Logfire项目中的手动追踪功能详解
Logfire作为一款强大的日志和追踪工具,提供了灵活的手动追踪功能,帮助开发者更好地理解和监控应用程序的执行流程。本文将深入介绍Logfire中的核心追踪概念和使用方法。
追踪与跨度基础
在Logfire中,追踪(Trace)和跨度(Span)是两个核心概念。一个追踪代表一个完整的请求或事务处理过程,而跨度则代表其中的一个具体操作单元。追踪本质上是由多个跨度组成的树状结构,其中根跨度就是追踪的起点。
with logfire.span('处理用户请求'):
logfire.info('开始处理数据')
time.sleep(1)
logfire.info('数据处理完成')
在这个例子中,logfire.span创建了一个跨度,其中包含两条日志信息。在Logfire的可视化界面中,你可以看到日志信息被嵌套在跨度内部,形成清晰的层级关系。
属性记录
Logfire允许你为日志和跨度添加自定义属性,这些属性会被记录并可用于后续查询:
logfire.info('用户登录', username='alice', role='admin')
记录后,你可以使用类似attributes->>'username' = 'alice'的查询条件来筛选特定属性的记录。对于跨度,你还可以动态添加属性:
span = logfire.span('处理订单')
span.set_attribute('order_id', 12345)
命名与消息
Logfire区分了跨度名称和消息内容。名称用于分组和聚合,应该保持低基数(即不要有太多唯一值),而消息可以包含具体细节:
for name in ['Alice', 'Bob', 'Charlie']:
logfire.info(f'问候用户 {name}', name=name)
在这个例子中,日志消息包含了具体用户名,但如果你使用相同的模式作为跨度名称,可能会导致性能问题。Logfire提供了多种方式控制名称和消息:
- 使用
_span_name参数显式指定 - 通过
span.message属性动态修改 - 利用f-string魔法自动处理
便捷装饰器
对于函数级别的追踪,Logfire提供了便捷的装饰器:
@logfire.instrument
def process_data(data):
# 函数执行会自动被记录为一个跨度
...
异常处理
Logfire能够自动捕获并记录跨度中的异常:
with logfire.span('危险操作'):
try:
risky_operation()
except Exception:
logfire.exception('操作失败')
raise
你也可以手动记录异常:
span.record_exception(exc)
日志级别
Logfire支持标准的日志级别(DEBUG, INFO, WARNING, ERROR等)。你可以通过多种方式控制级别:
logfire.warning('警告信息')
span.set_level('error') # 提升跨度级别
在Logfire界面中,你可以使用类似level > level_num('info')的查询来筛选特定级别的记录。当跨度中发生未捕获的异常时,其级别会自动提升为ERROR。
通过合理使用这些手动追踪功能,开发者可以获得对应用程序行为的深入洞察,快速定位性能瓶颈和错误源头。Logfire的设计既考虑了灵活性,又保持了使用的简洁性,是现代化应用监控的有力工具。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00