项目预览
项目数据
项目介绍
Star 增长趋势
本站每日记录该项目 GitHub 星标变化,观测越久曲线越完整
数据来源:GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 23256
使用教程
环境要求
- Python 环境并可使用 pip(README 使用 pip install opik)
- 可选:使用 uv 作为包管理器(uv pip install opik)
- 自托管本地服务器需 Docker Compose,支持 Linux 或 Mac 环境
- 使用 Comet.com 托管版需准备 API Key 与 workspace
- 生产级自托管需 Kubernetes 集群与 Helm 图表
安装与启动步骤
-
1安装 Python SDK
用 pip 直接安装 Opik 的 Python SDK,这是接入平台的最快方式。
pip install opik -
2或用 uv 安装
如果你使用 uv 管理依赖,可改用 uv 安装同一个包,效果一致,二选一即可。
uv pip install opik -
3运行配置命令
执行后按提示输入 Opik 服务器地址(自托管),或输入 API Key 与 workspace(Comet.com)。
opik configure -
4代码中配置本地模式
不想交互式配置时,可在 Python 代码里直接让 SDK 指向本地自托管实例。
import opik opik.configure(use_local=True) -
5用 @track 记录调用
给函数加上 @track 装饰器,每次调用都会写入 Opik,嵌套调用同样会被记录。
from opik import track @track def my_function(input: str) -> str: return input -
6启动自托管服务器
本地开发或测试时用 Docker Compose 启动 Opik 服务器,Linux/Mac 下执行仓库提供的安装脚本。
./opik.sh -
7Kubernetes 部署
生产或大规模自托管场景改用 Helm 图表部署,具体步骤见官方 Kubernetes 安装指南。
关键配置
| 配置项 | 必填 | 说明 | 示例 |
|---|---|---|---|
use_local | 否 | 让 SDK 使用本地自托管 Opik 实例而非 Comet.com | True |
如何确认成功
调用被 @track 装饰的函数后,在 Opik 界面或自托管服务器中能看到对应的 trace 记录。
常见问题
Q:没有 Comet.com 账号可以使用吗?
A:可以。选择自托管,用 opik configure 填入本地服务器地址,或在代码中调用 opik.configure(use_local=True)。
Q:@track 只能追踪单次 LLM 调用吗?
A:不是。README 说明包括嵌套调用也会被记录,因此适用于完整智能体与流水线的追踪。
Q:支持 TypeScript 吗?
A:README 提到提供 TypeScript SDK,具体方式请参考官方 Quickstart 指南中的其他安装选项。
Q:生产环境怎么自托管?
A:使用 Kubernetes 与 Helm 图表部署,参见官方 Kubernetes 安装指南;本地测试用 Docker Compose 脚本即可。
注意事项
- Apache-2.0 许可,完整平台可免费自托管。
- README 中的自托管脚本仅说明适用于 Linux 或 Mac 环境。
- Comet.com 托管方式需要 API Key 与 workspace 信息。
核心亮点
- 提供完整的 LLM 调用追踪,包含输入输出、延迟和成本,调试效率高
- 内置自动化评估框架,支持自定义指标和数据集,减少人工评测成本
- 生产级仪表盘实时监控,快速发现异常和性能瓶颈
不足之处
- 文档/社区待观察
- 高级功能(如复杂评估场景)可能需要一定学习成本
适用场景
- 开发阶段调试 LLM 应用,定位 prompt 或模型输出问题
- 上线前对 RAG 系统或智能体进行批量评估和回归测试
- 生产环境监控 LLM 调用的质量、成本和异常,支持持续优化
替代项目
Langfuse、LangSmith、Phoenix (Arize)
上一篇:promptfoo
下一篇:giskard-oss
同类项目推荐
Omni-SafetyBench
开源
给音视频大模型做安全体检,发现隐藏风险
[ACM MM 2026] Code for paper "Omni-SafetyBench: A Benchmark for Safety Evaluation of···
agentdojo
开源
搭建 LLM 智能体攻防演练场,量化安全风险
A Dynamic Environment to Evaluate Attacks and Defenses for LLM Agents.
VBench
开源
给视频生成模型打分,16个维度看清谁强谁弱
[CVPR2024 Highlight] VBench - We Evaluate Video Generation
safelabs-eval
开源
给 AI 智能体做红队体检,上线前先找出被越狱和注入的漏洞
Red-teaming and evaluation framework for AI agents, built around an OWASP-inspired A···
Awesome-MLLM-Uncertainty
开源
一页看尽多模态模型不确定性研究,快速定位关键论文
✨A curated list of papers on the uncertainty in multi-modal large language model (M···
PromptMe
开源
10 个动手挑战,亲手打穿 LLM 安全漏洞
PromptMe is an educational project that showcases security vulnerabilities in large ···
Tracely-ai
开源
把线上 agent 失败轨迹变成 CI 回归测试,退化就拦 PR
Trace-native CI/CD for AI agents: grade production traces, cluster failures, freeze ···
presidio
开源
一键检测并脱敏文本/图片中的敏感信息,守护数据隐私合规。
An open-source framework for detecting, redacting, masking, and anonymizing sensitiv···
watchtower
开源
用 LLM 编排本地网站渗透测试,自动出报告
Watchtower - AI-powered penetration testing automation CLI tool that leverages LLMs ···
