首页/AI 系统可观测与 SRE/phoenix-tracing
P

phoenix-tracing

by @githubv
4.3(4)

使用 OpenTelemetry 为 LLM 应用添加可观测性，自动追踪 traces、spans 和指标

tracingobservabilityllmopentelemetryphoenixGitHub
安装方式
npx skills add https://github.com/github/awesome-copilot --skill phoenix-tracing
compare_arrows

Before / After 效果对比

1 组
使用前

在没有 `phoenix-tracing` 的情况下，为 LLM 应用添加可观测性通常需要大量手动工作。开发者需要自行编写代码来记录每次 LLM API 调用（如 OpenAI 或 LangChain）的详细信息，包括请求、响应、使用的模型、输入/输出令牌数量以及预估成本。对于多步骤的 LLM 工作流（如 RAG 链），需要手动关联不同阶段的日志，才能理解整个流程的执行路径和性能瓶颈。这导致调试复杂、问题定位耗时，且难以获得统一、标准化的追踪视图，尤其是在生产环境中。

使用后

通过集成 `phoenix-tracing`，LLM 应用的可观测性得到了显著提升。它能自动对 OpenAI、LangChain 等主流框架进行追踪，无需手动修改代码即可捕获 LLM API 调用和多步骤工作流（如 `span-llm` 和 `span-chain`）。系统会自动记录关键属性，如模型名称、令牌使用量、消息内容和成本。这使得开发者能够轻松地查看完整的端到端追踪，快速识别性能瓶颈、调试错误，并分析 LLM 交互的效率和成本，从而大幅简化了 LLM 应用的开发、部署和维护。

SKILL.md

phoenix-tracing

Phoenix Tracing

Comprehensive guide for instrumenting LLM applications with OpenInference tracing in Phoenix. Contains reference files covering setup, instrumentation, span types, and production deployment.

When to Apply

Reference these guidelines when:

  • Setting up Phoenix tracing (Python or TypeScript)

  • Creating custom spans for LLM operations

  • Adding attributes following OpenInference conventions

  • Deploying tracing to production

  • Querying and analyzing trace data

Reference Categories

Priority Category Description Prefix

1 Setup Installation and configuration setup-*

2 Instrumentation Auto and manual tracing instrumentation-*

3 Span Types 9 span kinds with attributes span-*

4 Organization Projects and sessions projects-*, sessions-*

5 Enrichment Custom metadata metadata-*

6 Production Batch processing, masking production-*

7 Feedback Annotations and evaluation annotations-*

Quick Reference

1. Setup (START HERE)

2. Instrumentation

3. Span Types (with full attribute schemas)

4. Organization

5. Enrichment

6. Production (CRITICAL)

7. Feedback

Reference Files

Common Workflows

  • Quick Start: setup-{lang} → instrumentation-auto-{lang} → Check Phoenix

  • Custom Spans: setup-{lang} → instrumentation-manual-{lang} → span-{type}

  • Session Tracking: sessions-{lang} for conversation grouping patterns

  • Production: production-{lang} for batching, masking, and deployment

How to Use This Skill

Navigation Patterns:

# By category prefix
references/setup-*              # Installation and configuration
references/instrumentation-*    # Auto and manual tracing
references/span-*               # Span type specifications
references/sessions-*           # Session tracking
references/production-*         # Production deployment
references/fundamentals-*       # Core concepts
references/attributes-*         # Attribute specifications

# By language
references/*-python.md          # Python implementations
references/*-typescript.md      # TypeScript implementations

Reading Order:

  • Start with setup-{lang} for your language

  • Choose instrumentation-auto-{lang} OR instrumentation-manual-{lang}

  • Reference span-{type} files as needed for specific operations

  • See fundamentals-* files for attribute specifications

References

Phoenix Documentation:

Python API Documentation:

TypeScript API Documentation:

  • TypeScript Packages - @arizeai/phoenix-otel, @arizeai/phoenix-client, and other TypeScript packages

Weekly Installs522Repositorygithub/awesome-copilotGitHub Stars29.6KFirst Seen12 days agoSecurity AuditsGen Agent Trust HubPassSocketPassSnykPassInstalled onopencode479codex477gemini-cli476github-copilot476kimi-cli473deepagents473

用户评价 (0)

发表评价

效果
易用性
文档
兼容性

暂无评价

统计数据

安装量1.0K
评分4.3 / 5.0
版本
更新日期2026年10月7日
对比案例1 组

用户评分

4.3(4)
5
50%
4
50%
3
0%
2
0%
1
0%

为此 Skill 评分

0.0

兼容平台

🔧Claude Code

时间线

创建2026年4月15日
最后更新2026年10月7日
🎁 Agent 知识卡片
调研问卷