Tracely-ai

把线上 agent 失败轨迹变成 CI 回归测试,退化就拦 PR

开源 🏷️定价信息待确认 ⏳ 访问状态待核验 评测安全 🍴 复刻 146 🐛 待处理 22 👀 关注 3
访问官网 ↗ GitHub ↗
GitHub 星标 ★ 1166
维护状态 活跃
是否开源 开源
定价模式 🏷️定价信息待确认

项目预览

Tracely-ai 项目界面预览图
图片来源:项目官网

项目数据

分类评测安全
开发团队jwuthri-cloud
定价模式🏷️定价信息待确认
价格说明定价信息待确认,支持自托管
访问状态⏳ 访问状态待核验
是否开源是
开源协议MIT
主要语言Python
技术栈/模型agent-evaluation,ai-agents,ai-testing,ci-cd,clickhouse,developer-tools,llm-evaluation,llm-observability,llmops,mcp,observability,python,regression-testing,self-hosted,tracing
GitHub 星标★ 1166
上线时间2026-10-11 00:00:00
代码更新2026-10-19
仓库体积19.8 MB
本站数据更新2026-10-22
维护状态活跃
收录时间2026-10-22
浏览次数0

项目介绍

Tracely-ai 是一个面向 AI Agent 的 trace 原生 CI/CD 工具,把生产环境中的 agent 调用轨迹当作一等公民来治理。它解决的核心问题是:AI agent 上线后行为难以回归验证,失败案例散落在日志里无法沉淀为测试。项目能接入生产 trace,按质量维度打分,自动聚类失败模式,再把典型失败冻结成可回放的回归测试用例,最后在 CI 中运行这些用例,一旦 PR 导致 agent 行为退化就阻断合并。技术上基于 Python,使用 ClickHouse 存储和查询大规模 trace 数据,支持自托管部署,适合已有 agent 产品、需要建立质量门禁的团队。整体定位是把传统软件工程的 CI/CD 与回归测试理念迁移到 LLM agent 场景,让 agent 的迭代从凭感觉变成有数据、有门禁、可回放。

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 2026-10-22 · 当前星标 ★ 1166

使用教程

难度:入门 约 15 分钟 部署方式:Docker 5 步

环境要求

  • 已安装 Docker 与 Docker Compose
  • 本机 3001(前端)和 8000(后端)端口空闲
  • 首次启动需拉取镜像并构建,需可访问 GitHub 与 Docker 仓库的网络
  • 如需本地二次开发,另需 uv 与 Node 20+ / pnpm

安装与启动步骤

  1. 1克隆仓库

    把项目源码拉到本地并进入目录,后续所有命令都在该目录下执行。

    git clone https://github.com/jwuthri-cloud/Tracely-ai && cd Tracely
  2. 2一键启动全栈

    用 demo profile 拉起 ClickHouse、Postgres、Redis、MinIO 及 API、worker、前端,并自动跑迁移、写入演示数据。

    docker compose --profile demo up -d --build --wait
  3. 3打开界面

    浏览器访问前端端口,此时应已能看到预置的 traces、clusters、cases 和 gates,而不是空页面。

    open http://localhost:3001
  4. 4停止或清空

    普通停止用 down;加 -v 会连同数据卷一起删除,演示数据也会被清空。

    docker compose down
    docker compose down -v
  5. 5生成部署密钥

    若走 Railway 等方式自行部署,需为会话与密钥加密各生成一个 32 字节十六进制串。

    openssl rand -hex 32

关键配置

配置项必填说明示例
TRACELY_WEB_PORT否前端映射到宿主机的端口,默认 30013001
TRACELY_BACKEND_PORT否后端 API 映射到宿主机的端口,默认 80008000
SESSION_SECRET否Railway 等自建部署时的会话签名密钥3f9a1c7d8b2e4f60a1c3d5e7f9012345678abcdef0123456789abcdef012
SECRETS_ENCRYPTION_KEY否自建部署时用于加密存储敏感配置的密钥9b1d3f5a7c9e0b2d4f6a8c0e2b4d6f8a0c2e4b6d8f0a2c4e6b8d0f2a4c6e

如何确认成功

执行 up 后等 --wait 返回,浏览器打开 http://localhost:3001 能看到已填充的 traces、clusters、cases 和 gates 即成功。

常见问题

Q:启动后页面是空的怎么办?

A:确认使用了 --profile demo 并等待 --wait 完成;该模式会自动执行迁移、创建默认项目与 ingest key,并写入演示数据。

Q:端口 3001 或 8000 被占用怎么办?

A:通过环境变量 TRACELY_WEB_PORT 和 TRACELY_BACKEND_PORT 重映射宿主机端口后重新启动。

Q:改了源码为什么不生效?

A:backend、worker、frontend 走源码卷挂载,多数改动执行 docker compose restart 即可,但 Celery worker 不支持热重载,需要重启容器。

Q:如何彻底重置环境?

A:执行 docker compose down -v 删除数据卷,再重新用 demo profile 启动即可回到初始演示状态。

Q:默认的接入 key 是什么?

A:演示环境会 seed 默认项目和接入 key tracely_dev_key,仅用于本地演示,正式部署请自行更换。

注意事项

  • demo profile 会自动跑迁移、seed 默认项目与接入 key(tracely_dev_key)并填充演示数据,适合首次体验。
  • docker compose down -v 会删除数据卷,本地数据不可恢复,慎用。
  • 自托管到 Railway / EKS 前请阅读 deploy/railway/README.md、deploy/eks/README.md 与 guides/DEPLOY.md 生产加固手册。
  • 本地开发需要 uv 和 Node 20+ / pnpm,仅用 Docker 体验则不需要。

核心亮点

  • 以生产 trace 为输入自动聚类失败模式,比人工构造测试用例更贴近真实分布
  • 失败案例可冻结为可回放回归测试,接入 CI 后能直接阻断导致退化的 PR
  • 基于 ClickHouse 存储查询 trace,面对大规模调用日志仍有较好性能

不足之处

  • 项目较新,生态与文档成熟度、社区规模仍需观察
  • 依赖 ClickHouse 等组件,自托管部署和运维有一定门槛

适用场景

  • AI agent 产品迭代时建立回归测试与合并门禁
  • 线上 agent 出现质量波动,需要快速定位并沉淀失败案例
  • 团队需要把生产 trace 转化为可复现的评测数据集

替代项目

Langfuse、Braintrust、promptfoo

上一篇:python-sdk

下一篇:没有了!

同类项目推荐

every_eval_ever 开源

把散落各处的 AI 评测结果统一成可比较的公共数据库

Every Eval Ever is a shared schema and crowdsourced eval database. It defines a stan···

★ 137 2026-09-14
MMStar 开源

更公平地测出大模型真实视觉能力,避免作弊分

[NeurIPS 2024] This repo contains evaluation code for the paper "Are We on the Right···

★ 218 2026-08-09
sec-code-bench 开源

测测大模型写的代码安不安全

SecCodeBench is a benchmark suite focusing on evaluating the security of code genera···

★ 135 2026-10-14
synbad 开源

同一模型多家推理服务商,跑一轮评测看谁更靠谱

LLM evals to test open-source inference providers

★ 133 2026-10-07
agent-skills-eval 开源

跑一遍测试,就知道你的 AI 技能行不行

A test runner for agentskills.io-style AI agent skills

★ 804 2026-08-09
Awesome-LVLM-Hallucination 开源

一站式追踪大模型视觉幻觉研究前沿

up-to-date curated list of state-of-the-art Large vision language models hallucinat···

★ 333 2026-08-09
WatermarkDM 开源

给AI生成的图像打上隐形水印,一键溯源防滥用

[Tech report]: A Recipe for Watermarking Diffusion Models

★ 155 2026-08-09
dynolab 开源

Mac 本地跑 AI 可解释性实验,激活探针 SAE 一站搞定

Dyno Lab — an AI safety, alignment and interpretability research workbench for Appl···

★ 161 2026-09-27
Lookback-Lens 开源

只看注意力图,就能揪出并压制模型胡编乱造

Code for the EMNLP 2024 paper "Detecting and Mitigating Contextual Hallucinations in···

★ 154 2026-08-09