Langfuse — это открытая платформа для наблюдаемости LLM-приложений: она показывает, что происходило внутри каждого запроса к модели, сколько это стоило и насколько хорош был ответ. Проект вырос из батча Y Combinator зимой 2023 года, а 16 января 2026-го его купила компания ClickHouse. Ниже разбираем три ключевые возможности платформы, тарифы Langfuse Cloud на 2026 год и вариант с self-hosted развертыванием.
Langfuse — open-source платформа наблюдаемости для LLM с трассировкой, оценкой качества и учетом стоимости запросов. Ядро продукта под MIT-лицензией, бесплатно даже при self-hosted. В январе 2026 года платформу купила ClickHouse. Ниже: как устроена трассировка, зачем нужен eval, актуальные тарифы Cloud и честное сравнение с self-hosted вариантом.
Что такое Langfuse и почему о нем заговорили в январе 2026?
Langfuse — open-source платформа для трассировки, оценки и учета стоимости LLM-запросов, ставшая частью ClickHouse в январе 2026 года при сохранении MIT-лицензии и self-hosted версии.
16 января 2026 года ClickHouse объявила о покупке Langfuse одновременно с закрытием раунда Series D на 400 миллионов долларов, который утроил оценку компании до 15 миллиардов. Langfuse на тот момент вела более 20 тысяч звезд на GitHub и свыше 26 миллионов установок SDK в месяц. Обе стороны публично подтвердили: MIT-лицензия сохраняется, self-hosting остается первоклассным вариантом, дорожная карта не меняется.
Для тех, кто выбирает инструмент вдолгую, это важный сигнал. Langfuse и раньше работала поверх ClickHouse внутри своей архитектуры, так что сделка выглядит логичным продолжением, а не поглощением ради закрытия проекта. Ядро платформы, включая трассировку, промпт-менеджмент, eval, плейграунд и очереди аннотаций, доступно бесплатно даже в self-hosted варианте без ограничений по числу пользователей или трасс.
Максим: «У Нейроскрайба ждали доработку от разработчика неделю-две. У Нейроштата уже была целая команда, и фичи собирали месяцами. Получили — и разочаровались, потому что она к тому моменту была уже не нужна. С трассировкой в проде так не бывает: проблему видно сразу, а не через три месяца после релиза.»
Как работает трассировка в Langfuse?
Трассировка строит дерево вложенных шагов одного запроса: какая модель вызывалась, какие инструменты использовались и в каком порядке, с привязкой к стоимости и задержке каждого шага.
Каждый вызов модели превращается в trace с вложенными span-ами. По одному экрану видно, какие документы попали в контекст, как отработал эмбеддинг и что модель вернула на выходе. К трейсу можно прикрепить ID пользователя, session_id для группировки диалога и произвольные метаданные.
Для Python есть декоратор observe, который оборачивает функцию и автоматически логирует вызов. Для Go, Java и других языков подойдет OpenTelemetry SDK: данные Langfuse построены на семантике OTel, поэтому трассы можно параллельно отправлять и в другие системы мониторинга. Это asynchronous слой, он не добавляет задержки в критический путь приложения. Из готовых интеграций — Langchain, LlamaIndex, LiteLLM, CrewAI, PydanticAI.
Для высоконагруженных проектов доступно сэмплирование и маскирование PII прямо на уровне SDK, а данные можно выгрузить через UI в CSV, через публичный API или массово в S3 и Azure Blob Storage.
Как Langfuse оценивает качество ответов модели?
Eval в Langfuse работает тремя способами: обратная связь от пользователей, LLM-судья на новых трейсах и очередь аннотаций для ручного разбора конкретных ответов.
Оценка качества — это не разовая проверка, а постоянный процесс поверх продакшен-трафика.
- Первый способ: собрать фидбек прямо из приложения через SDK, лайк или дизлайк ответа попадает в трейс.
- Второй способ: настроить LLM-как-судью, который автоматически прогоняет каждый новый трейс или только часть пайплайна, например только блок retrieval для проверки релевантности контекста.
- Третий способ — очередь аннотаций для ручного разбора. Например, можно собрать все трейсы с негативным фидбеком за последние семь дней и выдать их проверяющему в упрощенном интерфейсе: только вход, выход и заранее настроенные метрики для оценки. Результаты eval сразу доступны на дашборде в виде графиков и распределений по времени.
Отдельно стоят датасеты и эксперименты: можно загрузить CSV с примерами input/output, добавить туда крайние случаи прямо из трейсов и запустить несколько версий промпта параллельно на одном датасете, сравнив их по стоимости, задержке и корректности до того, как одна из версий уйдет в прод.
Сколько стоит мониторинг LLM: разбор тарифов Langfuse Cloud?
Hobby-план бесплатный до 50 000 единиц в месяц, Core начинается от 29 долларов, Pro — от 199 долларов с расширенным хранением, Enterprise — от 2499 долларов с SSO и аудит-логами.
Единица в Langfuse — это сумма трасс, наблюдений и оценок за месяц. Тарифная сетка построена так, чтобы небольшой pet-проект вообще не платил, а цена росла постепенно вместе с объемом трафика.
| Тариф | Цена | Лимит | Кому подходит |
|---|---|---|---|
| Hobby | Бесплатно | 50 000 единиц/мес, хранение 30 дней, до 2 пользователей | Пет-проекты, тесты гипотез |
| Core | От $29/мес | 100 000 единиц/мес, доп. 100k — от $8 | Небольшие команды, ранняя стадия продукта |
| Pro | От $199/мес | Расширенное хранение, SOC2 Type 2 / ISO 27001 | Продакшен-нагрузка, growing-команды |
| Enterprise | От $2 499/мес | SSO, RBAC, кастомные SLA | Регулируемые отрасли, крупные компании |
Важная оговорка: тарифы SaaS-продуктов меняются быстрее, чем выходят статьи про них, поэтому перед оплатой стоит свериться с официальной страницей цен Langfuse. Дальнейшая детализация self-hosted развертывания через Docker, Helm и Kubernetes разобрана в отдельном материале цикла.
Self-hosted Langfuse правда не хуже платного тарифа?
Self-hosted версия под MIT-лицензией бесплатна и содержит тот же функционал, что платный Core-тир облака, разница только в расходах на инфраструктуру и время на поддержку сервера.
Здесь и кроется главное отличие Langfuse от большинства конкурентов по observability. Self-hosted не урезанная демоверсия, а полноценный продукт: трассировка, промпт-менеджмент, eval, плейграунд, очереди аннотаций работают без ограничений по числу трасс или пользователей. Разворачивается через Docker Compose буквально за несколько минут, база данных — Postgres как хранилище состояния.
Что придется взять на себя вместо оплаты подписки: настройку резервного копирования, мониторинг самого сервера, обновления версий и, при желании, OAuth через GitHub или Google для входа команды. Для небольшой команды с одним DevOps-специалистом в штате self-hosted почти всегда выгоднее Core-тарифа. Для команды без выделенного инженера по инфраструктуре Cloud избавляет от лишней головной боли за фиксированную ежемесячную сумму. Подробный разбор подключения через MCP к Claude Code и Cursor — тоже отдельная тема цикла.
Langfuse или Langsmith: что выбрать в 2026 году?
Langfuse выигрывает по открытости кода и прозрачности стоимости, Langsmith — по глубине встроенного eval и бесшовной интеграции с Langchain.
Langsmith остается главным конкурентом, особенно у команд, уже завязанных на Langchain и Langgraph. У него есть бесплатный tier на 5 000 трейсов в месяц без подписки и сильные встроенные инструменты оценки из коробки. Но это закрытый managed SaaS: полноценного бесплатного self-hosting нет, а стоимость на больших объемах растет заметнее, чем у Langfuse.
Langfuse выигрывает там, где важны контроль над данными и работа вне экосистемы одного фреймворка: он одинаково хорошо стыкуется с OpenAI SDK, Bedrock, Vertex AI и десятком других провайдеров. Обратная сторона: настройка self-hosted версии требует инженерных навыков, а встроенных инструментов оценки чуть меньше, чем у конкурента из коробки.
| Критерий | Langfuse | Langsmith |
|---|---|---|
| Лицензия | Open-source, MIT | Проприетарная |
| Self-hosted | Полнофункциональный, бесплатный | Только Enterprise, платно |
| Бесплатный tier облака | 50 000 единиц/мес | 5 000 трейсов/мес |
| Сильная сторона | Прозрачность стоимости, гибкость | Глубина eval, интеграция с Langchain |
Кому подходит Langfuse, а кому не подойдет?
Langfuse подходит командам, которые хотят контролировать свою инфраструктуру наблюдаемости или уже работают вне экосистемы Langchain; не подойдет тем, кто хочет готовое решение без единой строчки конфигурации.
Хорошо заходит вайбкодерам и разработчикам, которые выводят AI-продукт в прод и хотят понимать реальную стоимость каждого диалога, а не гадать по счету от OpenAI в конце месяца. Подходит и агентствам, которые ведут несколько клиентских проектов на разных моделях и провайдерах одновременно.
Не самый удачный выбор, если у команды нет ни одного разработчика с опытом Docker и если единственная цель — просто «посмотреть логи» без построения процесса оценки качества. В этом случае проще временно обойтись встроенным логированием провайдера модели, а к Langfuse вернуться, когда трафик и число промптов вырастут настолько, что руками уже не уследить.
FAQ
Что такое LLM observability простыми словами?
Это способ видеть, что происходит внутри вызова к модели: какой промпт ушел, что вернулось, сколько это стоило и заняло по времени. Без этого приходится гадать, почему ответ модели вдруг стал хуже или дороже.
Langfuse бесплатный?
Да, двумя способами: Hobby-тариф в облаке до 50 000 единиц в месяц и self-hosted версия под MIT-лицензией без ограничений по объему. Платить нужно только за расширенные лимиты Cloud или за свою инфраструктуру при self-hosted.
Что изменилось после покупки Langfuse компанией ClickHouse?
Формально ничего для текущих пользователей: продукт, эндпоинты и поддержка остались прежними, MIT-лицензия сохранена. По факту ClickHouse дает больше инженерных ресурсов на производительность и enterprise-функции.
Нужен ли Langchain для использования Langfuse?
Нет. Langfuse работает с любым LLM-провайдером и фреймворком, включая прямые вызовы OpenAI, Bedrock или Vertex AI через SDK или OpenTelemetry, привязки к Langchain нет.
Сколько времени занимает интеграция Langfuse в проект?
SDK встраивается в приложение примерно за 15 минут, базовая настройка промпт-менеджмента занимает около 5 минут, запуск первых eval — от 15 до 30 минут в зависимости от сложности критериев.
Что лучше для маленькой команды: Langfuse или Langsmith?
Если команда уже сидит на Langchain и не хочет держать свою инфраструктуру, Langsmith с бесплатным tier проще запустить. Если важен контроль над данными и хочется избежать привязки к одному фреймворку, self-hosted Langfuse выгоднее в долгую.
Можно ли перенести данные из другой observability-платформы в Langfuse?
Прямого универсального импорта нет, но данные можно логировать параллельно через OpenTelemetry SDK, накапливая историю в Langfuse, пока старая система еще работает, а потом просто переключить трафик.
Глоссарий
- Трассировка (trace) — запись всего пути одного запроса к модели: от входа до финального ответа, с вложенными шагами.
- Span — отдельный шаг внутри трейса, например один вызов модели или один запрос к базе данных.
- Eval — процесс оценки качества ответов модели по заданным критериям, автоматический или ручной.
- Self-hosted — развертывание платформы на собственном сервере вместо облачного сервиса вендора.
- OpenTelemetry — открытый стандарт для сбора данных наблюдаемости, общий для разных языков и платформ.
- LLM-как-судья (LLM-as-a-judge) — использование одной модели для автоматической оценки ответов другой модели.
Собрать похожий стек трассировки и оценки для своего AI-продукта проще, если сверяться с обзорами конкретных инструментов в каталоге AI-инструментов на VibeCoderz. Если нужна помощь с архитектурой продакшен-пайплайна под конкретный проект, можно записаться на консультацию к Максиму.
Обновлено: август 2026.