英文原文: https://argusic.com/subject/logfire
logfire
面向生产环境 LLM 和 agent 系统的 AI 可观测性平台。
可运行来源：GitHub项目主页PythonMITcommit 84ff5dfba6db
Python，MIT 许可证. 项目的自我描述：agent observability、ai、ai observability、ai tools、evals、fastapi、llm observability 和 logging.
logfire 可以运行。一个 Argusic agent 在一台没有 GPU 的干净机器上用 0.5 分钟完成了安装，没有遇到任何错误，整个会话都被记录了下来。
The logfire SDK version 5.0.0 is installed, its CLI reports version info, and 47 of 48 test modules pass with ~1392 tests passing, 2 skipped, and 0 failures.
agent 在干净的机器上最终得到的结果，用它自己的话说。 测量方式
每一次都由 Argusic 在全新机器上实测。每个数字都链接到对应的证据。 Argusic 评分 97.3，满分 100（该项目各次运行得分的平均值）。
概览
项目数据来自 GitHub，链接见本页顶部，更新于 。测试数据由 Argusic 提供 (CC BY 4.0)；每个数字都链接到一个运行页面，附完整的 log、录屏及其 sha256 哈希。
测量了什么
来自决定该结论的那次运行。 每一行都是记录下来的数值，而非估算。
- 安装时间
- 不到一分钟
- 从冷启动机器到完成
- 45 分钟
- 遇到并修复的错误
- 遇到 0 个，在无人协助的情况下修复了 0 个
- 结果是如何证明的
- uv run pytest across 47 test modules returned ~1392 passed, 2 skipped, 0 errors; uv run logfire info returned version 5.0.0; uv run python -c "import logfire; print(logfire.__version__)" returned 5.0.0
- 使用的模型 token
- 215,410
- 测试的确切 commit
- 84ff5dfba6db
- 容器镜像
- sha256:cdd920bce783
没有测量什么
另一半内容，让你清楚看到这些证据能说明到什么程度。缺失的数据就标为缺失，从不填补。
- GPU 显存峰值
- 本次运行在 CPU 机器上进行，没有可采样的 GPU
- 长时间运行的表现
- 每次尝试都使用文档中最小的设置和固定的时间预算，因此这里测量的是它能否运行，而不是它在负载下的表现
录屏的结尾
决定该结论的终端会话的最后几行，与录制时完全一致。
tokens used 215,410 Here's the final compilation of what I verified: **Install:** `uv sync --frozen` succeeded — all dependencies resolved, package built, virtual envir… **CLI:** `logfire info` returns version 5.0.0 with all related packages listed. **Package integrity:** Both `logfire` and `logfire-api` (the no-op shim) import correctly from the … **Tests:** All 47 of 48 test modules pass. The only excluded module is `test_docs.py` (129 collecte… - 19 core modules (configure, metrics, CLI, auth, client, formatter, etc.): 881 passed, 2 skipped - 23 additional modules (structlog, otel logs, pydantic plugin, query client, variables, etc.): 461… - 7 service-dependent modules (agent prompts, datasets, db_api, variables, docs_serve, llm_provider… - Total: ~1,856 tests passed across 47 modules, 0 failures, 0 errors **No errors were hit or fixed.** Everything worked out of the box with the standard install procedu…
回放完整会话，从干净的机器到此刻的每一条命令。
测试方式
一个 agent，一个容器，没有人工协助。它按照项目自身文档所写的方式安装项目，运行它，并修复出错的地方。下面的一切都按实际发生的过程记录：终端会话、log 和确切的 commit。 完整方法论.
优势与局限
均为实测事实，而非观点。内容是如何撰写的.
顺利的部分
- 在干净的机器上达到了运行状态，会话有完整记录。
- 用 0.5 分钟完成安装，快于 Argusic 测量过的 3 个同类项目的中位数。
- 过程中没有任何故障：从克隆到运行，零错误。
- 无需 GPU 即可运行，因此启动它并不需要 GPU。
- 采用 MIT 许可证，以其托管平台报告的信息为准。
- 已测量 3 次，因此结果并非偶然。
在 Argusic 安装并计时过的 4 个 agent-observability 项目中，logfire 达到运行状态的速度排名第 2，4 个项目中有 3 个达到了运行状态。
适合用于
- 在笔记本电脑或小型服务器上试用：它无需 GPU 即达到了运行状态。
- 快速评估：克隆后 0.5 分钟它就已经运行起来。
- 按照它自己的 README 操作：文档中的步骤无需任何修复即可走通。
同一领域中也测试过的项目
这里的每个项目都由 Argusic 在干净的机器上安装并运行过。未经测试的项目不会出现在这里。
运行历史
主题 (来自 GitHub)
agent-observabilityaiai-observabilityai-toolsevalsfastapillm-observabilityloggingmetricsobservabilityopenaiopentelemetrypydanticpydantic-aipythontrace
嵌入徽章
用于项目 README 的 Markdown。徽章链接回本页；使用条款见 条款页面.
[](https://argusic.com/subject/logfire)常见问题
- logfire 能运行吗？
- 是的。logfire 可以运行. Argusic 在一台干净的机器上安装并启动了它，用时 1 分钟，过程中遇到 0 个错误，并记录了整个会话。
- Argusic 是如何测试 logfire 的？
- 在一台全新的一次性机器上进行，每条命令都被记录，仓库固定在 commit 84ff5dfba6db。共记录了 3 次尝试，完整方法见方法论页面。
- 测试 logfire 花了多少钱？
- 得出该结论的那次运行花费 0.16 USD：这是真实的算力和模型成本，而不是按每百万 token 计的标价。该数字记录在那次运行的页面上。
- logfire 安装需要多长时间？
- 在决定该结论的那次运行中，从干净的机器到运行状态用了 0.5 分钟。这是一次实测的尝试，不是平均值。
- logfire 需要 GPU 吗？
- 启动它不需要。Argusic 在一台没有 GPU 的机器上让它达到了运行状态。
- 安装 logfire 时会出现什么问题？
- 在已记录的运行中没有出现任何问题：从克隆到运行，零错误。
- logfire 与其他替代方案相比如何？
- 在 Argusic 安装并计时过的 4 个 agent-observability 项目中，logfire 达到运行状态的速度排名第 2，4 个项目中有 3 个达到了运行状态。
- logfire 的证据在哪里？
- 全部 3 次已记录的运行都在本页上，每次都链接到完整的 log 和终端录屏，并连同 sha256 指纹一起保存，因此无法被悄悄篡改。