LangSmith добавил сквозную поддержку OpenTelemetry для LangChain и LangGraph

LangSmith — платформа для отладки и мониторинга LLM-приложений от команды LangChain — объявила о полной поддержке OpenTelemetry. Теперь разработчики могут подключить трассировку AI-компонентов к единому стеку наблюдаемости вместе с остальными сервисами приложения, не поддерживая два изолированных инструмента мониторинга параллельно.

Зачем AI-сервисам нужен OTel

OpenTelemetry (OTel) — открытый стандарт CNCF для сбора распределённых трасс, метрик и логов. Его поддерживают практически все крупные платформы мониторинга: Datadog, Grafana, Honeycomb, Jaeger, AWS X-Ray, New Relic. В production-системах OTel стал де-факто обязательным: он позволяет проследить путь запроса пользователя через десятки микросервисов, баз данных и внешних API в едином временно́м контексте. До этого момента AI-компоненты жили в отдельном пузыре. LangSmith хранил трейсы LLM-вызовов в проприетарном формате, а остальная инфраструктура команды — в OTel-бэкенде. При каждом production-инциденте инженерам приходилось переключаться между двумя системами, вручную сопоставляя временны́е метки и контекст вызовов. Это замедляло диагностику и создавало слепые зоны в наблюдаемости.

Что изменилось в

LangSmith Новая поддержка OTel работает в обоих направлениях и охватывает весь стек LangChain-экосистемы: Приём трасс: LangSmith принимает данные через стандартный OTel-коллектор без кастомных SDK или специальных адаптеров Экспорт данных: вызовы LLM и трейсы агентов можно отправлять в любой OTel-совместимый бэкенд — Datadog, Grafana Tempo, Honeycomb, Jaeger Сквозной контекст: распределённые трейсы связываются через сервисные границы — от входящего HTTP-запроса пользователя до ответа языковой модели и обратно Поддержка LangGraph: помимо линейных цепочек LangChain, OTel-трассировка охватывает и сложные графовые агенты LangGraph — с циклами, параллельными шагами и условными ветвлениями Ключевое изменение для инженеров: больше не нужен отдельный LangChain SDK для инструментирования AI-части. Стандартный OTel-агент, уже настроенный для бэкенда, начинает автоматически собирать данные и от LangSmith.

Что получают команды в production

Представьте типичный инцидент: пользователь жалуется, что ответ чат-бота приходит через 10–15 секунд. Раньше инженер открывал LangSmith, изучал трейс вызова языковой модели, затем переходил в Datadog, чтобы проверить задержки в сети, очередях и базе данных — и вручную склеивал картину. Теперь весь путь запроса — от фронтенда через API-шлюз и оркестратор до вызова LLM и финальной обработки ответа — виден в одном непрерывном трейсе с миллисекундной точностью. Для команд, которые переводят прототипы в production-нагрузку, это означает, что стандартные OTel-практики — алертинг на p95/p99 задержку, SLO-метрики, error budgets — теперь применимы к AI-компонентам без дополнительной конфигурации.

«Сквозная наблюдаемость — это не просто удобство, это обязательное требование для любой production AI-системы, которая обслуживает реальных пользователей при реальной нагрузке.»

Для enterprise-клиентов особенно важно то, что корпоративные IT-отделы уже инвестировали в OTel-инфраструктуру и имеют жёсткие требования к стандартизации. Новый инструмент, который требует собственного изолированного дашборда, — всегда дополнительный барьер для согласования внедрения. LangSmith устраняет этот барьер.

Что это значит LangSmith движется к стандартизации AI-наблюдаемости.

Вместо проприетарного подхода «всё только в нашем UI» — открытый стандарт, который органично встраивается в существующий инструментарий команды. Это делает мониторинг AI-систем частью обычного engineering-процесса, а не отдельной дисциплиной с собственным силосом данных. Для рынка в целом — ещё один шаг к тому, чтобы AI-инфраструктура воспринималась как стандартная часть production-стека, а не экзотическое дополнение.