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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust099- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
MiMo-V2.5-ProMiMo-V2.5-Pro作为旗舰模型,擅⻓处理复杂Agent任务,单次任务可完成近千次⼯具调⽤与⼗余轮上 下⽂压缩。Python00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
Kimi-K2.6Kimi K2.6 是一款开源的原生多模态智能体模型,在长程编码、编码驱动设计、主动自主执行以及群体任务编排等实用能力方面实现了显著提升。Python00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00