LangSmith Agregó Soporte End-to-End de OpenTelemetry para LangChain y LangGraph

LangSmith — una plataforma para depuración y monitoreo de aplicaciones LLM del equipo LangChain — ha anunciado soporte completo de OpenTelemetry. Los desarrolladores ahora pueden conectar el rastreo de componentes de IA a una pila de observabilidad unificada junto con el resto de los servicios de la aplicación, sin mantener dos herramientas de monitoreo aisladas en paralelo.

Por qué los servicios de IA necesitan OTel

OpenTelemetry (OTel) es un estándar abierto de CNCF para recopilar trazas distribuidas, métricas y registros. Es compatible con prácticamente todas las plataformas de monitoreo principales: Datadog, Grafana, Honeycomb, Jaeger, AWS X-Ray, New Relic. En sistemas de producción, OTel se ha convertido en un requisito de facto: permite rastrear el camino de una solicitud del usuario a través de docenas de microservicios, bases de datos y API externas en un contexto temporal único.

Hasta ahora, los componentes de IA vivían en una burbuja separada. LangSmith almacenaba las trazas de llamadas LLM en un formato propietario, mientras que el resto del equipo de infraestructura usaba un backend de OTel. Durante cada incidente de producción, los ingenieros tenían que cambiar entre dos sistemas, coincidiendo manualmente con marcas de tiempo y contexto de llamadas. Esto ralentizó el diagnóstico y creó puntos ciegos en la observabilidad.

Qué cambió en LangSmith

El nuevo soporte de OTel funciona bidireccional y cubre toda la pila del ecosistema LangChain:

• Ingesta de trazas: LangSmith acepta datos a través del recolector OTel estándar sin SDK personalizados ni adaptadores especiales
• Exportación de datos: las llamadas LLM y trazas de agentes se pueden enviar a cualquier backend compatible con OTel — Datadog, Grafana Tempo, Honeycomb, Jaeger
• Contexto de extremo a extremo: las trazas distribuidas se vinculan a través de límites de servicio — desde la solicitud HTTP entrante del usuario hasta la respuesta del modelo de lenguaje y de vuelta
• Soporte de LangGraph: además de las cadenas lineales de LangChain, el rastreo de OTel cubre agentes gráficos complejos con ciclos, pasos paralelos y ramas condicionales

Cambio clave para ingenieros: ya no necesita un SDK de LangChain separado para instrumentar la parte de IA. El agente OTel estándar, ya configurado para el backend, automáticamente comienza a recopilar datos de LangSmith.

Qué obtienen los equipos de producción

Imagina un incidente típico: un usuario se queja de que la respuesta de un chatbot tarda 10-15 segundos. Anteriormente, un ingeniero abriría LangSmith, estudiaría la traza de llamada del modelo de lenguaje, luego cambiaría a Datadog para verificar demoras de red, colas y base de datos — y cosería manualmente la imagen. Ahora todo el camino de la solicitud — desde el frontend a través de la puerta de enlace API y orquestador hasta la llamada LLM y el procesamiento de respuesta final — es visible en una sola traza continua con precisión de milisegundos.

Para equipos que mueven prototipos a carga de producción, esto significa que las prácticas estándar de OTel — alertas de latencia p95/p99, métricas de SLO, presupuestos de errores — ahora son aplicables a componentes de IA sin configuración adicional.

"La observabilidad de extremo a extremo no es solo conveniencia, es un

requisito obligatorio para cualquier sistema de IA de producción que sirva a usuarios reales bajo carga real."

Para clientes empresariales, es particularmente importante que los departamentos de TI corporativos ya hayan invertido en infraestructura de OTel y tengan requisitos estrictos de estandarización. Una nueva herramienta que requiere su propio dashboard aislado siempre es una barrera adicional para el acuerdo de adopción. LangSmith elimina esta barrera.

Lo que esto significa

LangSmith se está moviendo hacia la estandarización de la observabilidad de IA. En lugar de un enfoque propietario de "todo solo en nuestra UI" — un estándar abierto que se ajusta orgánicamente a las herramientas existentes del equipo. Esto hace que el monitoreo de sistemas de IA sea parte del proceso de ingeniería normal, no una disciplina separada con su propio silo de datos. Para el mercado en general — otro paso hacia que la infraestructura de IA sea percibida como una parte estándar de la pila de producción, en lugar de una adición exótica.