖序确保提问按拓扑顺序推进不跳跃、不遗漏强制推荐答案机制在协议中明确每个问题必须附带推荐答案让 Agent 从提问者变成带立场的评审者大幅提升评审效率一次一问 子代理查证保持单线程提问节奏把代码库检索、日志排查等探索性工作委托给子代理主上下文只保留决策信息版本锁定与校验若从外部引入技能参考 skills-lock.json 的做法记录来源并计算哈希确保技能内容可追溯、可复现。结语grill-me 用不足十行的指令定义了设计压力测试这一 Agent 交互场景的完整协议决策树遍历保证全面性依赖逐个解析保证顺序正确性推荐答案保证对话效率一次一问保证节奏可控子代理委托保证上下文纯净。它在 .agents/skills/grill-me/SKILL.md 中的实现以及与 .agents/README.md、.agents/AGENTS.md、skills-lock.json 所构成的技能治理体系为如何在工程仓库中管理 Agent 行为提供了一个小而完整的范例——值得每一个构建 Agent 工作流的团队借鉴。【免费下载链接】langfuse Open source AI engineering platform: LLM evals, observability, metrics, prompt management, playground, datasets. Integrates with OpenTelemetry, LangChain, OpenAI SDK, LiteLLM, and more. YC W23项目地址: https://gitcode.com/GitHub_Trending/la/langfuse创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
