llm-canary

Regression canary for LLM apps in CI: declarative YAML test suites for prompts, baseline drift detection without golden answers, and policy gates for agent traces (tool order, cost budgets, runaway loops). Use it as a CLI in CI, or self-host it as a service with run history, a dashboard, and team-shared baselines. Offline-first — the whole test suite and the bundled examples run with zero API keys.

CI で動く LLM アプリの回帰カナリア。プロンプトのテストを YAML で宣言し、 正解データなしでベースラインからのドリフトを検知、さらにエージェントの トレース（ツール呼び出し順・コスト予算・無限ループ）をポリシーで検査します。 CI 内の CLI としても、実行履歴・ダッシュボード・チーム共有ベースラインを持つ セルフホスト型サービスとしても使えます。オフラインファースト設計で、 テストもサンプルも APIキーなし で動きます。

Why / なぜ必要か

EN

• Prompt changes are silent regressions. A one-line prompt tweak can break JSON output, leak text it shouldn't, or double your token bill — and nothing in a normal CI pipeline notices. llm-canary run turns those into failing builds.
• You rarely have golden answers. LLM output isn't byte-stable, so snapshot tests don't work. record/check compares against a baseline with semantic similarity and cost-drift thresholds instead of exact matches.
• Agents act; outputs aren't enough. In 2026 the risk moved from "what did the model say" to "what did the agent do". trace gates a JSONL action log against a policy: forbidden tools, required ordering, step/cost budgets, loop detection.

JA

• プロンプト変更は静かなデグレ。 1行の修正で JSON 出力が壊れたり、出すべき でない文言が混ざったり、トークン費用が倍になっても、普通の CI は気づきません。 llm-canary run がそれをビルド失敗に変えます。
• 正解データは普通ない。 LLM の出力はバイト単位では安定しないため、スナップ ショットテストは機能しません。record/check は完全一致ではなく、意味的 類似度とコストドリフトの閾値でベースラインと比較します。
• エージェントは「行動」する。 2026年のリスクは「何を言ったか」から「何を したか」へ移りました。trace は JSONL の行動ログをポリシー（禁止ツール・ 実行順序・ステップ/コスト予算・ループ検知）で検査します。

Quickstart / クイックスタート

# install (Python 3.11+)
uv tool install llm-canary    # or: pip install llm-canary
# from source: git clone && uv sync && uv run llm-canary ...

# scaffold and run a starter suite — works offline, no keys
llm-canary init
llm-canary run canary.yaml

# the bundled, fully offline example suite
llm-canary run canary.example.yaml

# check an agent trace against a policy
llm-canary trace examples/agent-trace/trace.jsonl \
  --policy examples/agent-trace/policy.yaml

Exit code is 0 when everything passes, 1 on failures — drop it straight into CI. / 全て成功で終了コード 0、失敗で 1。そのまま CI に組み込めます。

Suite YAML / スイート定義

name: support-bot
providers:
  - name: openai            # echo / fixture / openai / anthropic
    model: gpt-4o-mini
judge:                      # optional: provider used by `judge` assertions
  name: anthropic
  model: claude-haiku-4-5
cases:
  - name: refund-policy
    prompt: "A customer asks: can I get a refund for {product}?"
    vars:
      product: "a keyboard bought 2 weeks ago"
    assertions:
      - type: contains
        value: "30 days"
      - type: json_schema
        value: {type: object, required: [eligible]}
      - type: judge
        value: "Politely explains the refund policy"
        threshold: 0.7
      - type: max_cost_usd
        value: 0.01

  - name: tone-by-language        # matrix: one case → cartesian product
    prompt: "Reply to a {mood} customer in {lang}: where is my order?"
    matrix:
      mood: [calm, angry]
      lang: [English, Japanese]
    assertions:
      - type: judge
        value: "Stays polite and de-escalates"

Useful extras / 便利オプション:

• llm-canary validate suite.yaml — lint the suite (typos in provider or assertion names, missing judge) without calling anything / 何も呼ばずに スイートの誤りを検出
• --max-workers 8 — run cases concurrently against slow real APIs / 並列実行
• --json — machine-readable results / 機械可読な結果出力
• Direct-API mode can load your app's real system prompt so it is on the tested path / 直接APIモードでもアプリの実システムプロンプトを経路に乗せる:

providers:
  - name: openai
    model: gpt-4o-mini
    options:
      system_prompt_file: ../app/prompts/support.txt   # the SAME file your app loads

Assertions / アサーション一覧

Providers / プロバイダ

• echo — returns the prompt; deterministic, free, offline. / プロンプトを そのまま返すオフライン用
• fixture — regex-routed canned replies; ideal for offline demos and as an offline judge. / 正規表現で固定応答を返す。オフラインのジャッジにも使える
• openai / anthropic — real APIs via OPENAI_API_KEY / ANTHROPIC_API_KEY (base_url option points openai at any OpenAI-compatible endpoint)
• command / http — your actual bot, whatever it is (see below) / あなたの本物のボットを対象にする(下記)
• Cost is estimated from a built-in price table — good enough for budget gates. / コストは内蔵価格表からの概算

Test YOUR bot, not the raw model / 素のモデルではなく「あなたのボット」を検査する

A canary is only meaningful if the thing you change — your system prompt, your RAG pipeline, your pre/post-processing — is on the execution path. The command and http providers put your real application under test, however it is built. / カナリアが意味を持つのは、あなたが変更するもの（システム プロンプト・RAG・前後処理）が実行経路に乗っているときだけです。command / http プロバイダは、どんな作りのアプリでも「本物」をテスト対象にします。

command — anything executable / 実行できるものなら何でも(Python, Node, Go, shell, …). The prompt replaces {prompt} in the arguments — or is piped to stdin when there is no placeholder — and stdout is the reply:

providers:
  - name: command
    options:
      cmd: "python my_bot.py --ask {prompt}"   # or just "python my_bot.py" (stdin)

http — anything with an HTTP API / HTTP APIを持つものなら何でも. {prompt} is substituted into the body/params/url; the reply is extracted from the response JSON with a dot path:

providers:
  - name: http
    options:
      url: http://localhost:8000/chat
      body: {message: "{prompt}", session: "ci"}
      response_path: reply.text          # or e.g. choices.0.message.content
      headers: {Authorization: "Bearer ${BOT_TOKEN}"}

In CI, boot your bot and point the canary at it / CIではボットを起動して カナリアを向けるだけ:

- run: docker compose up -d my-chatbot
- run: llm-canary run suite.yaml        # http provider hits the real stack

Security / セキュリティ: the command provider executes processes, so the self-hosted server rejects it unless started with llm-canary serve --allow-command (or CANARY_ALLOW_COMMAND=1). / command はプロセスを実行するため、セルフホストサーバーでは既定で拒否され、 --allow-command での明示的な許可が必要です。

Baseline drift / ベースラインドリフト

llm-canary record canary.yaml          # snapshot outputs + costs
llm-canary check canary.yaml           # rerun and gate on drift
llm-canary check canary.yaml --similarity-threshold 0.85 --cost-drift 0.1

check fails when an output's semantic similarity to the baseline drops below the threshold, or cost grows beyond the allowed ratio. The default embedder is a deterministic offline hash embedder (pluggable). / check は出力の類似度が閾値を下回るか、コストが許容比率を超えて増えたときに 失敗します。既定の埋め込みは決定的なオフラインのハッシュ埋め込み（差し替え可）。

Agent trace gates / エージェントトレース検査

{"type": "tool_call", "tool": "query_sales_db", "cost_usd": 0.002}
{"type": "tool_call", "tool": "post_slack", "cost_usd": 0.001}

# policy.yaml
max_steps: 10
max_cost_usd: 0.05
forbidden_tools: [delete_records, send_email]
required_order: [query_sales_db, post_slack]
max_tool_repeats: 3        # catch runaway loops

llm-canary trace trace.jsonl --policy policy.yaml

Emit one JSON object per agent step from your framework of choice and gate it in CI. / 任意のフレームワークからステップごとに JSON を1行出力し、CI で ゲートします。

Self-hosting / セルフホスティング

Run llm-canary as a service inside your own infrastructure. Suites, outputs, traces, and baselines are stored in a local SQLite file — prompts and agent logs never leave your network (except calls to providers you explicitly configure). / llm-canary を自社インフラ内のサービスとして常駐させられます。 スイート・出力・トレース・ベースラインはローカルの SQLite に保存され、 プロンプトもエージェントログも社外に出ません（明示的に設定したモデル プロバイダへの呼び出しを除く）。

docker compose up -d          # serves on :8080, history persisted in a volume
# or without Docker:
pip install 'llm-canary[server]'
llm-canary serve --port 8080 --token "$CANARY_TOKEN"

With --token (or CANARY_TOKEN), every endpoint except /healthz requires Authorization: Bearer <token> — set it whenever the server leaves 127.0.0.1. / --token を設定すると /healthz 以外の全エンドポイントが Bearer トークン必須になります。127.0.0.1 の外に出すなら必ず設定してください。

Teams and CI jobs talk to it over HTTP / チームや CI からは HTTP で:

# run a suite (body = suite spec as JSON)
curl -X POST localhost:8080/api/runs -H 'content-type: application/json' \
  -d @suite.json

# gate an agent trace
curl -X POST localhost:8080/api/traces/check -H 'content-type: application/json' \
  -d '{"steps": [...], "policy": {"forbidden_tools": ["delete_records"]}}'

# record a team-shared baseline, then check drift against it
curl -X PUT  localhost:8080/api/baselines/main -d @suite.json \
  -H 'content-type: application/json'
curl -X POST localhost:8080/api/baselines/main/check -d '{"suite": ...}' \
  -H 'content-type: application/json'

• GET / — dashboard with run history / 実行履歴ダッシュボード
• GET /api/runs, GET /api/runs/{id} — history & full detail / 履歴と詳細
• GET /healthz — liveness probe

Baselines live on the server, so the whole team (and every CI job) gates against the same baseline instead of per-machine files. / ベースラインはサーバー側に保存されるため、チーム全員とすべての CI ジョブが 同一のベースラインに対して検査できます（マシンごとのファイル管理が不要）。

GitHub Actions

- name: LLM regression gate
  run: |
    uv run llm-canary run canary.yaml --junit junit.xml --md summary.md
    uv run llm-canary trace trace.jsonl --policy policy.yaml

--junit integrates with test reporters; --md is ready to post as a PR comment. / --junit はテストレポーター連携用、--md は PR コメント投稿用。

Architecture / アーキテクチャ

suite YAML ─▶ runner ─▶ provider (echo | fixture | openai | anthropic)
                │              │
                ▼              ▼
           assertions ◀── completion {text, tokens, cost, latency}
                │
                ├─▶ reports: console / JUnit XML / Markdown
                └─▶ baseline: record / drift check (hash embedder)

trace JSONL ─▶ policy checks ─▶ violations (exit 1)

• src/llm_canary/config.py — pydantic specs for suites & policies
• src/llm_canary/providers/ — provider registry (offline + remote)
• src/llm_canary/assertions/ — assertion registry (basic + quality)
• src/llm_canary/baseline.py — snapshot & drift detection
• src/llm_canary/trace.py — agent-trace policy engine
• src/llm_canary/report.py — console / JUnit / Markdown reporters
• src/llm_canary/server.py — self-hosted FastAPI server (REST + dashboard)
• src/llm_canary/storage.py — SQLite history & team-shared baselines

Development / 開発

uv sync
uv run pytest          # entire suite is offline — no keys, no network
uv run ruff check .

License

MIT