_{🧠 图解记忆：Phoenix 适合用开放追踪串联检索分析、实验评测和生产问题定位；点击图片可查看原图。}

**Arize Phoenix 核心用法：**

展开 Python 代码示例（40 行）

from phoenix.trace.tracer import Tracer
from phoenix.trace.openai import OpenAIInstrumentor
from phoenix.trace.llama_index import LlamaIndexInstrumentor
from phoenix.evals import run_evaluation

# 初始化 Phoenix
import phoenix as px
px.launch_app()

# 自动埋点 OpenAI 和 LlamaIndex
OpenAIInstrumentor().instrument()
LlamaIndexInstrumentor().instrument()

# 自定义 span
from opentelemetry import trace

tracer = trace.get_tracer(__name__)

@tracer.start_as_current_span("agent_reasoning")
async def agent_reasoning(agent, query):
    with trace.get_current_span() as span:
        span.set_attribute("query_type", classify_query(query))
        
        result = await agent.run(query)
        
        span.set_attribute("reasoning_steps", len(result.steps))
        span.set_attribute("tools_used", [t.name for t in result.tool_calls])
        
        return result

# 离线评估示例
df = px.session.active_session().get_trace_dataset()
eval_df = run_evaluation(
    dataframe=df,
    evaluators=[
        "relevance-to-query",
        "factuality",
        "harmfulness"
    ]
)

LangSmith vs Arize Phoenix 对比：

维度	LangSmith	Arize Phoenix
定位	LangChain 官方 SaaS	开源自托管
部署	云服务，无需运维	Docker 一键部署，数据完全私有
成本	按量收费，免费版有限	完全免费，开源
评估	内置 LLM-as-Judge	需手动配置 evals
集成	LangChain/LangGraph 原生	框架无关，支持 OpenTelemetry
适用	快速起步 / 原型验证	企业数据合规 / 生产环境

面试话术：

"选 LangSmith 还是 Phoenix 看场景：快速验证用 LangSmith，5 分钟接入；但我们生产用 Phoenix，数据完全在 VPC 里，审计合规没问题。Phoenix 的优势是 trace 数据全链路可查，Agent 跑了 20 步哪步慢了、幻觉在哪冒出来，图形界面一目了然。而且它是开源的，GitHub 3k+ 星，社区活跃。"

---