公開日 2026.05.21 ／ 更新日 2026.06.13 ／ テック比較ジャーナル編集部
LLMを使ったアプリを作ると、必ずぶつかるのが「中で何が起きているか分からない」問題です。ユーザーの質問にAIがどう答えたか、いくらコストがかかったか、なぜ変な回答をしたのか──。これらを記録・可視化するのが観測性（オブザーバビリティ）ツールで、その代表的なオープンソースがLangfuse（ラングフューズ）です。2026年1月にデータベース大手ClickHouseが関連投資を行ったことでも注目が集まりました。本記事では、Langfuseの機能、Dockerでのセルフホスト手順、LangSmithとの違い、料金体系までを初心者向けに解説します。
Langfuseは、LLMアプリの動作を記録・可視化するオープンソースの観測性ツールです。AIへの入力（プロンプト）、出力（回答）、使ったトークン数とコスト、処理にかかった時間などを「トレース」として時系列で残します。これにより、開発者は「どの質問でAIが失敗したか」「コストが跳ね上がったのはどこか」をログから追跡できます。
主な機能は次の通りです。
Langfuse最大の特徴は、MITライセンスのコア機能を無料・無制限で自社サーバーにセルフホストできる点です。クラウド版（Langfuse Cloud）もありますが、あえて自分で運用する理由があります。
| セルフホストの理由 | 内容 |
|---|---|
| データ主権 | プロンプトや顧客データを外部に出さず自社内に保持できる |
| コスト | 大量トレースでもサーバー代のみ。従量課金を避けられる |
| コンプライアンス | 金融・医療など外部送信が制限される業界に対応 |
| カスタマイズ | OSSなので必要に応じて改変できる |
Langfuseのセルフホストは想像より簡単です。Docker Composeを使えば、必要なデータベース（PostgreSQL・ClickHouse・Redis）も含めて一括で立ち上がります。
# 1. リポジトリを取得
git clone https://github.com/langfuse/langfuse.git
cd langfuse
# 2. Docker Compose で起動
docker compose up
# 3. ブラウザでアクセス
# http://localhost:3000 を開く
# 初回はアカウント（組織・プロジェクト）を作成起動後、表示されるAPIキー（public key / secret key）を自分のアプリに設定すれば、トレースが送られ始めます。Python・TypeScript向けの公式SDKがあり、数行のコードで連携できます。本番運用ではこれに加えて、データの永続化（ボリューム設定）とバックアップ、HTTPS化を設計します。
観測性ツールでよく比較されるのが、LangChain社のLangSmithです。両者の違いを整理します。
| 項目 | Langfuse | LangSmith |
|---|---|---|
| ライセンス | OSS（MIT）＋商用機能 | クローズド（商用） |
| セルフホスト | ◎ コア機能を無料・無制限 | △ エンタープライズ契約が必要 |
| フレームワーク依存 | 非依存（どのLLMでも可） | LangChainと親和性が高い |
| 無料枠 | クラウド版に小さな無料枠 | 個人向け無料枠あり（上限あり） |
| 向く人 | データを自社管理したい人 | すぐ使い始めたい・LangChain利用者 |
ざっくり言えば、「データ主権・コスト管理を重視するならLangfuse」「手軽さとLangChain統合を重視するならLangSmith」という棲み分けです。
Langfuseには2つの選択肢があります。セルフホストはコア機能が無料（サーバー代のみ）。一部の高度な機能（SSO強制やデータ保持期間の細かい制御など）は有料のエンタープライズ版です。クラウド版は無料枠＋トレース量に応じた従量課金で、まず試すなら無料枠から始められます。「まず無料枠で評価 → 本格運用でセルフホストに移行」という流れが王道です。
Langfuseの価値は、インストールできることではなく、AIが失敗した時に原因を追えることです。たとえば社内FAQチャットボットが「古い料金表」を根拠に回答してしまった場合、見るべきポイントは次のように分かれます。
| 確認する場所 | 見るべき内容 | 分かること |
|---|---|---|
| Input | ユーザーが実際に聞いた質問 | 質問が曖昧だったのか、検索しやすい聞き方だったのか |
| Retrieved Context | RAGで取得された文書チャンク | 正しい資料を検索できたか、古い資料を拾ったか |
| Prompt | モデルに渡した最終プロンプト | 不要な情報や矛盾した指示が混ざっていないか |
| Output | AIの回答 | 根拠に沿っているか、勝手に補完していないか |
| Cost / Latency | トークン数、処理時間、モデル名 | 高い・遅い原因がどこにあるか |
Docker Composeで起動するだけなら簡単ですが、本番運用では「起動できた」だけでは足りません。次の項目は先に決めておくべきです。
| 状況 | 選びやすい方 | 理由 |
|---|---|---|
| まず数時間で試したい | LangSmith / Langfuse Cloud | クラウドで始める方が速い |
| 顧客データを外に出せない | Langfuse self-host | データを自社環境に置ける |
| LangChain中心の開発 | LangSmith | 統合が自然で導入が軽い |
| フレームワーク非依存にしたい | Langfuse | 複数のLLMや実装方式で使いやすい |
| 大量トレースを長期保存したい | Langfuse self-host | クラウド従量課金を抑えやすい |
観測性ツールは、入れて満足すると意味がありません。最低限、次の数字は定期的に見るべきです。
Langfuseは便利ですが、入れただけでAIアプリが良くなるわけではありません。観測性ツールは、あくまで「問題を見えるようにする道具」です。次のような状態だと、導入しても効果が薄くなります。
本当に必要なのは、「ログを残す」ことではなく、ログを見て改善する運用です。毎週10件の失敗トレースを見るだけでも、プロンプトや検索設計の弱点はかなり見えてきます。
| 段階 | やること | 目的 |
|---|---|---|
| 1週目 | ローカルまたはCloudでトレースを送る | 入力・出力・モデル名が見える状態にする |
| 2週目 | 高コスト・低評価・エラーのトレースを分類 | 失敗パターンを見つける |
| 3週目 | プロンプトをバージョン管理する | 改善前後を比較できるようにする |
| 4週目 | 評価データセットを作る | 変更の良し悪しを定量化する |
セルフホストでも、何でも記録してよいわけではありません。むしろ、ログは長く残るので慎重に扱う必要があります。
| 情報 | 扱い | 理由 |
|---|---|---|
| APIキー | 原則として残さない | 漏洩時の影響が大きい |
| 個人名・メールアドレス | マスキング推奨 | 問い合わせログに混ざりやすい |
| 顧客の機密文書 | 保存範囲を限定 | 権限管理が必要 |
| プロンプト全文 | 用途次第 | システム指示に秘密情報が含まれる場合がある |
Langfuseをチームで使う場合、誰でも全トレースを見られる状態は危険です。AIアプリのトレースには、ユーザーの質問、社内情報、顧客データ、プロンプトの内部指示が含まれることがあります。開発者、CS、営業、管理者で見せる範囲を分ける設計が必要です。
| 役割 | 見せたい情報 | 注意点 |
|---|---|---|
| 開発者 | プロンプト、エラー、レイテンシ、モデル設定 | 顧客個人情報はマスクする |
| CS担当 | ユーザー質問、回答、評価結果 | システムプロンプトや秘密情報は見せない |
| マネージャー | 失敗率、コスト、改善推移 | 個別ログより集計ビュー中心 |
| 外部委託先 | 必要最小限の匿名化ログ | 原文データの持ち出しは禁止 |
理想は、Langfuseを「見るだけの管理画面」にしないことです。週1回でもよいので、次のサイクルを回すとAIアプリの品質は上がります。
このサイクルを作ると、Langfuseは単なるログ保管庫ではなく、AIアプリ改善の運用基盤になります。
最初から大企業並みの監視体制を作る必要はありません。小規模チームなら、まずは「入力」「出力」「モデル名」「コスト」「エラー」「ユーザー評価」が見えるだけで十分です。重要なのは、完璧な監視基盤ではなく、失敗した時に原因をたどれる最低限の記録を残すことです。
逆に、最初から複雑なダッシュボードを作り込むと、誰も見なくなります。週に一度、失敗トレースを10件だけ見る。そこから改善する。Langfuseは、この小さな改善サイクルを作れるかどうかで価値が決まります。
Langfuseは、LLMアプリの「中で何が起きているか分からない」という根本課題を解決する観測性ツールの定番です。最大の強みは、MITライセンスのコア機能を無料・無制限でセルフホストでき、プロンプトや顧客データを自社内に保持できること。Docker Composeで数コマンドで立ち上がる手軽さも魅力です。まずはクラウド版の無料枠か、ローカルのDocker環境で触ってみて、トレースとコスト可視化の便利さを体感するのがおすすめです。データ主権が重要な業務なら、本番はセルフホストへ移行する価値が十分にあります。
LLMアプリの動作を記録・可視化するオープンソースの観測性ツールです。AIへの入力・出力・コスト・処理時間を追跡でき、品質評価やデバッグに使われます。クラウド版とセルフホスト版があります。
LangfuseはオープンソースでMITライセンスのコア機能を無料・無制限にセルフホストできます。LangSmithはLangChain社の商用サービスで、機能は手厚いですが基本クラウド利用です。データを自社管理したい場合はLangfuseが有力です。
Docker Composeを使えば数コマンドで起動できます。公式リポジトリをクローンして docker compose up を実行するだけで構成が一括で立ち上がります。本番運用ではストレージとバックアップの設計が追加で必要です。
LangSmith・Langfuse・Phoenix・Galileoを横断で比較した記事はAIエージェント観測ツール比較2026にまとめています。Langfuseが自分に合うか迷う場合はあわせてご覧ください。