Langfuse est une plateforme d'observabilité LLM (observability) open source qui trace chaque appel de vos agents IA en production. Ce guide fait le tour de ce qu'il couvre, de ce que coûte son exploitation et de ce qu'il faut ajouter autour : guardrails temps réel, gestion data et mémoire, gouvernance réglementaire, y compris pour vos workflows agentic de data science.
Langfuse : plateforme open source d'ingénierie LLM
Tracer, analyser et itérer sur vos applications LLM
Langfuse est une plateforme d'ingénierie LLM open source qui permet aux équipes de monitorer des LLM en production. Elle observe et capture les traces (tracing) de chaque appel API au model : latence, coût d'inférence, tokens consommés par response et erreurs retournées. Ces métriques permettent de debug issues et de monitor performance avant qu'ils n'impactent vos utilisateurs finaux. Le prompt management, l'evaluation automatique et la gestion des données d'evaluation complètent Langfuse. Ces évaluations reposent souvent sur un LLM juge, rejoué à chaque déploiement : nous avons mesuré son coût et sa précision face à un modèle de décision, dans Jev contre LLM-as-a-judge. Avec plus de 80 intégrations OpenTelemetry natives (langfuse.com/docs, 2026), Langfuse couvre l'ensemble des llm applications et besoins d'engineering modernes - des modèles de machine learning aux agents LangGraph avec leurs prompt template en production.
Langfuse, OpenTelemetry et les frameworks agents
OpenTelemetry s'impose comme le standard de facto pour l'observabilité (observability) des agents agentic en production - et Langfuse l'intègre nativement. En tant qu'open source llm engineering platform, Langfuse se connecte à tous les frameworks majeurs : LangGraph, Google ADK, LangChain, OpenAI SDK et LiteLLM. Cette convergence sur un standard ouvert signifie que votre stack Python existant est instrumenté sans réécriture. Langfuse helps teams surveiller leurs agents IA et leurs large language model applications - quelle que soit la diversité de leur écosystème technique.
Langfuse rejoint ClickHouse : ce qui change pour votre stack
ClickHouse a acquis Langfuse le 16 janvier 2026. La licence MIT est maintenue et le self-hosting reste possible à court terme. Ce que cette acquisition modifie : la roadmap cloud et les priorités d'observability de Langfuse sont désormais alignées sur celles d'un acteur dont le modèle économique est distinct du vôtre. La question de la dépendance stratégique à long terme mérite d'être posée avant tout investissement structurant dans votre stack LLMOps.
Langfuse en production : ce qu'il faut ajouter autour
Langfuse observe. Il ne bloque rien, ne stocke pas l'état de vos agents et ne gère pas les accès. En production, ces couches s'ajoutent à côté.
Guardrails : PII, prompt injection, restrictions thématiques
Langfuse trace ce que votre agent fait. Les guardrails bloquent ce qu'il ne devrait pas faire : détection PII, défense contre la prompt injection et restrictions thématiques, soit les trois vecteurs de risque les plus fréquents dans les déploiements LLM en production. Ils se règlent idéalement par agent, par model et par use case. L'audit trail complet reste accessible via l'API Langfuse et votre dashboard en temps réel : Langfuse observe chaque token généré par votre model.
Memory et session persistence : SQLite en dev, PostgreSQL en prod
La gestion de l'état conversationnel est le problème numéro un des agents LLM multi-tours. Elle se règle dans le framework : avec LangGraph, un checkpointer SQLite en développement local, PostgreSQL en production. Langfuse trace et observe l'intégralité des sessions utilisateur, sans stocker leur état à la place de l'agent. Les deux couches sont complémentaires.
Framework-agnostique : LangGraph, Google ADK et le reste
Langfuse s'appuie sur OpenTelemetry : LangGraph, Google ADK, LangChain, le SDK OpenAI et LiteLLM s'y connectent. Gardez la même logique pour le reste de la stack : des standards ouverts (OpenTelemetry, MCP tools, AG-UI) plutôt qu'un outil lié à un seul framework, un modèle LLM ou un fournisseur cloud. L'open source LLM engineering doit rester ouvert : si l'écosystème converge vers un nouveau standard dans 18 mois, vous ne repartez pas de zéro.
Cas d'usage : agents LangGraph tracés avec Langfuse
Agent de qualification commerciale : tracer chaque décision, maîtriser le coût/appel
Un agent LangGraph de pre-qualification leads B2B génère des dizaines d'appels LLM par conversation. Sans traces, le cost latency par échange reste une boîte noire. Le tracing Langfuse rend visible chaque appel au model : latence, coût, outil déclenché et décision prise. Les restrictions thématiques gardent l'agent dans son périmètre commercial, et la mémoire de session maintient le contexte entre les étapes de qualification. Résultat : identification des appels redondants, evaluation des metric de qualité, boucle de feedback utilisateur et réduction mesurable du coût d'inférence dès la première semaine de production.
Agent de support client : guardrails temps réel, détection PII automatique
Un agent support agentic qui accède à des données clients sensibles expose votre organisation au risque RGPD à chaque appel. Langfuse enregistre toutes les réponses générées par votre agent LLM pour garantir leur qualité. Une couche de guardrails doit bloquer les données PII avant qu'elles n'atteignent le modèle. Les topics hors périmètre sont refusés sans code applicatif supplémentaire à maintenir. Côté calendrier européen, les obligations de transparence de l'article 50 s'appliquent depuis le 2 août 2026, et la mise en conformité des systèmes à haut risque de l'annexe III est reportée au 2 décembre 2027 (règlement UE 2024/1689, modifié par le règlement omnibus numérique en vigueur le 27 juillet 2026) : l'audit trail Langfuse, combiné à des guardrails, constitue une première réponse opérationnelle.
Migration N8N → LangGraph : observabilité dès le premier jour
Si vos workflows agentic tournent sur N8N, Make ou Zapier et migrent vers des agents LangGraph, activez Langfuse dès la mise en production : pas de black box pendant la transition, pas de période aveugle après le déploiement. Les équipes qui souhaitent build et develop llm applications à partir de leurs automatisations existantes gagnent une visibilité complète sur leurs workflows dès le premier jour. Prévoyez l'observability dans la migration elle-même, pas comme une phase d'intégration Langfuse séparée.
Ce que Langfuse couvre, et ce qu'il faut ajouter
Langfuse couvre l'observabilité (observability) des applications LLM et le fait très bien. Ce qu'il ne couvre pas : la protection des données en temps réel, la gestion de l'état conversationnel, la gouvernance des agents et la conformité réglementaire AI Act. Le tableau ci-dessous structure cette evaluation pour les équipes en phase de sélection technique.
| Critère | Langfuse seul | À ajouter en production |
|---|---|---|
| Observabilité LLM (traces, métriques, évaluations) | Natif | Rien de plus |
| Guardrails temps réel (PII, prompt injection, restrictions) | Absent | Une couche de guardrails dédiée |
| Memory et session management (persistance conversationnelle) | À construire | Persistance dans le framework (SQLite, PostgreSQL) |
| Gouvernance des agents (accès, outils, sessions) | Absent | Contrôle d'accès (SSO, RBAC) et règles par agent |
| Compliance AI Act (OWASP Agentic AI, audit trails) | Absent | Traces conservées, supervision humaine, reporting |
| Sovereign deployment (on-premise, cloud, hybride) | Complexe (5 composants) | Un lieu d'hébergement choisi : sur site, cloud ou hybride |
| Setup (infra requise) | PG + ClickHouse + Redis + S3 + K8s | Selon les briques retenues |
Sources : Glassbrain.dev 2026, Checkthat.ai 2026, langfuse.com/docs 2026.
La ligne « Setup » résume l'enjeu opérationnel : PostgreSQL + ClickHouse + Redis + S3 + Kubernetes à opérer en auto-hébergement (Glassbrain.dev, 2026). Le tier Hobby Langfuse cloud couvre 50 000 unités/mois pour 2 utilisateurs avec 30 jours de rétention de données (Checkthat.ai, 2026) : insuffisant dès que votre équipe de data engineering grandit. Langfuse observe et garantit la qualité des traces ; la protection et l'orchestration de vos workflows en production relèvent d'autres briques.
Coût réel et dépendance
Le vrai coût du self-hosting Langfuse v3
Après l'acquisition par ClickHouse : garder la réversibilité
Depuis l'acquisition de Langfuse par ClickHouse en janvier 2026, la question de la dépendance stratégique se pose dans tous les projets LLMOps. La réponse tient en un principe : choisir des outils dont vous gardez le contrôle. Licence ouverte, code public et auditable, déploiement souverain, et une instrumentation standard (OpenTelemetry) qui laisse changer de backend d'observabilité sans réinstrumenter vos agents, y compris si la roadmap Langfuse évolue sous l'impulsion de ClickHouse.
Au-delà des traces : mesurer l'usage réel
Langfuse dit ce que fait chaque agent. Il ne dit pas qui s'en sert, pour quoi, ni ce qu'il rapporte face aux licences et aux assistants déjà payés. C'est la lecture qu'apporte Idun Group : l'usage réel de l'IA déjà déployée, agents internes compris, croisé avec des entretiens, pour décider quoi industrialiser, consolider ou couper.




