LlamaIndex 中无论是 RAG 还是 Agent，都是需要和 LLM 进行交互，在这个流程流中包括搜索、Retrieve和推理等多个阶段。提示词在整个流程通过模板进行控制，LlamaIndex 通过整合和调度完成最终任务。

大模型的一个最大特点就是无法保证回答百分百准确，神经网络最终的输出就是概率相对高的结果。在整个流程中，需要记录所有的操作过程，有利于后期进行确认和进一步的优化。本文简介绍如何开启 LlamaIndex 中看可视化追踪。

追踪组件

LlamaIndex 设计的非常灵活可以方便接入多种可是日志跟踪系统，官方目前支持以下多种日志跟踪系统。

1. Arize Phoenix
2. Langfuse
3. DeepEval
4. Weights and Biases Prompts
5. OpenLLMetry
6. OpenInference
7. TruEra TruLens
8. HoneyHive
9. PromptLayer
10. Langtrace
11. OpenLIT
12. AgentOps

官方推荐 Arize Phoenix 日志系统，这里我们也已Arize Phoenix为例，通过以下步骤接入Arize Phoenix：

本地安装并启动 Arize Phoenix

# python 版本需要 3.10
conda create --name llamaindex python=3.10

conda install -c conda-forge arize-phoenix[evals]

启动服务，监听本地 ip 0.0.0.0 对外服务，默认端口 6006

import phoenix as px
px.launch_app(host="0.0.0.0")  

集成Arize Phoenix

安装 LlamaIndex 依赖

pip install llama-index-callbacks-arize-phoenix      

集成日志系统只需要两行代码

set_global_handler("arize_phoenix", endpoint="http://10.91.3.116:6006/v1/traces")


LlamaIndexInstrumentor().instrument()

任意执行一段与 LLM 进行交互的代码，这里使用的 ReActAgent，运行完成之后，进入 Arize Phoenix 查看结果

整个流程一目了然，比翻代码清晰太多了。

总结

LlamaIndex 设计非常灵活，通过简单的几行代码就能接入可视化日志系统。还是要感谢 LlamaIndex 的作者开源了这么优秀的框架。