langfuse-reference-architecture

Production-grade Langfuse architecture patterns and best practices.\nUse when designing LLM observability infrastructure, planning Langfuse deployment,\nor implementing enterprise-grade tracing architecture.\nTrigger with phrases like \

1. Upewnij się, że masz Node.js 18 lub nowszy oraz zainstalowane pakiety: @langfuse/tracing, @langfuse/otel i @opentelemetry/sdk-node. Skill wymaga zrozumienia systemów rozproszonych i asynchronicznych wzorców programowania.

2. Stwórz plik konfiguracyjny (np. src/lib/tracing.ts) z singletonem SDK. Zainicjalizuj NodeSDK z LangfuseSpanProcessor, który będzie odpowiedzialny za wysyłanie śladów do Langfuse. Użyj AsyncLocalStorage do propagacji kontekstu między asynchronicznymi operacjami.

3. Wybierz architekturę na podstawie skali: dla poniżej 100K śladów dziennie użyj bezpośredniego SDK z Langfuse Cloud, dla 100K–1M śladów dodaj batching i rozważ self-hosted, dla ponad 1M śladów wdrożź queue-buffered z samplingiem na infrastrukturze self-hosted z wysoką dostępnością.

4. Skonfiguruj korelację śladów między usługami, aby śledzić żądania przechodzące przez wiele serwisów. Propaguj identyfikatory śladów w nagłówkach HTTP i kontekście asynchronicznym.

5. Dostosuj konfiguracje dla różnych środowisk (development, staging, production) — zmień endpointy Langfuse i poziomy samplingiu w zależności od potrzeb.

6. Testuj architekturę z rzeczywistymi obciążeniami, monitoruj opóźnienia wysyłania śladów i dostosuj rozmiary batchy oraz strategie samplingiu w razie potrzeby.