使用场景

开发者使用Laminar追踪他们的LLM应用，以收集执行数据并优化模型性能。

数据科学家通过Laminar的在线评估功能自动化评估过程，提高评估效率。

AI工程师利用Laminar构建复杂的LLM管道，实现更高级的自动化任务。

产品特色

Traces（追踪）：提供对LLM应用每一步执行的清晰视图，并同时收集宝贵的数据。

Zero-overhead observability（零开销可观测性）：所有追踪通过gRPC在后台发送，开销极小。

Online evaluations（在线评估）：可以设置LLM-as-a-judge或Python脚本评估器，对每个接收到的跨度进行评估。

Datasets（数据集）：可以从追踪中构建数据集，并在评估、微调和提示工程中使用它们。

Prompt chain management（提示链管理）：可以构建和托管复杂的链，包括代理的混合或自反射LLM管道。

Fully open-source（完全开源）：Laminar完全开源，易于通过几个命令开始使用。

使用教程

1. 访问Laminar的GitHub页面，克隆代码库。

2. 进入克隆的目录，使用Docker Compose启动服务。

3. 访问Laminar文档，了解如何初始化项目并开始使用。

4. 使用Laminar的追踪功能收集应用数据。

5. 根据收集的数据设置在线评估，自动化评估过程。

6. 构建数据集，用于模型的进一步训练和优化。

7. 利用Laminar管理提示链，构建复杂的LLM应用。

8. 探索Laminar的开源社区，获取支持和最佳实践。