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 2026-10-22 · 当前星标 ★ 1166
使用教程
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 3001 | 3001 |
TRACELY_BACKEND_PORT | 否 | 后端 API 映射到宿主机的端口,默认 8000 | 8000 |
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
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···
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···
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···
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
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
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···
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
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···
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···
