Foglamp
Foglamp adalah platform observabilitas untuk agen AI yang menginstrumentasi panggilan LLM untuk melacak biaya, latensi, jejak, evaluasi, peringatan, dan pengeluaran per-agen, membantu tim menangkap regresi dan output buruk lebih awal.
https://www.foglamp.dev/?ref=producthunt&utm_source=aipure
Informasi Produk
Diperbarui:Jun 22, 2026
Apa itu Foglamp
Foglamp adalah produk observabilitas yang berfokus pada pengembang yang dirancang untuk membuat agen AI dan aplikasi LLM dapat diukur dan di-debug dalam produksi. Ini memberikan visibilitas ke dalam biaya, latensi, dan kualitas setiap panggilan LLM, dan membantu tim memahami perilaku agen ujung ke ujung melalui jejak dan run waterfall yang mencakup prompt dan respons yang tepat. Dengan instrumentasi sekali melalui SDK, Foglamp bertujuan untuk memusatkan pemantauan dan analisis sehingga tim dapat mengirimkan sistem agen dengan percaya diri dan dengan cepat mendeteksi masalah sebelum pengguna melakukannya.
Fitur Utama Foglamp
Foglamp adalah SDK dan platform observabilitas untuk agen AI yang memungkinkan tim menginstrumentasikan panggilan LLM sekali dan kemudian memantau biaya, latensi, jejak, dan kualitas output di seluruh alur kerja multi-agen. Ini menyediakan visibilitas per-span dan per-agen ke dalam prompt/respons, run waterfall, dan pengeluaran berdasarkan model/pelanggan, ditambah alat evaluasi (pemeriksaan kode dan penilai LLM) dan peringatan pada ambang batas seperti regresi biaya, lonjakan latensi, dan tingkat kesalahan—membantu menangkap output yang buruk dan pengeluaran yang tidak terkontrol sebelum pengguna melakukannya.
Instrumentasi SDK tunggal: Instrumentasikan sekali (misalnya, generateText/streamText) dan secara otomatis tangkap telemetri end-to-end untuk panggilan LLM dan jalankan agen.
Analisis biaya dan pengeluaran: Lacak berapa biaya setiap panggilan dengan rincian berdasarkan model, agen, dan pelanggan untuk mengidentifikasi regresi dan mengoptimalkan penggunaan.
Pelacakan dan run waterfall: Visualisasikan alur panggilan lengkap dengan span per-agen, latensi, dan langkah-langkah yang diantrekan, termasuk prompt dan respons yang tepat per span.
Evaluasi kualitas pada lalu lintas produksi: Nilai output menggunakan pemeriksaan kode deterministik dan evaluasi LLM-judge untuk memantau tingkat kelulusan dan mendeteksi respons yang menurun.
Peringatan dan aturan ambang batas: Tetapkan aturan pada biaya, latensi, dan tingkat kesalahan untuk secara proaktif menandai insiden seperti peningkatan pengeluaran mendadak atau perlambatan.
Pemantauan berorientasi privasi: Dirancang untuk mendukung observabilitas tanpa menangkap PII (seperti yang ditunjukkan oleh posisi "Tanpa PII" produk).
Kasus Penggunaan Foglamp
Kontrol biaya fitur AI SaaS: Pantau pengeluaran LLM per-penyewa dan per-fitur untuk mencegah erosi margin, mendeteksi regresi biaya 10×, dan menegakkan batasan anggaran.
Keandalan agen dukungan pelanggan: Lacak agen dukungan multi-langkah (pengambilan → penyusunan → kritik) dan evaluasi kualitas output untuk menangkap respons yang berbahaya atau salah sejak dini.
Asisten belanja e-commerce: Lacak latensi dan kesalahan di seluruh alur kerja agen (pencarian, rekomendasi, bantuan checkout) dan beri peringatan ketika kinerja memengaruhi konversi.
Asisten yang sensitif terhadap Fintech/kepatuhan: Gunakan evaluasi dan pelacakan untuk memvalidasi kebenaran respons dan kepatuhan kebijakan sambil mempertahankan postur observabilitas tanpa PII.
R&D dan eksperimen prompt/model: Bandingkan model dan versi prompt menggunakan metrik biaya/latensi/kualitas untuk memilih konfigurasi terbaik untuk produksi.
Kelebihan
Visibilitas yang jelas ke dalam biaya, latensi, dan kualitas per panggilan LLM dan per span agen.
Pelacakan end-to-end dengan konteks prompt/respons membuat debugging alur kerja agen lebih cepat.
Evaluasi dan peringatan bawaan membantu menangkap regresi sebelum pengguna menyadarinya.
Kekurangan
Membutuhkan penambahan/pemeliharaan instrumentasi SDK dalam basis kode Anda.
Menyimpan prompt/respons untuk observabilitas mungkin memerlukan tata kelola yang cermat bahkan dengan pendekatan "tanpa PII".
Nilai terbaik tergantung pada seberapa banyak Anda mengandalkan alur kerja LLM/agen; mungkin berlebihan untuk penggunaan minimal.
Cara Menggunakan Foglamp
1) Pilih "Foglamp" mana yang Anda maksud (observabilitas AI vs. platform edge IIoT FogLAMP): Sumber-sumber tersebut mencakup dua produk berbeda dengan nama yang mirip: (A) Foglamp.dev (observabilitas untuk agen AI) dan (B) FogLAMP (gateway edge IIoT). Ikuti tutorial di bawah ini yang sesuai dengan tujuan Anda.
2) Foglamp.dev (agen AI): Instal SDK: Tambahkan Foglamp SDK ke aplikasi Anda menggunakan manajer paket JavaScript/TypeScript Anda (situs menunjukkan penggunaan melalui `import { foglamp } from "foglamp"`).
3) Foglamp.dev (agen AI): Inisialisasi Foglamp dalam kode: Buat instance klien Foglamp seperti yang ditunjukkan: `import { foglamp } from "foglamp"; const fog = foglamp();`.
4) Foglamp.dev (agen AI): Instrumentasi panggilan LLM Anda: Instrumentasi panggilan `generateText` / `streamText` Anda (situs menyatakan "Dua baris menginstrumentasi setiap panggilan generateText / streamText") sehingga Foglamp dapat menangkap jejak, latensi, dan biaya per panggilan.
5) Foglamp.dev (agen AI): Periksa jejak dan waterfall: Gunakan Foglamp untuk melihat rentang per-agen, alur panggilan lengkap, dan waterfall untuk setiap eksekusi termasuk prompt dan respons yang tepat per rentang.
6) Foglamp.dev (agen AI): Lacak biaya dan rincian pengeluaran: Gunakan tampilan biaya Foglamp untuk melihat pengeluaran berdasarkan model, agen, dan pelanggan, dan mengidentifikasi regresi (misalnya, lonjakan biaya).
7) Foglamp.dev (agen AI): Tambahkan pemeriksaan kualitas dan evaluasi: Nilai lalu lintas produksi menggunakan pemeriksaan kode dan juri LLM, dan pantau tingkat kelulusan (situs menyoroti penilaian dan evaluasi produksi).
8) Foglamp.dev (agen AI): Konfigurasi peringatan: Atur aturan ambang batas pada biaya, latensi, dan tingkat kesalahan untuk menangkap regresi sebelum pengguna melakukannya.
9) FogLAMP (IIoT): Instal prasyarat (contoh Debian/Ubuntu): Instal dependensi build/runtime umum yang disebutkan dalam sumber (contohnya termasuk: `avahi-daemon`, `curl`, `cmake`, `g++`, `make`, `build-essential`, `autoconf`, `automake`, `uuid-dev`, `libtool`, `libboost-dev`, `libpq-dev`, `libssl-dev`, `libz-dev`, `python3-dev`, `python3-pip`, `postgresql`, `sqlite3`, `libsqlite3-dev`). Gunakan `sudo` sesuai kebutuhan.
10) FogLAMP (IIoT): Hindari prompt Kerberos interaktif (opsional): Jika menginstal `krb5-user`, atur `DEBIAN_FRONTEND=noninteractive` untuk menghindari pertanyaan KDC interaktif selama instalasi, seperti yang ditunjukkan dalam sumber.
11) FogLAMP (IIoT): Bangun FogLAMP dari sumber: Kloning repositori FogLAMP, lalu jalankan `make` di direktori tingkat atas untuk membangun.
12) FogLAMP (IIoT): Instal FogLAMP dan atur FOGLAMP_ROOT: Jalankan `make install` (atau `sudo make install` jika diperlukan). Kemudian atur variabel lingkungan `FOGLAMP_ROOT` ke jalur instalasi (default dicatat sebagai `/usr/local/foglamp`).
13) FogLAMP (IIoT): Jalankan dari pohon pengembangan (alternatif): Alih-alih menginstal, Anda dapat menjalankan dari pohon pengembangan dengan mengatur variabel lingkungan yang diperlukan yang dijelaskan dalam sumber (dokumen menunjukkan satu variabel lingkungan diperlukan, berdasarkan direktori dasar klon Anda).
14) FogLAMP (IIoT): Instal melalui manajer paket (opsi toolkit pengembang): Konfigurasi repositori paket Dianomic Systems (jika belum dikonfigurasi) dan instal paket seperti `foglamp-dev` menggunakan `apt`. Sumber merekomendasikan untuk mencocokkan versi toolkit dengan versi FogLAMP yang Anda jalankan.
15) FogLAMP (IIoT): Mulai dengan PostgreSQL (opsional): Jika Anda menginginkan penyimpanan PostgreSQL, instal paket PostgreSQL secara eksplisit sebelum memulai FogLAMP (seperti yang dicatat dalam sumber).
16) FogLAMP (IIoT): Kembangkan atau instal plugin: Gunakan plugin South untuk menyerap data dari perangkat dan plugin North untuk mengirim data ke tujuan. Plugin dapat ditulis dalam Python atau C/C++. Untuk build plugin C/C++, sumber mencatat header/library biasanya ada di `/usr/include/foglamp` dan `/usr/lib/foglamp`.
17) GUI FogLAMP (opsional): Jalankan GUI dalam mode pengembangan: Di direktori `foglamp-gui`, jalankan `yarn install && yarn start` (atau `yarn start --host <ip_address>` untuk mengakses dari mesin lain). Kemudian buka `http://localhost:4200/` (atau `http://<ip_address>:4200/`).
18) GUI FogLAMP (opsional): Bangun dan sebarkan GUI: Jalankan `./build --clean-start` untuk membuat artefak build di `dist/`. Sebarkan dengan menyalin `dist/` ke mesin target dan menyajikannya melalui nginx; sumber menyebutkan penggunaan `nginx.conf` yang disediakan dan memastikan nginx (atau nginx-light) terinstal.
FAQ Foglamp
Foglamp adalah alat observabilitas untuk agen AI yang memungkinkan Anda melihat biaya, latensi, dan kualitas panggilan LLM, membantu Anda menangkap output yang buruk sebelum pengguna melakukannya.
Video Foglamp
Artikel Populer
Atoms: Platform AI Multi-Agen yang Mengubah Ide menjadi Produk Siap Diluncurkan
May 22, 2026
Nano Banana SBTI: Apa Itu, Bagaimana Cara Kerjanya, dan Cara Menggunakannya di Tahun 2026
Apr 15, 2026
Ulasan Atoms — Pembuat Produk AI yang Mendefinisikan Ulang Kreasi Digital di Tahun 2026
Apr 10, 2026
Kilo Claw: Cara Menerapkan dan Menggunakan Agen AI "Lakukan-Untuk-Anda" Sejati (Pembaruan 2026)
Apr 3, 2026
Alat AI Terbaru Serupa dengan Foglamp
Hapticlabs
Hapticlabs adalah toolkit tanpa kode yang memungkinkan desainer, pengembang, dan peneliti untuk dengan mudah merancang, membuat prototipe, dan menerapkan interaksi haptik yang imersif di berbagai perangkat tanpa pemrograman.
Deployo.ai
Deployo.ai adalah platform penerapan AI yang komprehensif yang memungkinkan penerapan model, pemantauan, dan penskalaan yang mulus dengan kerangka kerja AI etis bawaan dan kompatibilitas lintas cloud.
CloudSoul
CloudSoul adalah platform SaaS bertenaga AI yang memungkinkan pengguna untuk segera menerapkan dan mengelola infrastruktur cloud melalui percakapan bahasa alami, menjadikan manajemen sumber daya AWS lebih mudah diakses dan efisien.
Devozy.ai
Devozy.ai adalah platform layanan mandiri pengembang yang didukung AI yang menggabungkan manajemen proyek Agile, DevSecOps, manajemen infrastruktur multi-cloud, dan manajemen layanan TI menjadi solusi terpadu untuk mempercepat pengiriman perangkat lunak.
Alat AI Populer Seperti Foglamp
A2A Protocol
Protokol A2A (Agent2Agent) adalah protokol interoperabilitas terbuka yang dikembangkan oleh Google yang memungkinkan komunikasi dan kolaborasi tanpa batas antara agen AI di berbagai kerangka kerja dan vendor, terlepas dari arsitektur yang mendasarinya.
VoltOps
VoltOps adalah platform observabilitas LLM agnostik kerangka kerja yang menyediakan alat pemantauan visual, debugging, dan optimasi waktu nyata untuk agen AI di seluruh tumpukan teknologi apa pun.
Chaterm
Chaterm adalah terminal asli AI sumber terbuka dan kopilot SRE yang memungkinkan para insinyur untuk mengelola infrastruktur yang kompleks melalui bahasa alami, mengotomatiskan penerapan, pemecahan masalah, dan operasi tanpa menghafal perintah.
Open Browser Use
Open Browser Use adalah lapisan otomatisasi browser open-source, netral-runtime-agen yang memasangkan ekstensi Chrome dengan CLI/SDK/MCP untuk memungkinkan kontrol tab yang sadar DOM, bertenaga CDP, navigasi, dan tindakan di berbagai alat agen AI.