tracecast 0.2.15

LLM observability SDK — framework-agnostic tracing for AI applications

TraceCast

SDK de observabilidade para LLMs — rastreie tokens, custo, latência, tool calls e o grafo completo de agentes em qualquer framework de IA. Self-hosted, framework-agnostic, Python.

---

O que é

TraceCast captura automaticamente cada interação dentro de uma request de IA — nós, arestas, guardrails, chamadas LLM e tools — e exporta para onde você quiser: MongoDB, PostgreSQL, arquivo JSONL, ou qualquer destino customizado. Um dashboard self-hosted permite visualizar o grafo percorrido, filtrar traces e inspecionar cada etapa.

• Captura o fluxo inteiro — hierarquia pai→filho de spans e arestas (from → to) reconstroem o grafo.
• Zero configuração para LangChain/LangGraph — um callback (ou auto_instrument()) resolve tudo.
• Dados confiáveis — tokens (incl. streaming e cache), custo, latência e status por etapa.
• Save resiliente — falhas de export são logadas e expostas por hook, nunca silenciosas.
• Dashboard separável — rode embutido no app ou standalone numa VM lendo o storage remoto.
• Zero dependências core — instale só o que for usar.

---

Instalação

# Core (sem dependências)
pip install tracecast

# Extras
pip install "tracecast[mongo]"      # MongoExporter
pip install "tracecast[postgres]"   # PostgresExporter
pip install "tracecast[langchain]"  # LangChain / LangGraph
pip install "tracecast[dashboard]"  # FastAPI + uvicorn (dashboard/servidor)
pip install "tracecast[all]"        # tudo

---

Início rápido

LangGraph / LangChain (captura automática)

from tracecast import Tracer, auto_instrument
from tracecast.exporters.mongo import MongoExporter

tracer = Tracer(exporters=[MongoExporter("mongodb://localhost:27017", db="myapp")], logging=True)
auto_instrument(tracer)  # registra o callback global do LangChain

# decore a função/rota que inicia a request
from tracecast import trace_cast

@trace_cast(project_id="suporte", user_id="u1")
def handle(message: str):
    return app.invoke({"messages": [message]})  # seu StateGraph compilado

Cada nó do grafo vira um span com pai correto; arestas percorridas são derivadas automaticamente. Tokens, custo, latência e status são preenchidos por chamada e agregados no trace.

Span manual

from tracecast import Tracer, Span, SpanType, calculate_cost
from tracecast.exporters import JsonFileExporter
from datetime import datetime, timezone
import uuid

tracer = Tracer(exporters=[JsonFileExporter("./traces.jsonl")])

with tracer.trace("minha_run", user_id="usr_1") as trace:
    span = Span(
        span_id=str(uuid.uuid4()),
        type=SpanType.LLM,
        name="llm:gpt-4o",
        model="gpt-4o",
        started_at=datetime.now(timezone.utc),
        finished_at=datetime.now(timezone.utc),
        tokens_in=120,
        tokens_out=80,
    )
    span.cost_usd = calculate_cost("gpt-4o", span.tokens_in, span.tokens_out)
    trace.spans.append(span)

---

Decorators

Decorator	Uso
@trace_cast(...)	Abre um trace (request inteira). Coloque na rota/handler de entrada. Sync e async.
@trace_span(name=..., type=...)	Cria um span filho para qualquer função (guardrails, validações, etapas). Captura input/output/latência/status. Aninha sob o span ativo.

from tracecast import trace_cast, trace_span
from tracecast.models.span import SpanType

@trace_span(name="guardrail_pii", type=SpanType.TOOL)
def check_pii(text: str) -> str:
    ...
    return cleaned

@trace_cast(project_id="suporte")
async def handle(req):
    safe = check_pii(req.text)     # vira span filho com input/output
    return await agent.ainvoke(safe)

---

Frameworks

OpenAI / Anthropic (auto-instrument, inclui streaming)

import openai
from tracecast import Tracer, auto_instrument

tracer = Tracer(exporters=[...])
auto_instrument(tracer)            # faz patch em openai/anthropic/gemini

client = openai.OpenAI()
with tracer.trace("openai-run"):
    # não-streaming e streaming são capturados (tokens via include_usage)
    stream = client.chat.completions.create(
        model="gpt-4o", messages=[{"role": "user", "content": "Olá!"}], stream=True,
    )
    for chunk in stream:
        ...

Alternativa explícita sem patch global: wrap_openai(client) / wrap_anthropic(client).

CrewAI / LlamaIndex

auto_instrument() registra os instrumentors disponíveis. Veja real_examples/ para setups completos.

---

Propagação de contexto em threads

ContextVars propagam para tasks asyncio filhas, mas não para threads (run_in_executor/ThreadPool). Use bind_context para capturar o trace ativo e rodar a função no worker:

from tracecast import bind_context

# ThreadPoolExecutor
pool.submit(bind_context(node_fn, state))

# asyncio executor
await loop.run_in_executor(None, bind_context(node_fn, state))

---

Exporters

Todos aceitam include_fields / exclude_fields. Mongo e Postgres expõem query/get/count usados pelo dashboard para filtrar no banco (data, projeto, usuário, sessão) — sem carregar tudo em memória.

from tracecast.exporters import JsonFileExporter, DictExporter
from tracecast.exporters.mongo import MongoExporter
from tracecast.exporters.postgres import PostgresExporter

JsonFileExporter("./traces.jsonl", exclude_fields={"spans"})
MongoExporter("mongodb://localhost:27017", db="myapp", collection="traces")   # upsert por trace_id
PostgresExporter("postgresql://user:pass@host:5432/db", table="traces")        # ON CONFLICT upsert
DictExporter(on_trace=lambda d: fila.put(d))

Custom:

from tracecast.exporters.base import BaseExporter

class WebhookExporter(BaseExporter):
    def __init__(self, url): self.url = url
    def export(self, trace) -> None:
        import httpx; httpx.post(self.url, json=trace.to_dict())

---

Dashboard

O dashboard (SPA React) é servido pelo backend Python. Duas formas de uso:

1. Embutido no app

from fastapi import FastAPI
app = FastAPI()
tracer.mount(app, prefix="/tracecast")   # dashboard em /tracecast, API em /tracecast/api

2. Standalone numa VM (lê o storage remoto)

O servidor não importa o app de produção — só aponta para o mesmo banco.

pip install "tracecast[dashboard,mongo]"

export TRACECAST_STORE="mongodb://prod-host:27017"   # postgresql:// ou file:// também
export TRACECAST_DB="myapp"
export TRACECAST_PORT=7777
export TRACECAST_AUTH="admin:senha"                  # basic auth opcional
export TRACECAST_CORS="https://meu-front.com"        # opcional

tracecast-server

Variáveis: TRACECAST_STORE (obrigatória), TRACECAST_HOST, TRACECAST_PORT, TRACECAST_PREFIX, TRACECAST_DB, TRACECAST_COLLECTION, TRACECAST_TABLE, TRACECAST_AUTH, TRACECAST_CORS, TRACECAST_MAX_TRACES.

Recursos: filtros por data/projeto/usuário/sessão (server-side), lista paginada, e visualização do grafo DAG percorrido (nós + arestas) com detalhe de input/output/tokens/custo/latência/status ao clicar em cada etapa.

API REST ({prefix}/api): /traces, /traces/{id}, /traces/{id}/graph, /metrics, /sessions, /projects, /health.

---

Logging integrado

tracer = Tracer(exporters=[...], logging=True, log_prefix="meu_agente")

[meu_agente] Trace started
[meu_agente] LLM end → gpt-4o | tokens: 310 in / 95 out | $0.0019 | 2.10s
[meu_agente] Trace finished → total: 405 tokens | $0.0019 | 3.40s | tools: search_web×1

Usa logging.getLogger("tracecast"). Configure com logging.basicConfig ou qualquer handler.

---

Modelo de dados

to_dict() inclui schema_version: 2. Leitura é retrocompatível com v1.

Trace

Campo	Tipo	Descrição
trace_id	str	UUID da execução.
name, user_id, session_id, project_id	str?	Identificadores.
model	str?	Modelo que mais consumiu tokens.
total_tokens_in/out/_in_cached/total_tokens	int	Agregados dos spans.
cost_usd	float	Custo total.
latency_ms	int?	Wall-clock da request.
tools_used	dict	{tool: count}.
spans	list[Span]	Spans da request.
edges	list	Arestas percorridas: {from, to, parent_span_id, conditional}.
metadata, started_at, finished_at

Span

Campo	Tipo	Descrição
span_id	str	UUID.
parent_span_id	str?	Pai na árvore (None = raiz).
type	Enum	LLM / TOOL / AGENT.
name	str	Nome descritivo.
status	Enum	ok / error.
error	str?	Mensagem quando status == error.
model, tokens_in/out/_in_cached, cost_usd, latency_ms		Métricas.
input, output, metadata		Conteúdo da etapa.
started_at, finished_at	ISO8601

---

Resiliência

1. Exceção no código do usuário → trace sempre finalizado e exportado via finally.
2. Exceção no exporter → logada em nível ERROR e exposta via hook on_export_error; nunca silenciosa e nunca interrompe o app. Outros exporters continuam.

   Tracer(exporters=[...], on_export_error=lambda exc, trace, exp: alertar(exc))
   

3. Export assíncrono não-bloqueante — aexport roda fora do event loop (offload em thread).
4. Spans com erro marcados com status="error" + error (first-class, não enterrado em metadata).
5. Multi-tenant / concorrência — cada coroutine/thread isola seu próprio trace via ContextVar.

---

Testes

cd packages/tracecast-py
pip install -e ".[all]" pytest
python -m pytest tests/ -q
# → 242 passed

---

Licença

MIT © Pedro Castanheira Costa