Phoenix 是一个开源的 AI 可观测性平台，专为实验、评估和故障排除而设计。它提供以下功能：

• 追踪 - 使用基于 OpenTelemetry 的工具链追踪您的 LLM 应用程序运行时。
• 评估 - 利用 LLM 对您的应用程序性能进行基准测试，包括响应评估和检索评估。
• 数据集 - 创建用于实验、评估和微调的版本化示例数据集。
• 实验 - 跟踪并评估提示、LLM 和检索方面的变化。
• 游乐场- 优化提示、比较模型、调整参数，并回放已追踪的 LLM 调用。
• 提示管理- 使用版本控制、标记和实验系统地管理和测试提示变更。

Phoenix 不依赖于特定的供应商或编程语言，开箱即用地支持多种流行框架（OpenAI Agents SDK、Claude Agent SDK、LangGraph、Vercel AI SDK、Mastra、CrewAI、LlamaIndex、DSPy）以及大模型服务提供商（OpenAI、Anthropic、Google GenAI、Google ADK、AWS Bedrock、OpenRouter、LiteLLM 等）。有关自动埋点的详细信息，请参阅 OpenInference 项目。

Phoenix 几乎可以在任何环境中运行，包括您的本地机器、Jupyter Notebook、容器化部署或云端。

安装

您可以通过 pip 或 conda 安装 Phoenix：

pip install arize-phoenix

Phoenix 的容器镜像可在 Docker Hub 上获取，可以使用 Docker 或 Kubernetes 进行部署。Arize AI 还在 app.phoenix.arize.com 提供云实例。

软件包

arize-phoenix 包含整个 Phoenix 平台。不过，如果您已经部署了 Phoenix 平台，则可以使用与平台配合使用的轻量级 Python 子包和 TypeScript 包。

Python 子包

软件包	版本与文档	描述
arize-phoenix-otel		提供基于 OpenTelemetry 原语的轻量级封装，并带有 Phoenix 感知的默认配置
arize-phoenix-client		用于通过其 OpenAPI REST 接口与 Phoenix 服务器交互的轻量客户端
arize-phoenix-evals		用于评估大模型应用的工具，包括 RAG 相关性、答案相关性等

TypeScript 子包

包	版本与文档	描述
@arizeai/phoenix-otel		提供基于 OpenTelemetry 原语的轻量级封装，并带有 Phoenix 特有的默认配置
@arizeai/phoenix-client		Arize Phoenix API 的客户端
@arizeai/phoenix-evals		用于 LLM 应用程序的 TypeScript 评估库（Alpha 版）
@arizeai/phoenix-mcp		Arize Phoenix 的 MCP 服务器实现，为 Phoenix 的各项功能提供统一接口
@arizeai/phoenix-cli		用于获取 Trace、数据集和实验的命令行工具，可与 Claude Code、Cursor 等编码助手配合使用

跟踪集成

Phoenix 基于 OpenTelemetry 构建，具有供应商、语言和框架无关性。有关跟踪集成及示例应用的详细信息，请参阅 OpenInference 项目。

Python 集成

	集成	包	版本
	OpenAI	openinference-instrumentation-openai
	OpenAI Agents	openinference-instrumentation-openai-agents
	LlamaIndex	openinference-instrumentation-llama-index
	DSPy	openinference-instrumentation-dspy
	AWS Bedrock	openinference-instrumentation-bedrock
	LangChain	openinference-instrumentation-langchain
	MistralAI	openinference-instrumentation-mistralai
	Google GenAI	openinference-instrumentation-google-genai
	Google ADK	openinference-instrumentation-google-adk
	Guardrails	openinference-instrumentation-guardrails
	VertexAI	openinference-instrumentation-vertexai
	CrewAI	openinference-instrumentation-crewai
	Haystack	openinference-instrumentation-haystack
	LiteLLM	openinference-instrumentation-litellm
	Groq	openinference-instrumentation-groq
	Instructor	openinference-instrumentation-instructor
	Anthropic	openinference-instrumentation-anthropic
	Smolagents	openinference-instrumentation-smolagents
	Agno	openinference-instrumentation-agno
	MCP	openinference-instrumentation-mcp
	Pydantic AI	openinference-instrumentation-pydantic-ai
	Autogen AgentChat	openinference-instrumentation-autogen-agentchat
	Portkey	openinference-instrumentation-portkey
	Agent Spec	openinference-instrumentation-agentspec
	Claude Agent SDK	openinference-instrumentation-claude-agent-sdk

Span 处理器

通过添加统一数据的 span 处理器，在其他观测库之间规范化和转换数据。

软件包	描述	版本
openinference-instrumentation-openlit	OpenInference Span 处理器，用于 OpenLIT 跟踪。
openinference-instrumentation-openllmetry	OpenInference Span 处理器，用于 OpenLLMetry (Traceloop) 跟踪。

JavaScript 集成

	集成	包	版本
	OpenAI	@arizeai/openinference-instrumentation-openai
	LangChain.js	@arizeai/openinference-instrumentation-langchain
	Vercel AI SDK	@arizeai/openinference-vercel
	BeeAI	@arizeai/openinference-instrumentation-beeai
	Claude Agent SDK	@arizeai/openinference-instrumentation-claude-agent-sdk
	Mastra	@mastra/arize
	MCP	@arizeai/openinference-instrumentation-mcp

Java 集成

	集成	包	版本
	LangChain4j	openinference-instrumentation-langchain4j
	SpringAI	openinference-instrumentation-springAI
	Arconia	openinference-instrumentation-springAI

平台

	平台	描述	文档
	BeeAI	内置可观测性的 AI 代理框架	集成指南
	Dify	开源 LLM 应用开发平台	集成指南
	Envoy AI Gateway	基于 Envoy Proxy 构建的用于 AI 工作负载的 AI 网关	集成指南
	LangFlow	用于构建多代理和 RAG 应用程序的可视化框架	集成指南
	LiteLLM Proxy	LLM 的代理服务器	集成指南
	Flowise	用于构建 LLM 应用程序的可视化框架	集成指南
	Prompt Flow	微软的提示流程编排工具	集成指南
	NVIDIA NeMo	NVIDIA NeMo 企业级代理工具包	集成指南
	Graphite	具有可视化构建器的多代理 LLM 工作流框架	集成指南

编码代理技能

此仓库包含技能，可教导编码代理如何使用 Phoenix。这些技能位于.agents/skills/，可与 Claude Code、Cursor 及其他兼容工具一起使用。

技能	描述
phoenix-cli	使用 Phoenix CLI 调试 LLM 应用程序——获取跟踪记录、分析错误、查看实验并查询 GraphQL API
phoenix-evals	使用 Phoenix 构建和运行 AI/LLM 应用程序的评估工具
phoenix-tracing	OpenInference 语义规范及用于跟踪 LLM 应用程序的仪器化

安全与隐私

我们非常重视数据安全和隐私。有关详细信息，请参阅我们的安全与隐私文档。

遥测

默认情况下，Phoenix 会收集基本的 Web 分析数据（例如页面浏览量、UI 交互），以帮助我们了解 Phoenix 的使用情况并改进产品。我们绝不会收集您的任何跟踪数据、评估结果或任何敏感信息。

您可以通过设置环境变量 PHOENIX_TELEMETRY_ENABLED=false 来选择退出遥测。

社区

加入我们的社区，与数千名 AI 构建者建立联系。

• 🌍 加入我们的 Slack 社区。
• 📚 阅读我们的文档。
• 💡 在 #phoenix-support 频道中提问并提供反馈。
• 🌟 在我们的 GitHub 上留下一颗星。
• 🐞 使用 GitHub Issues 报告 bug。
• 𝕏 在 𝕏 上关注我们。
• 🗺️ 查看我们的路线图，了解我们接下来的发展方向。
• 🧑‍🏫 在 Arize 的学习中心深入了解代理和LLM 评估的相关内容。

重大变更

有关重大变更列表，请参阅迁移指南。

版权、专利与许可

版权所有 © 2025 Arize AI, Inc. 保留所有权利。

本代码的部分内容受一项或多件美国专利保护。请参阅IP_NOTICE。

本软件根据 Elastic License 2.0 (ELv2) 的条款进行许可。请参阅LICENSE。

Phoenix 快速上手指南

Phoenix 是一个开源的 AI 可观测性平台，专为大语言模型（LLM）应用的实验、评估和故障排查而设计。它支持链路追踪（Tracing）、自动化评估（Evaluation）、数据集管理、提示词工程等功能，且与主流开发框架和模型提供商无关。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux、macOS 或 Windows（推荐 WSL2）。
• Python 版本：Python 3.9 或更高版本。
• 包管理器：已安装 pip 或 conda。
• 可选依赖：若需使用容器化部署，请确保已安装 Docker。

提示：国内开发者若遇到 PyPI 下载速度慢的问题，建议在安装命令中指定清华或阿里云镜像源。

安装步骤

您可以选择通过 pip 或 conda 进行安装。

方式一：使用 pip 安装（推荐）

标准安装：

pip install arize-phoenix

使用国内镜像加速安装（推荐国内用户）：

pip install arize-phoenix -i https://pypi.tuna.tsinghua.edu.cn/simple

方式二：使用 conda 安装

conda install -c conda-forge arize-phoenix

方式三：Docker 部署

如果您希望独立部署服务而不占用本地 Python 环境，可以使用 Docker：

docker run --rm -it -p 6006:6006 arizephoenix/phoenix

基本使用

安装完成后，您可以通过以下几种最简单的方式启动 Phoenix 并开始观测您的 LLM 应用。

1. 命令行启动（独立服务）

在终端直接运行以下命令，Phoenix 将在本地启动一个 Web 界面（默认端口 6006）：

phoenix serve

启动后，浏览器访问 http://localhost:6006 即可查看仪表盘。

2. 在 Jupyter Notebook 中使用

如果您在 Notebook 中进行实验，可以直接导入并启动：

import phoenix as px

# 启动 Phoenix 实例
session = px.launch_app()

3. 集成追踪示例

Phoenix 基于 OpenTelemetry，支持自动追踪主流框架（如 OpenAI, LangChain, LlamaIndex 等）。以下是一个结合 OpenAI SDK 的最小化追踪示例：

前置准备： 确保已安装对应的集成包（以 OpenAI 为例）：

pip install arize-phoenix-otel openai

代码示例：

import os
from openai import OpenAI
from phoenix.otel import register

# 1. 注册 Phoenix 追踪器 (会自动配置 OpenTelemetry)
register(project_name="my-first-project")

# 2. 初始化您的 LLM 客户端
client = OpenAI(api_key=os.environ["OPENAI_API_KEY"])

# 3. 执行调用，Phoenix 将自动记录链路数据
response = client.chat.completions.create(
    model="gpt-3.5-turbo",
    messages=[{"role": "user", "content": "Hello, Phoenix!"}]
)

print(response.choices[0].message.content)

运行上述代码后，返回 Phoenix Web 界面 (http://localhost:6006)，您即可看到完整的调用链路、延迟分析以及 Token 消耗情况。

4. 连接云端服务（可选）

除了本地运行，您也可以将数据发送到 Arize 云端实例：

import phoenix as px

# 连接到云端实例
px.connect_to_cloud(api_key="YOUR_API_KEY", workspace_url="https://app.phoenix.arize.com")