تبدأ 23 نوفمبرالدفعة المباشرة 3 من Vibe Coding ووكلاء الذكاء الاصطناعي: 3 أسابيع و9 جلسات حيةالدفعة 3 (23.11) →
إصدارتحليل · على الرادارLangChain Blog→ المصدر

LangSmith يضيف دعمًا شاملًا لـ OpenTelemetry لأدوات LangChain وLangGraph

منصة LangSmith، المخصصة لمراقبة تطبيقات LLM، تدعم الآن OpenTelemetry (OTel) بالكامل. يرى المطورون استدعاءات النماذج اللغوية وبقية الخدمات في تتبّع واحد عبر الأدوات المعتادة: Datadog وGrafana وHoneycomb. يشمل الدعم سلاسل LangChain والوكلاء الرسوميين في LangGraph على حد سواء.

معالج بواسطة الذكاء الاصطناعي من LangChain Blog؛ بتحرير Hamidun News
LangSmith يضيف دعمًا شاملًا لـ OpenTelemetry لأدوات LangChain وLangGraph
المصدر: LangChain Blog. كولاج: Hamidun News.
استمع للمقال
بطاقة الحقائق والأرقام
المعيارالتفاصيل
المصدر الأصليLangChain Blog ↗
رئيس التحرير
استقبال التتبعاتيستقبل LangSmith البيانات عبر مجمّع OTel القياسي (collector) دون حزم SDK مخصصة أو محوّلات خاصة
تصدير البياناتيمكن إرسال استدعاءات LLM وتتبعات الوكلاء إلى أي خلفية متوافقة مع OTel — Datadog وGrafana Tempo وHoneycomb وJaeger
السياق الشاملترتبط التتبعات الموزعة عبر حدود الخدمات، من طلب HTTP الوارد من المستخدم إلى ردّ النموذج اللغوي والعودة

أعلنت LangSmith، المنصة التي طورها فريق LangChain لتصحيح أخطاء تطبيقات LLM ومراقبتها، دعمها الكامل لـ OpenTelemetry. بات بإمكان المطورين الآن ربط تتبّع مكوّنات الذكاء الاصطناعي بمنظومة المراقبة الموحدة إلى جانب بقية خدمات التطبيق، دون الاضطرار إلى تشغيل أداتَي مراقبة معزولتين بالتوازي.

لماذا تحتاج خدمات الذكاء الاصطناعي إلى OTel

OpenTelemetry (OTel) معيار مفتوح من CNCF لجمع التتبعات الموزعة والمقاييس والسجلات. وتدعمه تقريبًا جميع منصات المراقبة الكبرى: Datadog وGrafana وHoneycomb وJaeger وAWS X-Ray وNew Relic. وفي أنظمة الإنتاج (production) أصبح OTel إلزاميًا عمليًا: فهو يتيح تتبّع مسار طلب المستخدم عبر عشرات الخدمات المصغّرة وقواعد البيانات وواجهات API الخارجية ضمن سياق زمني واحد.

حتى الآن، كانت مكوّنات الذكاء الاصطناعي تعيش في فقاعة منفصلة. فقد كان LangSmith يخزّن تتبعات استدعاءات LLM بصيغة احتكارية، بينما تعمل بقية بنية الفريق التحتية على خلفية OTel. وفي كل حادثة في بيئة الإنتاج، كان على المهندسين التنقل بين نظامين ومطابقة الطوابع الزمنية وسياق الاستدعاءات يدويًا. أدى ذلك إلى إبطاء التشخيص وخلق نقاط عمياء في المراقبة.

ما الذي تغيّر في LangSmith

يعمل الدعم الجديد لـ OTel في الاتجاهين، ويغطي منظومة LangChain بأكملها:

  • استقبال التتبعات: يستقبل LangSmith البيانات عبر مجمّع OTel القياسي (collector) دون حزم SDK مخصصة أو محوّلات خاصة
  • تصدير البيانات: يمكن إرسال استدعاءات LLM وتتبعات الوكلاء إلى أي خلفية متوافقة مع OTel — Datadog وGrafana Tempo وHoneycomb وJaeger
  • السياق الشامل: ترتبط التتبعات الموزعة عبر حدود الخدمات، من طلب HTTP الوارد من المستخدم إلى ردّ النموذج اللغوي والعودة
  • دعم LangGraph: إضافة إلى سلاسل LangChain الخطية، يشمل تتبّع OTel الوكلاء الرسوميين المعقدين في LangGraph، بما فيها الحلقات والخطوات المتوازية والتفرعات الشرطية

التغيير الأهم للمهندسين: لم تعد هناك حاجة إلى حزمة LangChain SDK منفصلة لتزويد جزء الذكاء الاصطناعي بأدوات القياس. فوكيل OTel القياسي المضبوط أصلًا للخلفية البرمجية يبدأ تلقائيًا بجمع البيانات من LangSmith أيضًا.

ماذا تكسب الفرق في بيئة الإنتاج

تخيّل حادثة نموذجية: يشتكي مستخدم من أن ردّ روبوت المحادثة يصل بعد 10–15 ثانية. في السابق كان المهندس يفتح LangSmith ويدرس تتبّع استدعاء النموذج اللغوي، ثم ينتقل إلى Datadog لفحص التأخيرات في الشبكة وقوائم الانتظار وقاعدة البيانات، ثم يجمع الصورة بنفسه يدويًا. أما الآن فيظهر مسار الطلب بأكمله — من الواجهة الأمامية عبر بوابة API والمنسّق (orchestrator) وصولًا إلى استدعاء LLM والمعالجة النهائية للردّ — في تتبّع واحد متصل بدقة تصل إلى أجزاء من الثانية.

بالنسبة إلى الفرق التي تنقل نماذجها الأولية إلى أحمال الإنتاج، يعني ذلك أن ممارسات OTel القياسية — التنبيه على زمن التأخير عند p95/p99 ومقاييس SLO وميزانيات الأخطاء (error budgets) — أصبحت قابلة للتطبيق على مكوّنات الذكاء الاصطناعي دون إعدادات إضافية.

«المراقبة الشاملة ليست مجرد ميزة مريحة، بل شرط إلزامي لأي نظام ذكاء اصطناعي في بيئة الإنتاج يخدم مستخدمين حقيقيين تحت أحمال حقيقية.»

بالنسبة إلى عملاء المؤسسات، الأمر بالغ الأهمية بوجه خاص، لأن أقسام تقنية المعلومات في الشركات استثمرت أصلًا في بنية OTel التحتية ولديها متطلبات صارمة للتوحيد القياسي. وأي أداة جديدة تتطلب لوحة متابعة معزولة خاصة بها تمثّل دائمًا عقبة إضافية أمام الموافقة على اعتمادها. ويزيل LangSmith هذه العقبة.

ماذا يعني ذلك

يتجه LangSmith نحو توحيد معايير مراقبة الذكاء الاصطناعي. فبدلًا من النهج الاحتكاري القائم على «كل شيء داخل واجهتنا فقط»، يعتمد معيارًا مفتوحًا يندمج بسلاسة في أدوات الفريق القائمة. وهذا يجعل مراقبة أنظمة الذكاء الاصطناعي جزءًا من عملية الهندسة المعتادة، لا تخصصًا مستقلًا بصومعة بيانات خاصة به.

وعلى مستوى السوق عمومًا، هي خطوة أخرى نحو النظر إلى البنية التحتية للذكاء الاصطناعي بوصفها جزءًا اعتياديًا من منظومة الإنتاج، لا إضافة غريبة عنها.

القصة

أسئلة وأجوبة حول الخبر

ما أبرز التفاصيل حول لماذا تحتاج خدمات الذكاء الاصطناعي إلى OTel؟

OpenTelemetry (OTel) معيار مفتوح من CNCF لجمع التتبعات الموزعة والمقاييس والسجلات. وتدعمه تقريبًا جميع منصات المراقبة الكبرى: Datadog وGrafana وHoneycomb وJaeger وAWS X-Ray وNew Relic. وفي أنظمة الإنتاج (production) أصبح OTel إلزاميًا عمليًا: فهو يتيح تتبّع مسار طلب المستخدم عبر عشرات الخدمات المصغّرة وقواعد البيانات وواجهات API الخارجية ضمن سياق زمني واحد. حتى الآن، كانت مكوّنات الذكاء الاصطناعي تعيش في فقاعة منفصلة.

ما أبرز التفاصيل حول ما الذي تغيّر في LangSmith؟

يعمل الدعم الجديد لـ OTel في الاتجاهين، ويغطي منظومة LangChain بأكملها: استقبال التتبعات: يستقبل LangSmith البيانات عبر مجمّع OTel القياسي (collector) دون حزم SDK مخصصة أو محوّلات خاصة تصدير البيانات: يمكن إرسال استدعاءات LLM وتتبعات الوكلاء إلى أي خلفية متوافقة مع OTel — Datadog وGrafana Tempo وHoneycomb وJaeger السياق الشامل: ترتبط التتبعات الموزعة عبر حدود الخدمات، من طلب HTTP الوارد من المستخدم إلى ردّ النموذج اللغوي والعودة دعم LangGraph: إضافة إلى سلاسل LangChain الخطية، يشمل تتبّع OTel…

ما أبرز التفاصيل حول ماذا تكسب الفرق في بيئة الإنتاج؟

تخيّل حادثة نموذجية: يشتكي مستخدم من أن ردّ روبوت المحادثة يصل بعد 10–15 ثانية. في السابق كان المهندس يفتح LangSmith ويدرس تتبّع استدعاء النموذج اللغوي، ثم ينتقل إلى Datadog لفحص التأخيرات في الشبكة وقوائم الانتظار وقاعدة البيانات، ثم يجمع الصورة بنفسه يدويًا. أما الآن فيظهر مسار الطلب بأكمله — من الواجهة الأمامية عبر بوابة API والمنسّق (orchestrator) وصولًا إلى استدعاء LLM والمعالجة النهائية للردّ — في تتبّع واحد متصل بدقة تصل إلى أجزاء من الثانية.

ZK
جمال حميدون — مدير المنتجات في Alpina Digital ومدير منتج AlpinaGPT. يبني منتجات الذكاء الاصطناعي منذ 2019. بدأ Hamidun News كمشروع شخصي ثم أصبح مُجمِّعًا إنتاجيًا بأكثر من 6000 قارئ.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
ما رأيك؟
جارٍ تحميل التعليقات…