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。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00