Lunary 是面向 LLM 应用团队的 AI开发工具 与 LLMOps 平台，围绕可观测性、日志、链路追踪、Prompt 模板、Prompt Playground、数据集、评测、反馈和安全合规，帮助团队把 AI 应用从“能调用模型”推进到“可监控、可迭代、可治理”。

Lunary 工具正文

Lunary 的核心参数与统计

参数	当前公开信息	核验说明
产品定位	Observability and prompt management platform for LLM-based apps	官网标题与描述直接确认
核心能力	Analytics、Logs、Tracing、Prompt Templates、Prompt Playground、Evals、Datasets、Feedback	官方 docs 的功能页与 API 索引确认
接入方式	Python SDK、JavaScript SDK、OpenTelemetry、OpenAI、Anthropic、Azure OpenAI、LangChain、LiteLLM、Ollama 等	官方 docs 集成目录确认
部署方式	Lunary Cloud + Enterprise Edition 自托管	官方安全文档与 Docker / Kubernetes 文档确认
安全合规	SOC 2 Type 2、ISO 27001:2022、GDPR / CCPA 指南	官方 Data Security 文档确认
官网客户标识	IBM、Zurich、Netomi、Close、DHL 等品牌 logo	官网首页公开展示，具体合同规模未披露
产品边界	监控、调试、评测和治理 LLM 应用，不是模型训练平台	由官方功能结构和文档范围归纳

Lunary 的核心价值不是“再包一层模型 API”，而是把 LLM 应用上线后最难持续管理的几类问题放到同一个工作台：谁在调用、花了多少钱、延迟和错误在哪里、Prompt 哪个版本生效、实验输出能否复现、用户反馈如何回流到评测与迭代。

核验口径上，本文以 lunary.ai 官网、docs.lunary.ai 官方文档、官方 llms.txt 文档索引和公开安全/自托管文档为依据；对未公开的客户数量、收入、留存、创始人和融资数据不做推断。

Lunary 的用户与市场认可

Lunary 面向的不是纯个人玩具型 AI 工具，而是已经把 LLM 调用嵌入产品、客服、内部应用或 Agent 工作流的团队。官网将其表达为面向 LLM-based apps 的可观测与 Prompt 管理平台，并在首页展示企业客户标识与 SOC 2、ISO 27001 认证标识，说明它的商业叙事重点放在生产可用性、团队协作和安全信任上。

从开发者侧看，Lunary 的认可主要体现在接入路径完整：既支持常见模型供应商的 SDK 包装，也支持 OpenTelemetry 标准入口。对已经使用 LangChain、LiteLLM、Ollama 或自定义模型网关的团队来说，这比“只支持某一个模型厂商”的监控工具更容易进入现有架构。

需要谨慎的是，官网没有公开可核验的总客户数、月调用量、ARR 或行业渗透率。因此，采购评估时应把可访问的产品能力、安全文档、自托管要求和试点数据作为主依据，而不是把客户 logo 直接等同于规模化成功。

Lunary 的成本优势

Lunary 的成本优势主要来自“减少不可见损耗”，而不是单纯降低模型 token 单价。LLM 应用进入生产后，真正昂贵的部分往往是无法定位的异常、重复实验、Prompt 版本混乱、没有用户反馈闭环，以及模型切换时缺少可比较数据。

成本层级	Lunary 的公开能力	价值判断
个人 / 早期项目	官网 Pricing 页面提供免费起点	适合低成本验证日志、Prompt 管理和基础监控流程
开发团队	Web 控制台 + SDK + API + OpenTelemetry	把质量、成本、延迟和错误定位前移到开发与上线流程中
企业部署	Scale / Enterprise、审计报告、自托管、Docker / Kubernetes 文档	适合有数据边界、合规审计和私有部署要求的组织
隐性成本	模型调用费、评测样本维护、数据留存策略、权限治理	Lunary 降低排查与治理成本，但不会消除模型和工程成本

对团队来说，Lunary 的 ROI 应该按“减少一次线上事故的排查时间”“降低 Prompt 回归风险”“减少无效模型调用”“让非工程成员安全参与 Prompt 迭代”来衡量。若项目仍停留在 demo 阶段、调用量很低且没有协作需求，完整 LLMOps 平台的收益会被低估。

Lunary 的主要功能

• Analytics：自动统计 LLM 调用成本、调用量、token 使用、平均延迟、错误数和用户使用趋势，帮助团队从“感觉很贵”转为按模型、用户和时间维度归因。
• Logs：记录和检查 LLM 请求与响应，适合复盘异常回答、排查空输出、定位模型供应商错误和分析真实用户输入分布。
• Tracing：针对复杂 Agent、Chain 和 Tool 调用提供链路追踪，官方 SDK 支持包装 agent、chain、tool，让一次用户请求里的多步操作可被串联查看。
• Prompt Templates：将 Prompt 从代码中抽离出来做存储、版本管理、协作和 A/B 测试，减少改 Prompt 就必须重新部署代码的摩擦。
• Prompt Playground：提供交互式 Prompt 测试环境，可比较不同模型、参数与变量，也能连接自定义 API endpoint 来测试 RAG 或 Agent 系统。
• Datasets 与 Evals：官方 API 索引包含 dataset v2、evaluation、criterion、result 等接口，适合把测试样本和评测流程沉淀为可重复资产。
• Feedback Tracking：支持记录用户对回答的点赞、点踩、评论或自定义 JSON 反馈，并可用于过滤调用与后续微调数据准备。
• OpenTelemetry 接入：通过 /v1/otel 接收 OTEL traces，便于接入多语言、多框架和已有可观测体系。
• 安全与治理：提供数据安全说明、GDPR/CCPA 指南、自托管边界、安全联系邮箱和 SOC 2 / ISO 27001 说明。

这些能力组合起来，Lunary 更像“AI 应用生产控制台”，而不是单独的日志查看器。它把 Prompt、调用、用户反馈和评测数据放在同一个上下文里，降低了跨工具拼接证据的成本。

Lunary 的模型与版本演进

Lunary 的版本演进不能只按传统客户端版本号理解。公开页面呈现的是一套云端平台能力持续扩展：从基础日志和可观测，延伸到 Prompt 模板、Playground、数据集、评测、反馈、OpenTelemetry 和自托管。

当前可核验的公开节点包括：

• 官网当前公开版本：官网直接定义 Lunary 为 LLM 应用的可观测与 Prompt 管理平台，并展示安全认证、客户标识与主要入口。
• 官方文档功能体系：docs 索引中已经包含 Observability、Prompt Templates、Prompt Playground、Feedback、Product Analytics、API、OpenTelemetry、自托管、安全合规等页面。
• Enterprise 自托管示例：Docker 文档展示 lunary/backend:1.4.8 与 lunary/frontend:1.4.8 镜像组合，说明企业版自托管有独立部署路径。

因此，评估 Lunary 时更应关注“能力面是否覆盖你的生产流程”，而不是寻找一个单独的“最新模型版本”。它本身不训练或发布基础大模型，而是围绕多模型应用的运行、调试和评测做治理层。

Lunary 的技术优势

SDK 自动采集：官方 Observability 文档明确说明，集成 SDK 后 analytics 和 logs 会自动捕获。这降低了早期接入成本，团队可以先拿到成本、延迟、错误和调用量，再逐步补充更细的 tracing 与反馈。

链路级追踪：对 Agent 和工具调用而言，单条 LLM 请求日志常常不够。Lunary 的 agent、chain、tool 包装能力能把子步骤归到同一次链路里，适合排查“工具调用错了”“检索结果不对”“模型回答受上一步影响”等多步问题。

Prompt 与代码解耦：Prompt Templates 让开发者通过 SDK 渲染模板，同时仍能保留调用追踪。这样非工程成员可以参与 Prompt 版本迭代，工程团队则保留部署、权限和回滚边界。

OpenTelemetry 兼容：OTEL 是通用可观测标准。Lunary 支持接收 OTEL traces，意味着团队可以把 LLM 应用纳入更大的分布式追踪体系，而不是完全依赖专有 SDK。

合规与自托管路径：官方安全文档写明 Cloud 与 self-hosting 的责任边界，并说明自托管适合需要完全控制数据的场景。对医疗、金融、政府或高敏数据项目，这一点比单纯的 UI 功能更关键。

如何使用 Lunary

入口	适合对象	使用方式
Lunary Cloud Web	产品、工程、运营团队	注册后创建项目，在控制台查看日志、Prompt、评测和分析
Python SDK	Python 后端、数据应用、Agent 项目	安装 SDK，包装 OpenAI / Anthropic / Azure OpenAI 或手动记录 run
JavaScript SDK	Node.js、Next.js、前端反馈采集	接入 JS SDK，监控模型调用并上报用户反馈
OpenTelemetry	已有可观测体系的工程团队	将 OTEL traces 发送到 https://api.lunary.ai/v1/otel
API	平台工程与内部工具	通过 Runs、Templates、Datasets、Evals、Views 等 API 做自动化
Self-hosted	企业与强合规团队	使用 Enterprise Edition 的 Docker / Kubernetes 文档部署

推荐落地路径是：先接入最小 SDK 采集调用日志和成本，再把关键 Prompt 迁移到 Templates；随后建立小型评测数据集，对核心场景做回归；最后把反馈、权限、自托管或 OTEL 接入纳入生产治理。这样能避免一开始就追求“大而全”，但又保留向生产体系扩展的路线。

Lunary 的产品定价

Lunary 官网提供公开 Pricing 页面，面向不同规模团队提供免费起点、付费团队档位和企业方案。由于 SaaS 价格、事件额度、席位和功能边界会动态调整，正式采购应以官网实时 Pricing 页面和合同为准。

档位	公开状态	适用判断
Free / 免费起点	官网公开提供	适合验证 SDK 接入、基础日志和 Prompt 工作流
Pro / Team / Scale 等付费档	官网 Pricing 页面公开展示	适合增长中的产品团队，重点核验事件额度、成员数量、数据保留和协作功能
Enterprise	官网提供销售沟通与企业能力入口	适合 SSO、审计、自托管、合规报告、专属支持和更高安全要求
Self-hosted	官方文档说明仅 Enterprise Edition 可用	适合必须把数据留在自有基础设施的团队

成本评估时不要只看月费。更重要的是确认三件事：你的月度 LLM 事件量是否会超额；日志与评测数据需要保留多久；企业合规是否需要自托管、审计报告或专属支持。对于高频 AI 产品，这些边界会比基础订阅价更影响总成本。

Lunary 的应用场景

• AI 客服与聊天机器人监控：记录用户消息、模型回答、错误和反馈，帮助团队定位幻觉、拒答、长延迟和高成本问题。
• RAG 系统调试：在 Prompt Playground 或自定义 endpoint 中测试检索增强流程，并通过 logs / traces 观察上下文是否正确进入模型。
• Agent 工作流排障：用 agent、chain、tool tracing 观察多步推理、工具调用和子任务执行结果，适合自动化助手、内部运营 Agent 和复杂工作流。
• Prompt 版本治理：将 Prompt 抽离为模板，支持协作、版本记录、测试和 A/B 实验，减少线上 Prompt 漂移。
• 模型与参数评测：用 datasets、criteria 和 evaluations 对模型、Prompt、温度、最大 token 等组合做可重复比较。
• 成本与体验监控：按模型、用户和项目观察调用量、成本、延迟和错误，为模型路由、缓存或限流提供依据。
• 合规敏感场景：在需要控制数据边界时，通过 Enterprise 自托管路线把数据留在自有环境。

Lunary 的适用人群

AI 应用开发者：已经在代码里调用 OpenAI、Anthropic、Azure OpenAI、Gemini、Mistral、Ollama 或 LangChain 等框架，需要更好地观察请求、响应、错误和成本。

产品与运营团队：需要参与 Prompt 迭代、查看用户反馈、理解功能使用情况，但不希望每次改动都依赖工程重新部署。

平台工程和 LLMOps 团队：需要为多个 AI 项目建立统一日志、指标、评测和权限治理，尤其适合希望把 OpenTelemetry 或自托管纳入架构的团队。

企业安全与合规团队：关注 SOC 2、ISO 27001、GDPR、CCPA、数据处理边界和自托管要求，需要在上线前确认供应商责任与部署方式。

不太适合的场景是：只偶尔用聊天机器人、没有真实用户调用、没有 Prompt 版本协作，也不需要评测或日志归因。此时用通用日志或模型供应商控制台就足以完成早期验证。

Lunary 的总结与展望

Lunary 适合把 LLM 应用带入生产阶段的团队。它把可观测性、日志、链路追踪、Prompt 管理、评测、反馈和安全合规整合到一套工作流里，解决的是“AI 功能上线后如何持续变好、持续可控”的问题。

它的优势在于接入面较宽、功能闭环完整，并且官方文档同时覆盖 Cloud、自托管、OpenTelemetry 和多模型集成。当前需要注意的边界是：部分商业指标未公开，Product Analytics 文档仍处于补全状态，自托管属于企业版能力，采购前必须用真实调用量、数据保留周期和安全要求做试点核验。

如果你的团队已经有稳定的 LLM 调用和明确的质量指标，Lunary 可以作为 LLMOps 控制台来建立监控、Prompt 版本、评测和反馈闭环；如果还处在 demo 阶段，建议先用免费或低门槛方案接入一条核心链路，确认它能否减少排障时间和 Prompt 迭代风险，再扩大到更多项目。

版本信息

• Lunary Enterprise Edition Docker self-hosting ：官方自托管 Docker 文档示例使用 lunary/backend:1.4.8 与 lunary/frontend:1.4.8，说明企业版支持后端、前端与 PostgreSQL 组合部署。 （未公开）
• Lunary Cloud 当前公开版本 ：以官网与官方文档当前公开状态为准，覆盖 Observability、Prompt Templates、Prompt Playground、Evals、Datasets、Feedback、OpenTelemetry、API 与自托管文档。 （2026-06-21）