AI 应用可观测性指对 LLM 应用运行状态进行追踪、监控与分析的技术体系：全链路追踪、成本监控与 Prompt 管理，帮助团队调试与优化 AI 应用，代表如 LangFuse 等。
AI Glossary
AI 应用可观测性指对 LLM 应用运行状态进行追踪、监控与分析的技术体系：全链路追踪、成本监控与 Prompt 管理，帮助团队调试与优化 AI 应用。它把「AI 应用的运行」变成可观测、可优化。
全链路追踪：LLM 调用的链路观测。
成本监控：token 成本的管理。
Prompt 管理：提示词版本管理。
性能分析：延迟与质量分析。
LangFuse：开源 LLM 可观测平台。
各类 LLM 观测服务。
应用调试：AI 应用的问题定位。
成本控制：token 成本的优化。
Prompt 迭代：提示词的版本管理。
质量优化：应用效果的提升。
一是「问题定位」：链路追踪快速定位问题。
二是「成本透明」：成本数据的清晰管理。
三是「优化依据」：数据驱动的应用优化。
一是「接入成本」：SDK 接入与配置。
二是「数据规模」：高流量下的观测开销。
三是「标准」：观测标准仍在演进。
四是「隐私」：数据观测的合规。
早期接入：应用上线即接入观测。
指标先行：先定义关键观测指标。
数据驱动：基于数据优化应用。
成本意识：持续监控 token 成本。
AI 应用可观测性让 LLM 应用运行透明化：追踪、成本与 Prompt 管理，调试优化有据可依。理解它的价值（定位与优化）与成本（接入与开销），才能用好：关键应用优先接入，用数据驱动迭代。对 AI 工程团队，可观测性是应用质量的基石，正确姿势是「接入优先、指标驱动」。
