Title: AI Native Observability 赛道：Langfuse、Phoenix、Helicone 与 Sazabi | BestBlogs.dev
URL Source: https://www.bestblogs.dev/article/737ccb8a?amp%3Butm_medium=feed&%3Butm_campaign=resources&%3Bentry=rss_article_item
Published Time: 2026-07-03 19:00:00
Markdown Content: 82
This article introduces four representative products in the AI Native Observability track (Langfuse, Helicone, Arize Phoenix, Sazabi), compares their differences in positioning, technical approach, and core capabilities, and points out that this track is evolving from traditional monitoring to AI software engineering infrastructure. N Notebookekee
Today 1379 words (about 6 min) View Source →
Sign in to highlight text and take notes as you read. Sign in now
ChatGPT 2026-07-03 19:00 北京
随着 AI Agent 和 AI Coding Assistant 从实验阶段逐步进入生产环境，传统 Observability 正在演变为新的 AI Native Observability 赛道。
传统可观测性平台主要关注应用运行状态，通过日志、指标和链路追踪帮助工程师定位系统故障；而 AI Native Observability 则进一步关注 AI 应用和 Agent 的整个执行过程，包括 Prompt、模型调用、Tool Use、推理链路、运行上下文以及生产环境影响，其目标不仅是记录系统发生了什么，更重要的是理解 AI 为什么做出某个决策，以及该决策对业务产生了什么影响。
目前这一赛道已经形成了几种不同的发展方向。
!Image 3: Langfuse observability trace detail view showing nested observations with latency and cost
Langfuse 是最具代表性的开源 LLM Observability 平台之一，其核心定位是 Agent Runtime Observability，通过 SDK 和 OpenTelemetry 对 OpenAI、Anthropic、LangGraph、LlamaIndex 等框架进行埋点，记录 Prompt、Token 消耗、模型响应、Tool Call、Trace、Evaluation 以及 Prompt Management 等信息，非常适合开发阶段的调试和性能分析。
由于与 LangGraph 等 Agent Framework 集成较深，因此能够完整还原 Agent 的执行路径和推理过程。
Helicone 则采用另一种思路，通过 Proxy 代理模型请求，在不修改业务代码的情况下统一记录模型调用、延迟、Token 消耗、成本和错误信息，更适合快速接入 OpenAI、Anthropic 等模型服务。
它的优势是部署简单、侵入性低，但由于主要工作在模型调用层，因此能够获取的上下文相对有限，对于复杂 Agent 的内部状态和决策过程支持较弱。
Arize Phoenix 则更加偏向 AI Evaluation 与 AI Engineering。
除了提供基于 OpenTelemetry 和 OpenInference 的 Trace 能力外，还提供 Prompt Playground、Datasets、Experiments、LLM-as-a-Judge、RAG Evaluation 等能力，帮助团队持续评估模型效果、定位质量退化，并通过实验驱动 Prompt 和模型优化。
Phoenix 不仅关注运行过程，更关注 AI 应用的质量评估和持续迭代。
Sazabi 代表了 AI Native Observability 的另一种发展方向。
其定位并非传统意义上的监控平台，而是面向 AI Agent 的生产环境上下文平台。传统可观测性产品如 Datadog、Grafana 或 Elastic，主要负责采集日志、指标和链路追踪，并通过 Dashboard 帮助工程师分析系统状态；
而 Sazabi 认为，在 AI Coding Agent 日益普及的背景下，未来的主要“用户”将不再只是人类工程师，而是 Claude Code、Cursor、Codex 等智能开发助手。这些 Agent 并不会主动浏览 Dashboard，而是需要能够直接理解和消费的结构化运行上下文。
基于这一理念，Sazabi 并不试图替代企业现有的可观测性基础设施，而是作为一层智能分析能力部署在现有技术栈之上。平台通过 OpenTelemetry 以及日志、指标和链路追踪接口，接入企业已有的 Datadog、Grafana、Prometheus、Elastic、CloudWatch 等监控数据，同时关联 GitHub、CI/CD、Kubernetes、部署记录、告警系统等软件工程数据，对来自不同来源的信息进行统一关联分析。
当系统发生异常时，平台不仅能够识别错误日志或性能波动，还能够自动关联最近的代码提交、配置变更、部署事件以及历史故障，生成结构化的根因分析、影响范围评估和修复建议，从原始 Telemetry 中提炼出 AI 可以直接理解和利用的 Context。
与 Langfuse 等面向 Agent Runtime 的产品不同，Sazabi 的关注重点是为 Agent 提供生产环境的实时上下文。
例如，Claude Code 可以通过 MCP 或 API 查询服务运行状态、日志、历史 Incident、部署信息和相关代码变更，并将这些信息作为推理依据生成修复方案，而无需人工切换多个监控平台进行排查。
这种模式使 Sazabi 更像是连接 AI Agent 与生产环境之间的“上下文引擎”，负责理解生产系统发生了什么，并以标准化、机器可消费的方式提供给 AI Agent，最终形成“AI 编码—部署上线—运行监测—智能诊断—自动修复”的闭环，为 AI Software Engineering 提供关键的基础设施能力。
总体来看，AI Native Observability 正在从单纯的日志和监控平台，逐渐演变为 AI Software Engineering 的基础设施。
未来的主流产品很可能同时融合 Runtime Trace、Evaluation、Production Context 和自动修复能力，不仅服务于人类开发者，也将成为 AI Agent 理解生产环境、执行自主决策的重要数据基础。
Key Quotes
> Traditional observability platforms primarily focus on application runtime status, helping engineers locate system failures through logs, metrics, and traces; AI Native Observability, on the other hand, further focuses on the entire execution process of AI applications and Agents, including Prompts, model calls, Tool Use, reasoning chains, runtime context, and production environment impacts. Its goal is not only to record what happened in the system, but more importantly, to understand why AI made a certain decision and what impact that decision had on the business.
> Sazabi represents another development direction for AI Native Observability.
Tags
AI Observability
LLM
AI Agent
Model Evaluation
AI Engineering
Related Articles
* From Toy to Productivity: Demystifying AI Agent Harness Engineering Through Real Projects * OpenClaw and Hermes: A Comprehensive Review of AI Agent Architecture from Source Code * Reflections on the Paradigm Shift in AI Software Engineering * Harness Is Not the Goal, Knowledge Is the Moat — Knowledge Accumulation Practices of an AI Engineering Delivery Team * Investing 10,000 RMB in AI: A Year of Tools, Practices, and Reflections * AI R&D Automation: Wiki Knowledge Base + Skill Pack * RAG is Dead? No, Grep is Back! * Redefining Skill Development: A Step-by-Step Guide & One-Stop Development Assistant Launch * Understanding Hermes in One Article: How the New Top-Tier Agent Self-Evolves from Experience * From Requirements to Deployment: A Comprehensive Leap in R&D Efficiency with Full AI Automation to L3 (full automation), along with core challenges, specific practices, and quantified benefits.")