Laminar ist eine Open-Source-Beobachtbarkeitsplattform für KI-Agenten. Der Schwerpunkt liegt auf Ablaufverfolgung, Auswertungen, KI-Überwachung, SQL-Abfrage-Dashboards, Datensätzen und selbstgehosteter Bereitstellung, um Teams dabei zu helfen, die Ursache für Agentenfehler zu lokalisieren und die Iteration fortzusetzen.

Laminar

Kernparameter und Statistiken

Laminar ist eine Open-Source-Observability-Plattform für KI-Agenten. Die offizielle Lagerbeschreibung positioniert es als „Open-Source-Beobachtbarkeitsplattform, die speziell für KI-Agenten entwickelt wurde“. Es handelt sich weder um einen allgemeinen Chatbot noch um ein einfaches Modelltrainings-Framework, sondern es werden die Traces, Auswertungen, Signale, Datensätze, SQL-Abfragen und Dashboards im Agent-Lauflink in derselben LLMOps-Workbench abgelegt.

Projekte	Öffentliche Informationen
Offizielle Positionierung	Open-Source-Beobachtbarkeitsplattform speziell für KI-Agenten
Kernkompetenzen	Ablaufverfolgung, Auswertungen, KI-Überwachung, SQL-Zugriff, Dashboards, Datensätze, Anmerkungen
Technische Roadmap	OpenTelemetry-natives Tracing-SDK, Rust-Backend-Komponenten, benutzerdefinierte Echtzeit-Engine, gRPC-Exporter
Integrierte Objekte	Vercel AI SDK, Browser-Nutzung, Stagehand, LangChain, OpenAI, Anthropic, Gemini usw.
Bereitstellungspfad	Verwaltete Plattform, selbst gehostetes Docker Compose, produktionsgebundenes vollständiges Compose
Open-Source-Lizenz	Apache-2.0
GitHub-Community	Ungefähr 3.026 Sterne, 210 Forks, 86 offene Probleme
Neueste öffentliche Version	v0.2.0, veröffentlicht am 18.06.2026

Positionierungsgrenze: Der Vorteil von Laminar liegt in der Beobachtung und Bewertung von Agentenverbindungen und es ist kein direkter Ersatz für LLM, Vektordatenbanken oder Business-Orchestrierungs-Frameworks. Wenn das Team nur einen einmaligen Bedarf an sofortigem Debuggen hat, ist die Verwendung zu wichtig. Wenn der Agent in die Ausführungsphase mit mehreren Tools, mehreren Modellen und mehreren Schritten eingetreten ist, sind seine Verfolgungs- und Bewertungsperspektiven wertvoller.

Benutzer- und Markterkennung

Die Marktsignale von Laminar stammen hauptsächlich aus der Unterstützung der Open-Source-Community YC und dem Entwickler-Ökosystem und nicht aus der Anzahl der öffentlich bekannt gegebenen Unternehmenskunden. Das offizielle Warehouse zeigt, dass das Projekt zu YC S24 gehört, und die Warehouse-Beschreibung README und die öffentlichen Screenshots konzentrieren sich alle auf die Diagnose von Agentenfehlern und die Effizienz der Iteration, was darauf hindeutet, dass es sich bei den Zielbenutzern nicht um die allgemeine Bürobevölkerung handelt, sondern um Forschungs- und Entwicklungsteams, die KI-Agenten in die Produktion oder Quasi-Produktion bringen.

Open-Source-Popularität: Die GitHub-API zeigt, dass das lmnr-Warehouse etwa 3.026 Sterne und 210 Forks hat und beobachtbare Entwickleraufmerksamkeit erzeugt hat. Dieser Maßstab entspricht nicht der kommerziellen Einführung, reicht jedoch aus, um die fortgesetzte externe Validierung in LLM-Beobachtbarkeits- und Agentenbewertungsszenarien zu veranschaulichen.

Produktsignale: Die offizielle README-Datei listet Traces, Auswertungen, Signale, Datensätze, SQL-Editor und Dashboards als Kernfunktionen auf. Auch Navigationselemente wie Traces, Signale, Auswertungen, Datensätze, Beschriftung, SQL-Editor und Playgrounds sind in den Produkt-Screenshots zu sehen. Diese Informationsarchitektur zeigt den Versuch von Laminar, das gesamte Spektrum von der Laufprotokollierung bis zur Datensatzausfällung, von der Problemerkennung bis zur Auswertung von Regressionen abzudecken.

Unsichere Punkte: Die offizielle Anzahl der kumulierten Benutzer, die Anzahl der zahlenden Kunden oder die Umsatzskala wurden nicht bekannt gegeben, daher sollten diese Dimensionen geheim bleiben. Beim Kauf oder bei der Technologieauswahl ist es besser, die selbstgehostete Lauffähigkeits-SDK-Abdeckungs-Trace-Abfrageleistung und den Eval-Regressionsprozess als Grundlage für die Überprüfung zu verwenden.

Kostenvorteil

• C-Seite/Individuell: Normalerweise wird eine kostenlose Version bereitgestellt, um die Kernfunktionen zu erleben, und für die hochfrequente Nutzung ist ein kostenpflichtiges Paketabonnement erforderlich.
• API/Entwickler: Abrechnung nach Anrufvolumen, geeignet für Entwicklungsteams, die flexibel in ihre eigenen Systeme integriert werden können.
• Unternehmen/privatisiert: Kontaktieren Sie den Geschäftsinhaber für ein individuelles Angebot und einen Bereitstellungsplan. Der konkrete Preis unterliegt der offiziellen Echtzeit-Preisseite.

Hauptfunktionen

Die Funktion von Laminar besteht darin, „herauszufinden, warum der Agent versagt hat, und die Reparatur in einen rückläufigen Prozess umzuwandeln“. Der Kern ist nicht ein einzelner Überwachungspunkt, sondern die Verknüpfung von Trace, Evaluierung, Datensatz und Signal.

• Tracing: Erfassen Sie Agent-Ausführungslinks über das OpenTelemetry-native SDK. In der offiziellen README-Datei wird erwähnt, dass eine Codezeile automatisch Integrationen wie Vercel AI SDK, Browser Use, Stagehand, LangChain, OpenAI, Anthropic, Gemini usw. verfolgen kann. Geeignet für die Fehlerbehebung bei Toolaufrufen, Modellantworten, Spannenzeiten und abnormalen Standorten in mehrstufigen Agenten.
• Bewertungen: Bietet ein erweiterbares SDK und eine CLI zum lokalen Ausführen von Bewertungen oder in CI/CD mit einer Benutzeroberfläche zum Visualisieren von Bewertungsergebnissen und zum Vergleichen von Änderungen. Es eignet sich zur Umwandlung einer einmaligen manuellen Beurteilung in eine Versionsrückgabe-Zugriffskontrolle.
• KI-Überwachung/Signale: Ermöglicht die Beschreibung von Ereignissen in natürlicher Sprache und die Verfolgung von Agentenproblemen, Logikfehlern und benutzerdefinierten Verhaltensweisen. Sein Wert liegt in der Verbesserung der „Ansicht von Protokollen“ zur kontinuierlichen Erkennung geschäftlicher semantischer Probleme.
• SQL-Zugriff: Der integrierte SQL-Editor kann Traces, Metriken und Ereignisse abfragen und aus Abfragen stapelweise Datensätze erstellen, die auch über die API verwendet werden können. Ideal für die Analyse großer Mengen an Spannendaten und Proben zur Sedimentationsbewertung.
• Dashboards und Datensätze: Der Dashboard-Builder kann Dashboards basierend auf Traces, Metriken, Ereignissen und SQL erstellen; Datensätze und Annotations-Benutzeroberfläche dienen der Evaluierungsdatenproduktion.

Die drei wichtigsten Dinge, die während der Implementierung überprüft werden müssen, sind: ob das SDK den vorhandenen Agent-Technologie-Stack abdeckt, ob die Trace-Daten ausreichen, um die Ursache des Fehlers zu erklären, und ob der Evaluierungsdatensatz vom Team kontinuierlich gepflegt werden kann. Ohne diese drei Punkte bleibt die Plattform tendenziell auf der Dashboard-Ebene, die „vollständig aussieht“.

Modell- und Versionsentwicklung

Laminar selbst ist kein großes Modell, daher hängt die „Versionsentwicklung“ hauptsächlich von der Open-Source-Warehouse-Veröffentlichung, der SDK-Integration und der Iteration von Produktmodulen ab. GitHub Releases zeigt, dass die neueste öffentliche Version v0.2.0 ist, veröffentlicht am 18.06.2026; Das gleiche Release-Änderungsprotokoll umfasst eine große Anzahl technischer Aktualisierungen wie Traces-Chat, Debugger, SQL, selbstgehostet, Better Auth, Slack OAuth-Broker, OTEL-Selbstverfolgung usw.

Hauptversion

• v0.2.0 (18.06.2026): neueste öffentliche Version. Die Änderungen umfassen Traces-Chat-OSS, Debugger-Überarbeitung, LLM-Streaming, selbstgehosteten Slack-OAuth-Broker, bessere Auth-Migration, SQL-Endpunktbeschränkungen, OTEL-Selbstverfolgung, konfigurierbares Postgres-Schema usw., was darauf hinweist, dass sich das Projekt von der einfachen Ablaufverfolgung auf Debugging, Bereitstellungsverwaltung und selbstgehostete Unternehmensszenarien ausgeweitet hat.
• v0.1.46 (18.06.2026): Eine direkte Vergleichsbasislinie im Änderungsprotokoll v0.2.0, geeignet als Migrationsbeobachtungspunkt von 0.1.x auf 0.2.x.
• v0.1.45 (~2026-06): Ein historischer Knoten, der durch GitHub-Tags veröffentlicht wird. Einen offiziellen Veröffentlichungstermin gibt es noch nicht. Es wird hauptsächlich verwendet, um die Kontinuität der Versionen der 0.1.x-Serie zu beobachten.

Vorschläge zur Versionsauswahl: Aufgrund der Produktionsumstände ist es nicht ratsam, nur dem neuesten Tag zu folgen. Eine zuverlässigere Möglichkeit besteht darin, das Release zu reparieren, einen Satz repräsentativer Agent-Traces und Evaluierungsdatensätze für die Regression zu verwenden und vor dem Upgrade zu bestätigen, dass das SDK, das Datenbankschema, die Abfrageleistung und die Berechtigungskonfiguration stabil sind.

Technische Vorteile

Der technische Vorteil von Laminar ergibt sich aus der Kombination aus „agentenspezifischem Beobachtungsmodell + selbstgehostetem Engineering-Stack + Datenabfragbarkeit“ und nicht aus der Fähigkeit eines einzelnen Modells.

OpenTelemetry-native Tracing: Verwendet das Trace/Span-Denken im Beobachtungsökosystem mechanisch wieder und integriert den Modellaufruf, den Toolaufruf und die Funktionsausführung des Agenten in einem einheitlichen Link. Der Effekt besteht darin, dass sich der Problemort von „Lesen verstreuter Protokolle“ zu „Wiederherstellen des Ausführungspfads entlang der Spanne“ ändert. Das anwendbare Szenario ist Multi-Modell, Multi-Tool und Multi-Step-Agent.

Rust und Echtzeit-Engine: In der offiziellen README-Datei wird die Verwendung von Rust für das Backend, eine benutzerdefinierte Echtzeit-Engine, eine ultraschnelle Volltextsuche und ein gRPC-Exporter erwähnt. Der Mechanismus legt Wert auf hohen Durchsatz und Echtzeitanzeige. Der Effekt besteht darin, dass es besser für Szenarien mit großen Spurenmengen und kurzen Debugging-Fenstern geeignet ist. Es eignet sich für Online-Agenten, Browser-Agenten, Kundenservice-Agenten und automatisierte Recherche-Agenten.

SQL direkt in die Datenschicht: Dank des integrierten SQL-Editors und API-Zugriffs bleiben Traces, Metriken und Ereignisse nicht nur in UI-Filtern. Der Mechanismus verwandelt Beobachtungsdaten in analysierbare Daten. Der Effekt besteht darin, dass Datensätze stapelweise aus Fehlerproben erstellt und dann umgekehrt zur Auswertung verwendet werden können; Es eignet sich für F&E- und Plattformteams mit vorhandenen Datenanalysefunktionen.

Selbstgehosteter Pfad: Docker Compose und Production Full Compose geben Teams die Kontrolle über die Datenebene. Dadurch wird der Widerstand verringert, dass sensible Agentendaten in Hosting-Umgebungen von Drittanbietern gelangen. Zu den anwendbaren Szenarien gehören interne Wissensdatenbankagenten, Enterprise-Prozessagenten und Geschäftsagenten, die Kundendaten enthalten.

Wie man es benutzt

Der Nutzungszugang von Laminar ist in drei Ebenen unterteilt: Hosting-Plattform, selbst gehostete Bereitstellung und SDK/CLI-Zugriff. Der schnellste in der offiziellen README-Datei angegebene Weg ist die Verwendung der verwalteten Plattform. Für das Selbsthosting können Sie das Warehouse klonen und über Docker Compose starten. Auf die Lightweight-Version kann standardmäßig in einem lokalen Browser zugegriffen werden.

Nutzungsportal	Typische Schritte	Passende Objekte	Wichtige Punkte für die Akzeptanz
Verwaltete Plattform	Erstellen Sie ein Projekt, generieren Sie einen Projekt-API-Schlüssel und stellen Sie eine Verbindung zum SDK	her Teams, die Traces/Auswertungen schnell verifizieren wollen	Ob der erste Trace sichtbar ist und ob die Schlüsselspanne des Agenten vollständig ist
Selbsthostender Docker Compose	Klonen Sie den Warehouse-Docker, erstellen Sie ihn, konfigurieren Sie die SDK-BaseURL und den Port	Forschungs- und Entwicklungsteam, das die Datenebene kontrollieren muss	Dienstverfügbarkeit, Datenbankpersistenz, Upgrade-Migration, Berechtigungsgrenzen
TS/Python SDK	npm add @lmnr-ai/lmnr oder pip install lmnr[all], initialisiere Laminar	Entwickler mit vorhandenem Agentencode	Automatische Instrumentierungsabdeckung, manuelle Beobachtung der Anmerkungskosten
Bewertungen / CI	Führen Sie Auswertungen mit SDK oder CLI durch, vergleichen Sie die Ergebnisse lokal oder in CI/CD	Teams, die eine Regressionsbewertung benötigen	Qualität des Bewertungssatzes, Schwellenwertregeln, fehlgeschlagenes Probenrecycling

Der minimale Pilot kann mit einem Agenten-Workflow mit einer hohen Fehlerrate beginnen: Verbindung zur Ablaufverfolgung herstellen, fehlerhafte Proben markieren, sie in Datensätze konvertieren und dann nach jeder Eingabeaufforderung, jedem Werkzeug- oder Modellwechsel eine Auswertung durchführen. Dadurch kann die Kernfunktionalität von Laminar überprüft werden, anstatt nur zu überprüfen, ob das Dashboard im Screenshot gut aussieht.

Produktpreise

Das Preismodell unterliegt der offiziellen Echtzeitseite. In der Regel wird ein Freemium- oder Abonnementsystem verwendet und Grundfunktionen können kostenlos genutzt werden. Für erweiterte Funktionen oder eine hochfrequente Nutzung sind kostenpflichtige Abonnements erforderlich. Benutzern wird empfohlen, die optimale Lösung anhand der tatsächlichen Nutzung zu bewerten.

Anwendungsszenarien

Laminar eignet sich besser für Szenarien, in denen der Agent bereits in die Engineering-Phase eingetreten ist, insbesondere für Systeme, bei denen die Fehlerursache anhand eines einzelnen Protokolls nur schwer klar erkennbar ist.

• Debugging von Browser-/Webseitenoperationsagenten: Durch Integrationen wie Browser Use und Stagehand eignet es sich für die Verfolgung von Modellbeurteilungen, Toolaufrufen und Seitenoperationen in Webseitenaufgaben. Der Hauptvorteil besteht darin, festzustellen, ob ein Fehler bei der Erkennung, Planung, Werkzeugausführung oder Ausgabeanalyse aufgetreten ist.
• Kundenservice und interne Prozessagentenüberwachung: Mehrstufiger Kundenservice, Arbeitsauftragsumleitung und interne Genehmigungsagenten umfassen häufig Modellaufrufe, Geschäfts-APIs und Regelbeurteilungen. Laminar kann Signale verwenden, um Logikfehler zu verfolgen, und Dashboards, um Problemtrends zu beobachten.
• LLM-Anwendungsregressionsbewertung: Änderungen an Eingabeaufforderungen, Modellversionen und Toolschemata können zu Verhaltensabweichungen führen. Die Auswertungen, Datensätze, Annotationen und CI/CD von Laminar eignen sich für die Einordnung wichtiger Stichproben in kontinuierliche Regressionssätze.
• Agent, der die Datenanalyse ausführt: Mit dem SQL-Editor können Traces, Metriken und Ereignisse stapelweise abgefragt und in Datensätze konvertiert werden. Geeignet für Plattformteams zur Analyse zeitaufwändiger Zeitspannen, häufiger Fehlertypen und zur Modellierung von Kostenstrukturen.

Zu den ungeeigneten Szenarien gehören reine Chat-Demos, einmalige Wortexperimente, frühe Prototypen ohne Produktionsspuren und gewöhnliche Webdienste, die nur herkömmliches APM erfordern.

Anwendbare Personen

Die starken Anpassungsfähigkeitsgruppen von Laminar sind Teams, die bereits Agentenanwendungen erstellen und Debugging-Erfahrung in wiederverwendbaren Beobachtungs- und Bewertungsressourcen sammeln müssen.

• KI-Ingenieure und Agentenentwickler: Sie müssen wissen, in welcher Spanne, welchem ​​Tool oder welcher Modellausgabe jeder Agentenfehler auftritt. Laminar kann Links in Spuren erweitern und unterstützt die manuelle Beobachtung, um Schlüsselfunktionen einzuschließen.
• LLMOps/Plattform-Team: Sie müssen die Ausführungsqualität mehrerer Agent-Projekte einheitlich überwachen, Dashboards erstellen, Trace-Daten abfragen und selbst gehostete Bereitstellungen verwalten. SQL, Dashboards und selbstgehostete Pfade von Laminar sind besser auf die Verantwortlichkeiten der Plattform abgestimmt.
• Qualitätssicherungs- und Bewertungsleiter: Manuelle Annotation, fehlgeschlagene Proben und Regressionsbewertung müssen verknüpft werden. Die Datensätze, Anmerkungen und Auswertungen von Laminar dienen dem Prozess der „Erkennung von Verhaltensverschlechterungen vor der Inbetriebnahme“.
• Produkt- und Geschäftsleiter: Geeignet für die Anzeige von Qualitätstrends und Fehlertypen in erfahrenen Teams, jedoch nicht für die direkte Verwendung von Laminar als No-Code-Geschäftstool.

Voraussetzung ist, dass das Team mindestens über grundlegende technische Zugriffsfunktionen verfügt, SDK-/API-Schlüssel verwalten und Evaluierungsbeispiele sowie Geschäftsausfallkriterien definieren kann. Ohne diese Grundlagen werden Laminars Fähigkeiten ineffizient genutzt.

Zusammenfassung und Ausblick

Es bietet wettbewerbsfähige Lösungen in seinem Bereich und sein Kernwert liegt darin, die Schwelle für den Einsatz von KI in diesem Bereich zu senken.

Aktuelle Einschränkungen: Für einige erweiterte Funktionen ist ein kostenpflichtiges Abonnement erforderlich, und die kostenlose Version unterliegt Funktions- oder Nutzungsbeschränkungen. Spezifische technische Details und Leistungsbenchmarks wurden noch nicht vollständig bekannt gegeben.

Verwandte Tools: CrewAI, langchain

Versionsinfo

• Laminar v0.2.0 ：Die neueste von GitHub Releases veröffentlichte Version umfasst Traces-Chat, Debugger-Überarbeitung, selbstgehosteten Slack OAuth-Broker, Better Auth Migration SQL und Tracing-bezogene Verbesserungen usw. （2026-06-18）
• Laminar v0.1.46 ：Der letzte öffentliche Versionsknoten im Vergleich des GitHub-Tags mit dem Änderungsprotokoll v0.2.0, der als direkte historische Baseline für v0.2.0 verwendet wird. （2026-06-18）
• Laminar v0.1.45 ：Historische Versionsknoten, die durch GitHub-Tags veröffentlicht werden. Einen offiziellen genauen Veröffentlichungstermin gibt es derzeit nicht. Es ist geeignet, die Entwicklung der 0.1.x-Serie nachzuvollziehen. （~2026-06）