ghcr.io/lmnr-ai/frontend:v0.1.31

Laminar

Laminar 是一个专为 AI 智能体构建的开源可观测性平台。

• 追踪。文档 OpenTelemetry 原生的强大追踪 SDK - 仅需 1 行代码即可自动追踪 Vercel AI SDK、Browser Use、Stagehand、、OpenAI、、*** 等。
• OpenTelemetry 原生的强大追踪 SDK - 仅需 1 行代码即可自动追踪 Vercel AI SDK、Browser Use、Stagehand、、OpenAI、、*** 等。
• 评估。文档 无偏见、可扩展的 SDK 和 CLI，用于在本地或 CI/CD 管道中运行评估。用于可视化评估和比较结果的 UI。
• 无偏见、可扩展的 SDK 和 CLI，用于在本地或 CI/CD 管道中运行评估。
• 用于可视化评估和比较结果的 UI。
• AI 监控。文档 使用自然语言描述定义事件，以跟踪智能体的问题、逻辑错误和自定义行为。
• 使用自然语言描述定义事件，以跟踪智能体的问题、逻辑错误和自定义行为。
• 所有数据的 SQL 访问。文档 使用内置 SQL 编辑器查询追踪数据、指标和事件。通过查询批量创建数据集。可通过 API 使用。
• 使用内置 SQL 编辑器查询追踪数据、指标和事件。通过查询批量创建数据集。可通过 API 使用。
• 仪表板。文档 强大的仪表板构建器，支持追踪数据、指标和事件，并支持自定义 SQL 查询。
• 强大的仪表板构建器，支持追踪数据、指标和事件，并支持自定义 SQL 查询。
• 数据标注与数据集。文档 自定义数据渲染 UI，用于快速数据标注和评估数据集创建。
• 自定义数据渲染 UI，用于快速数据标注和评估数据集创建。
• 极高性能。使用 Rust 🦀 编写 用于实时查看追踪数据的自定义实时引擎。对 span 数据的超快速全文搜索。用于追踪数据的 gRPC 导出器。
• 使用 Rust 🦀 编写
• 用于实时查看追踪数据的自定义实时引擎。
• 对 span 数据的超快速全文搜索。
• 用于追踪数据的 gRPC 导出器。

Documentation

查看完整文档：laminar.sh/docs。

Getting started

开始使用的最快最简单方法是使用我们的托管平台 -> laminar.sh

Self-hosting with Docker compose

Laminar 非常易于在本地自托管。如需快速开始，请克隆仓库并使用 docker compose 启动服务：

git clone https://github.com/lmnr-ai/lmnr
cd lmnr
docker compose up -d

这将启动一个轻量级但功能齐全的堆栈版本。适用于快速入门或轻量级使用。你可以在浏览器中通过 http://localhost:5667 访问 UI。

你还需要正确配置 SDK，包括 baseUrl 和正确的端口。请参阅自托管指南。

baseUrl 对于生产环境，我们建议使用我们的托管平台或执行 docker compose -f docker-compose-full.yml up -d。

docker compose -f docker-compose-full.yml up -d

Configuring LLM provider (optional)

前端 AI 功能（chat-with-trace、SQL-with-AI）和服务器端 AI 工作器需要 LLM 提供商。在仓库根目录的 .env 文件中配置一个。

.env 选择以下提供商配置之一。LLM_MODEL_SMALL|MEDIUM|LARGE 是可选的 — 未设置时使用每个提供商的默认值。LLM_DEFAULT_HEADERS_JSON 对于需要静态头的任何提供商或网关是可选的。

LLM_MODEL_SMALL|MEDIUM|LARGE LLM_DEFAULT_HEADERS_JSON

# Optional for any provider/gateway that requires static headers
# LLM_DEFAULT_HEADERS_JSON='{"X-Gateway-Tenant":"tenant"}'

# Option A: Gemini
LLM_PROVIDER=gemini
LLM_API_KEY=your_gemini_key

# Option B: OpenAI (or any OpenAI-compatible gateway such as LiteLLM, OpenRouter, vLLM)
LLM_PROVIDER=openai
# LLM_BASE_URL=http://localhost:4000 # optional, for OpenAI-compatible gateways
LLM_API_KEY=your_openai_key

# Option C: AWS Bedrock (Anthropic Claude). Uses AWS credentials instead of LLM_API_KEY.
LLM_PROVIDER=bedrock
AWS_ACCESS_KEY_ID=...
AWS_SECRET_ACCESS_KEY=...
AWS_REGION=us-east-1

Custom Postgres schema (optional)

默认情况下，Laminar 使用 public 模式。要使用不同的模式（例如，在共享 Postgres 实例中与其他服务一起部署时），请为前端和应用服务器设置相同的值：

public

POSTGRES_SCHEMA=laminar
# Set to false if the schema is pre-provisioned or the DB role lacks CREATE.
# POSTGRES_CREATE_SCHEMA=true

该模式将作为连接的 search_path 应用，因此所有表、外键和迁移都以它为目标。当设置非 public 模式时，前端还会在该模式内跟踪迁移（ .__drizzle_migrations），而不是共享的 drizzle 模式。请注意，在同一数据库中与另一个 Drizzle 管理的服务一起运行 Laminar 可能仍需要手动干预，因为 Drizzle 的迁移日志是按模式版本化的。

search_path .__drizzle_migrations drizzle

Anonymous usage telemetry

自托管部署会收集***使用遥测数据。要选择退出，请在 .env 中设置 LAMINAR_TELEMETRY_DISABLED=true。

LAMINAR_TELEMETRY_DISABLED=true .env

Contributing

要在本地运行和构建 Laminar，或了解更多关于 docker compose 文件的信息，请遵循《贡献指南》中的说明。

TS quickstart

首先，创建一个项目并生成项目 API 密钥。然后，

npm add @lmnr-ai/lmnr

这将安装 Laminar TypeScript SDK 和所有 instrumentation 包（OpenAI、、 等）

要开始追踪 LLM 调用，只需添加

import { Laminar } from '@lmnr-ai/lmnr';
Laminar.initialize({ projectApiKey: process.env.LMNR_PROJECT_API_KEY });

要追踪函数的输入/输出，请使用 observe 包装器。

observe

import { OpenAI } from 'openai';
import { observe } from '@lmnr-ai/lmnr';

const client = new OpenAI({ apiKey: process.env.OPENAI_API_KEY });

const poemWriter = observe({name: 'poemWriter'}, async (topic) => {
const response = await client.chat.completions.create({
model: "gpt-4o-mini",
messages: [{ role: "user", content: `write a poem about ${topic}` }],
});
return response.choices[0].message.content;
});

await poemWriter();

Python quickstart

首先，创建一个项目并生成项目 API 密钥。然后，

pip install --upgrade 'lmnr[all]'

这将安装 Laminar Python SDK 和所有 instrumentation 包。查看所有工具列表

要开始追踪 LLM 调用，只需添加

from lmnr import Laminar
Laminar.initialize(project_api_key=" ")

要追踪函数的输入/输出，请使用 @observe() 装饰器。

@observe()

import os
from openai import OpenAI

from lmnr import observe, Laminar
Laminar.initialize(project_api_key=" ")

client = OpenAI(api_key=os.environ["OPENAI_API_KEY"])

@observe() # annotate all functions you want to trace
def poem_writer(topic):
response = client.chat.completions.create(
model="gpt-4o",
messages=[
{"role": "user", "content": f"write a poem about {topic}"},
],
)
poem = response.choices[0].message.content
return poem

客户端库

要了解更多关于代码插桩的信息，请查看我们的客户端库：