Laminar
Laminar (lmnr.ai) · Coding · Sonstiges
Laminar ist eine Open-Source-Plattform für Observability, die KI-Agenten nachverfolgt, debuggt und bewertet. Sie zeichnet jeden LLM-Aufruf, jeden Werkzeugaufruf und jeden Subagenten auf und macht aus diesen Daten lesbare Antworten.
Über Laminar
What Is Laminar
Laminar ist eine Open-Source-Observability-Plattform für KI-Agenten, gebaut vom Team von Laminar (lmnr.ai), einem Unternehmen aus dem Y-Combinator-Jahrgang S24. Sie beobachtet, was Ihr Agent während eines Laufs tatsächlich tut: die Eingaben, die LLM-Runden, die Werkzeugaufrufe und die Subagenten, die er startet. Das Ziel ist einfach. Wenn ein Agent nach einer halben Stunde und dreihundert Entscheidungen ausfällt, müssen Sie schnell wissen, wo und warum.
Die Plattform ist OpenTelemetry-nativ, spricht also das Standard-Tracing-Protokoll statt eines geschlossenen Formats. Sie können sie auf zwei Wegen betreiben: als Laminar Cloud, den verwalteten Dienst, oder selbst gehostet auf Ihrer eigenen Infrastruktur mit Docker Compose oder einem Kubernetes-Helm-Chart. Der Kern ist Open Source, was zählt, wenn Ihre Traces Kundendaten enthalten, die Sie lieber nicht an Dritte geben.
Zwei Grenzen sollten von Anfang an klar sein. Signals, der Detektor für Ergebnisse in natürlicher Sprache, gehört nicht zum Open-Source-Bau; Sie bekommen ihn in der Cloud oder mit einem Enterprise-Lizenzschlüssel. Und Laminar ist ein Entwicklerwerkzeug. Eine App zum Draufklicken gibt es hier nicht, sondern SDKs, Integrationen und ein Dashboard, das sich wie ein Transkript liest.
Getting Started
- Legen Sie ein Konto auf laminar.sh an oder starten Sie den selbst gehosteten Stack mit Docker Compose.
- Holen Sie den Projekt-API-Schlüssel aus dem Dashboard.
- Installieren Sie das SDK und setzen Sie den Schlüssel, dann initialisieren Sie das Tracing mit ein oder zwei Codezeilen.
- Starten Sie Ihren Agenten. Traces erscheinen live, und Sie können jeden Lauf vollständig öffnen.
Produktinformationen
Ein kurzer Überblick über Preise, unterstützte Plattformen und die Leistung von Laminar.
Am besten für
Die Nutzer, Aufgaben und Szenarien, für die dieses Tool am besten passt.
Nutzer
- KI-Entwickler, die Agenten in Produktion bringen
- Startup-Teams, die LLM-Apps schnell ausliefern
- Plattform-Teams unter Datenauflagen
- Evaluierungs- und QA-Entwickler
Aufgaben
- Einen Agenten debuggen, der sporadisch ausfällt
- Eine Regression nach einem Release erwischen
- Ergebnisse des Agenten in großem Maßstab überwachen
- Prompt- oder Modelländerungen vergleichen
Szenarien
- Ein Browser-Agent, der sich auf bestimmten Seiten falsch verhält
- Ein Support-Bot, der selbstsicher falsche Antworten gibt
- Ein mehrstufiger Recherche-Agent, der zu lange läuft
Wichtigste Funktionen
Agent-Tracing mit Transkript-Ansicht
LLM-Tracing bei Laminar zeichnet jeden LLM-Aufruf, jeden Werkzeugaufruf und jede eigene Funktion eines Laufs auf. Statt eines Baums aus Span-Namen legt er den Lauf als Transkript aus: Eingaben, LLM-Runden, Werkzeugaufrufe und Subagenten, zusammengeklappt zu Karten. Dieses Format macht den Unterschied, ob Sie einen Bildschirm lesen oder ein Dutzend Spans im Kopf behalten. Unterstützt werden AI SDK, Claude Agent SDK, LangChain und Browser Use von Haus aus, und es verfolgt die Subagenten des Claude Agent SDK, was viele Werkzeuge auslassen.
Debugger mit Cache-Wiedergabe
Der Debugger zeichnet einen Lauf auf und spielt ihn dann erneut ab, wobei alles vor Ihrer Änderung aus dem Cache kommt. Jede Iteration dauert Sekunden statt eines vollen Live-Laufs, und Sie beweisen den Fix mit einer Evaluierung statt zu hoffen. Er ist darauf ausgelegt, von einem Coding-Agenten gesteuert zu werden, sodass die ganze Schleife ohne Klicks in einer Oberfläche läuft.
Signals für Produktionsergebnisse
Signals lassen Sie ein Ergebnis oder einen Fehler in natürlicher Sprache beschreiben und dann strukturierte Ereignisse aus jeder Trace extrahieren. Jedes Signal liest den ganzen Lauf, samt Wiederholungen, erschöpften Werkzeugen und Umwegen, die der Agent still genommen hat, nicht nur die Endantwort. Sie bekommen einen Ereignisstrom, den Sie per SQL abfragen, nach Typ clustern und über Slack oder E-Mail alarmieren können.
Evaluierungen und Datensätze
Sie führen Evaluierungen gegen Datensätze lokal oder in der CI aus, was Regressionen abfängt, bevor sie Nutzer erreichen. Die Datensätze stammen direkt aus Produktions-Traces, sodass Ihre Tests echte Läufe abbilden. Ein behobener Fehlercluster wird automatisch zu einem Evaluierungsdatensatz, was die Schleife zwischen Fehlerbericht und Test schließt.
OpenTelemetry-nativ und Selbsthosting
Laminar nimmt Traces über OTLP entgegen, das Standardprotokoll von OpenTelemetry, und passt so in Stacks, die es schon sprechen. Sie können die OSS-Images mit Docker Compose für einen einzelnen Knoten starten oder das Kubernetes-Helm-Chart für den Produktivbetrieb, das RabbitMQ, Redis und einen eigenen Consumer ergänzt. Traces, Dashboards, Evaluierungen und der Debugger verhalten sich in Cloud und Selbsthosting gleich.
Zugriff über CLI und MCP
CLI und MCP-Server geben Ihrem Coding-Agenten vollen SQL-Zugriff auf Laminar. Er untersucht Traces, baut Evaluierungen und prüft Fixes, ohne dass jemand Daten zwischen Werkzeugen kopiert. Zusammen mit dem SQL-Editor und eigenen Dashboards deckt das die Plattformseite des Produkts ab.
Vor- und Nachteile
Vorteile
- Open Source mit einem Weg zum Selbsthosting, sodass Traces und Kundendaten auf Ihrer eigenen Infrastruktur bleiben können.
- OpenTelemetry-nativ, was heißt, dass es in Stacks passt, die bereits OTLP nutzen, statt Sie an ein geschlossenes Format zu binden.
- Die Trace-Ansicht im Transkript-Stil liest sich leichter als die Span-Bäume, die die meisten Werkzeuge zeigen.
- Evaluierungen, Datensätze und Debugger liegen an einem Ort, sodass die Debug-Schleife in einem einzigen Werkzeug bleibt.
- Der kostenlose Plan enthält 1 GB Daten und 7 Tage Aufbewahrung, genug, um die Plattform von Anfang bis Ende zu testen.
Nachteile
- Signals und Alarme stecken nicht im Open-Source-Bau; Sie brauchen die Cloud oder einen Enterprise-Lizenzschlüssel, sodass die stärkste Produktionsfunktion hinter einer Bezahlschranke liegt.
- Der kostenlose Plan behält nur 7 Tage Traces und 1 Projekt, was für einen langlebigen Produktionsagenten knapp ist.
- Datenüberschreitung bei Starter und Pro wird pro Gigabyte berechnet, sodass ein geschwätziger Agent die Monatsrechnung erhöhen kann.
- Es richtet sich an Entwickler statt an Gelegenheitsnutzer; Observability für KI-Agenten bedeutet hier SDKs, eine CLI und ein Web-Dashboard, nicht eine App per Klick.
Häufige Fragen
Laminar verfolgt KI-Agenten nach, debuggt und bewertet sie. Es zeichnet jeden LLM-Aufruf, jeden Werkzeugaufruf und jeden Subagenten eines Laufs auf, damit Sie herausfinden, warum ein Agent ausfiel, und den Fix mit einer Evaluierung bestätigen.
Ähnliche Inhalte
Entdecke passende Tools, Skills und Artikel zu Laminar.
Alternativen zu Laminar
Base Code
Base44 (Wix) · Coding · ProduktivitätBase Code ist eine geteilte Cloud-Entwicklungsumgebung von Base44. Das Team beschreibt Änderungen an einem bestehenden GitHub-Repository im Chat, prüft sie in der Vorschau und reicht sie als Pull Request ein.
Google EmbeddingGemma 2
Google DeepMind · Schreiben · Bilder · CodingGoogle EmbeddingGemma 2 ist ein offenes Modell mit 740 Millionen Parametern, das Text, Code, Bilder, Audio und Videobilder in Vektoren eines gemeinsamen 768-dimensionalen Raums umwandelt und auf Handys und Notebooks läuft.
GitGlow
GitGlow · Coding · ProduktivitätGitGlow ist ein Git-Client für den Desktop, der Ihren Code und die Änderungen Ihrer KI-Agenten in einer Review bündelt, damit Sie vor dem Ausliefern sehen, was die Maschine verlässt.