Traceloop — Observabilité LLM OpenTelemetry-first

Quick Start — One-line Init

Traceloop.init() câble OpenTelemetry et auto-instrumente toute bibliothèque supportée qu'il trouve dans le path Python. Les décorateurs @workflow et @task créent des spans explicites — utile pour nommer les étapes comme votre équipe les conçoit, de sorte que les traces se lisent comme des opérations métier et non comme des internes de bibliothèque.

# pip install traceloop-sdk
from traceloop.sdk import Traceloop
from traceloop.sdk.decorators import workflow, task

# Point at whatever OTEL backend you prefer
# (Traceloop Cloud, Jaeger, Grafana Tempo, Datadog, Honeycomb, ...)
Traceloop.init(
    app_name="tokrepo-demo",
    api_endpoint="https://api.traceloop.com",  # or your own OTEL collector URL
    api_key="tl-...",                            # or None for self-hosted
)

# Auto-instruments: OpenAI, Anthropic, LangChain, LlamaIndex, Pinecone, Chroma, ...
from openai import OpenAI
client = OpenAI()

@task(name="answer_question")
def answer(q: str) -> str:
    resp = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{"role": "user", "content": q}],
    )
    return resp.choices[0].message.content

@workflow(name="qa_chain")
def qa_chain(user_q: str) -> str:
    # Nested spans: qa_chain → answer_question → OpenAI LLM call
    return answer(user_q)

print(qa_chain("Why does OpenTelemetry matter for LLMs?"))
# Backend now shows a trace tree with latency/cost/prompt at every level.

Fonctionnalités clés

Comparaison

Cas d'usage

Tarification et licence

Questions fréquentes