LLM application 與 AI agent 的問題，通常不只是在服務是否存活。當模型輸出品質下降、latency 變高或成本突然增加時，團隊需要知道每一次 request 經過了哪些步驟、使用了什麼模型與 prompt，以及最後產生了什麼結果。傳統的 logging 與 metrics 往往不足以回答這些問題。

本次分享將介紹 LLM observability 的基本概念，並以 Langfuse 為例，示範如何建立 tracing、觀察 model call 與 agent workflow，從 traces 中分析品質、延遲與成本，逐步建立可供開發與維運使用的 feedback loop。

1. 為什麼 LLM application 需要新的 observability

2. Trace、span、generation 與 metadata

3. 使用 Langfuse 收集與查看 LLM traces

4. 從 tracing 分析 latency、token usage 與成本

5. 觀察 prompt、model output 與 agent workflow

6. Observability 的限制：如何走向 evaluation 與 decision system

聽眾收穫：

你將能理解 LLM tracing 與傳統服務 observability 的差異，使用 Langfuse 追蹤模型呼叫與 agent workflow，並從 traces 取得品質、延遲與成本分析所需的資料，為後續 evaluation 與 regression 建立基礎。