LangChat Pro 提供了完整的调用链路存储方案和可视化日志呈现机制，帮助开发者全面追踪和分析 AI 应用的执行过程。
概述
LangChat Pro 的链路监控日志系统分为两大类：- LLM Chat 链路日志：记录基于提示词构建的 Agent 应用在对话过程中的完整 LLM 调用链路
- 工作流链路日志：记录工作流执行过程中各节点的详细执行情况，包含节点的输入输出信息
LLM Chat 链路日志
在 LangChat Pro 产品中，每个 Agent 应用在对话交互时均提供完整的调用链路日志，涵盖以下核心维度：- 上下文历史：完整的对话上下文记录
- RAG 召回日志：知识库检索和召回的详细数据
- Function Call 调用日志：LLM 执行工具调用的完整记录
- MCP 调用日志：Model Context Protocol 工具的执行记录
- Token 消耗统计：输入/输出 Token 的精确消耗信息
- 思维链过程：LLM 的推理和思考过程追踪
链路日志详情
思考过程信息
系统实时捕获并展示 LLM 的推理过程，帮助开发者理解模型的决策逻辑。
上下文历史
完整记录对话的上下文信息，包括历史消息和当前交互的完整状态。
Token 消耗信息
精确统计每次 LLM 调用的输入和输出 Token 消耗量，便于成本控制和性能优化。
RAG 召回数据
详细记录知识库检索过程，包括召回的文档片段、相似度得分等关键信息。
Tools 调用日志
完整记录 Function Call 和 MCP 工具的调用过程，包括调用参数、执行结果和返回数据。
工作流执行链路日志
工作流执行链路日志系统经过精心设计和优化，提供实时执行动画和完整的执行链路追踪能力。工作流执行动画
LangChat Pro 提供直观的可视化执行动画，实时展示后端工作流的执行进度和节点状态。执行状态可视化
- 实时节点追踪：前端实时展示当前执行的节点位置
- 执行状态指示：清晰标识每个节点的执行状态（成功/失败/运行中）
异常处理机制
当工作流执行过程中发生错误时，系统提供多层级的异常信息展示： 执行报错场景
完整的异常堆栈信息
提供详细的错误堆栈跟踪，便于开发者快速定位问题根源。
用户友好的异常提示
面向最终用户的错误提示信息，清晰描述异常原因并提供解决方案。
工作流执行日志
在测试面板中，系统提供顺序节点的详细执行日志，包括：- 节点输入参数：完整的入参数据结构
- 节点输出结果：详细的出参和返回值
- 执行时间统计：各节点的执行耗时
持久化消息日志
系统支持查看每条消息的完整执行链路，便于历史追溯和问题排查。- 消息级别的链路追踪：按消息维度查看完整的执行路径
- 历史回溯能力：支持查看历史消息的详细执行情况
通过完善的链路监控日志系统，开发者可以全面了解 AI 应用的运行状态，快速定位和解决问题，持续优化应用性能和用户体验。