Arize Phoenix는 Arize AI가 출시한 오픈 소스 AI 관측 플랫폼입니다. LLM/에이전트 추적, OpenTelemetry 수집, 판사로서의 LLM 평가, 데이터 세트, 실험 놀이터 및 신속한 관리를 다룹니다. 개발팀이 컨테이너 Kubernetes 또는 Phoenix Cloud에서 로컬로 AI 애플리케이션을 디버그하고 개선하는 데 적합합니다.

도구 텍스트

핵심 매개변수 및 통계

Arize Phoenix는 AI 엔지니어링 팀을 위한 오픈 소스 관찰 및 평가 플랫폼입니다. 핵심 목표는 모델 자체를 대체하는 것이 아니라 LLM, RAG, 에이전트 및 프롬프트의 반복 프로세스 중에 실행 중인 증거를 촉진하는 것입니다. 요청 링크 범위, 토큰 및 비용, 검색 컨텍스트, 평가 결과, 데이터 세트 버전 및 실험 결과를 모두 동일한 시스템에서 관찰할 수 있습니다. 공식 GitHub README에서는 Phoenix를 실험, 평가 및 문제 해결을 다루는 오픈 소스 AI 관찰 플랫폼으로 지정합니다.

프로젝트	공공정보
제품명	아리즈 피닉스
공식입장	phoenix.arize.com
서류접수	arize.com/docs/phoenix
GitHub 저장소	Arize-ai/phoenix
PyPI 패키지	arize-phoenix
현재 버전	17.9.0, 2026년 6월 19일에 출시됨
라이센스	탄력적 라이선스 2.0; 공식 문서에서는 자체 호스팅이 무료이며 기능적 한계가 없다고 설명합니다
배포 양식	로컬 Jupyter 노트북, Docker, Kubernetes/Helm, Phoenix Cloud/Arize AX
핵심역량	추적, 평가, 데이터 세트, 실험, 플레이그라운드, 프롬프트 관리, PXI
관찰기준	OpenTelemetry / OpenInference 기반 추적 및 자동 추적 생태계
언어와 통합	Python, JavaScript/TypeScript SDK; OpenAI, Anthropic, Google, Bedrock, LangChain, LlamaIndex, DSPy, CrewAI 및 기타 생태계 지원
커뮤니티 규모	GitHub 약 10.2k개의 별, 약 936개의 포크; 최신 PyPI 패키지에는 Python >=3.10,<3.15가 필요합니다

이러한 매개변수는 Phoenix가 단순한 로깅 플랫폼보다 "AI 애플리케이션 디버깅 및 평가 워크벤치"에 더 가깝다는 것을 나타냅니다. 이는 관찰, 평가 및 실험을 연결합니다. 추적에서 높은 대기 시간, 잘못된 검색 또는 환각 위험이 표시되면 팀은 해당 프롬프트, 데이터 세트 샘플 및 실험 결과를 계속 추적하여 반복 가능한 프로젝트 기록을 형성할 수 있습니다.

사용자 및 시장 인지도

Phoenix의 시장 인지도는 주로 세 가지 유형의 신호에서 비롯됩니다. 첫 번째는 오픈 소스 개발자의 채택입니다. GitHub의 별이 10,000개가 넘는 규모는 더 이상 초기 개념 웨어하우스가 아니라 LLM 관찰 가능성 분야에서 지속적으로 주목하고 사용되는 인프라 프로젝트임을 보여줍니다. 두 번째는 패키지 및 이미지 배포입니다. 공식은 PyPI 패키지, Docker 이미지 Python 하위 패키지 및 TypeScript 패키지를 동시에 유지 관리하며, 이는 사용 시나리오가 노트북 프로토타입, 서버 애플리케이션, 컨테이너화된 배포 및 프런트엔드/노드 도구 체인을 포괄한다는 것을 나타냅니다. 세 번째는 Arize의 상업적 사업입니다. Phoenix는 무료로 자체 호스팅할 수 있거나 Phoenix Cloud/Arize AX를 통해 호스팅 버전을 사용할 수 있으므로 개별 개발자와 기업 팀에 따라 다른 구현 경로가 남습니다.

공식 Phoenix 페이지에서 제공하는 생태학적 신호에는 300만 개 이상의 월간 다운로드, 10,000개 이상의 GitHub 스타, 7,000개 이상의 커뮤니티, 2200만 개 이상의 OpenTelemetry 계측 월 다운로드가 포함됩니다. 이러한 수치는 기업 고객 수나 수익 데이터보다는 인기와 생태적 활동에 대한 참고 자료로 더 적합합니다. 실제 구매는 팀의 추적 크기, 데이터 보존 요구 사항, 규정 준수 요구 사항 및 자체 호스팅 기능을 기준으로 판단되어야 합니다.

사용자 초상화의 관점에서 Phoenix는 AI 에이전트 및 RAG 애플리케이션이 성장한 후에 더욱 가치가 높아질 것입니다. 간단한 채팅 데모의 경우 문제 해결을 위한 로그만 인쇄하면 됩니다. 시스템에 검색, 도구 호출, 다중 에이전트 협업, 사용자 세션 및 자동 평가가 포함되면 기존 로그로는 "어떤 단계에서 품질 저하가 발생했는지"에 답하기가 어렵습니다. Phoenix의 가치는 개발, 평가, 제품 및 플랫폼 팀이 동일한 추적을 중심으로 논의할 수 있도록 이러한 운영 증거를 구조화하는 데 있습니다.

비용 이점

Phoenix의 핵심 비용 이점은 "무료 오픈 소스 자체 호스팅 + 주문형 관리형 클라우드"입니다. 공식 셀프 호스팅 문서에는 다음과 같이 명확하게 명시되어 있습니다. 자체 인프라 또는 클라우드 계정에서 Phoenix 셀프 호스팅은 무료이며, 라이선스 비용이 없고, 사용 제한이나 기능 임계값이 없으며, 데이터가 Arize로 전송되지 않습니다. 이는 민감한 비즈니스 데이터를 처리하거나 보존 기간을 제어하거나 인트라넷 배포가 필요한 팀에 중요합니다.

솔루션	비용 구조	팀 핏	주요 절충점
로컬/노트북	소프트웨어 자체는 무료이며 비용은 주로 로컬 리소스 및 디버깅 시간	개별 개발자를 위한 PoC, 교육 및 빠른 문제 해결	여러 사람이 장기적으로 협업하고 생산을 유지하는 데 적합하지 않음
도커/작성	소프트웨어는 무료이며 서버, 스토리지, 백업, 운영 및 유지 관리 비용을 포함합니다	소규모 팀, 내부 파일럿, 조명 생산	업그레이드 및 보안 구성을 직접 유지 관리해야 함
쿠버네티스/헬름	소프트웨어는 무료이며 비용은 클러스터, 객체 스토리지, 데이터베이스, 모니터링 및 SRE	플랫폼 팀, 데이터에 민감한 기업	운영 및 유지 관리 복잡성은 높지만 거버넌스 기능은 더욱 강력함
피닉스 클라우드 / Arize AX 무료	공식 가격 페이지에는 무료가 월간 추적 범위 25,000개, 1GB, 15일 보존	빠르게 시작하고 싶지만 인프라 배포를 원하지 않는 개인 또는 소규모 팀	무료 할당량 및 보존 기간이 제한되어 있습니다
아리즈 AX 프로	공식 가격 페이지에 따르면 Pro는 소규모 팀/스타트업 팀을 위한 것이며 월간 추적 범위 50,000개, 10GB, 30일 보존 및 추가 사용 지원을 포함합니다	호스팅 서비스 및 팀 협업 필요	범위 및 데이터 볼륨에 따른 비용 증가
액스엔터프라이즈	SLA, SOC2/HIPAA, 교육, 자체 호스팅 추가 기능 등에 대한 지원을 강조하는 맞춤형 견적	강력한 SLA 준수 및 기업 조달 프로세스를 갖춘 조직	영업 커뮤니케이션 및 계약 확인 필요

Phoenix의 자체 호스팅 경로는 호스팅된 SaaS만 제공하는 관찰 도구에 비해 공급업체 종속 위험을 크게 줄입니다. 실제 총 비용은 사라지지 않고 소프트웨어 라이센스에서 인프라, 데이터 보존, 액세스 제어, 백업 복구 및 업그레이드 프로세스로 이동합니다. 강력한 엔지니어링 기능, 데이터 민감도 또는 기존 Kubernetes 플랫폼을 갖춘 팀의 경우 일반적으로 이 비용 구조를 더 쉽게 제어할 수 있습니다. 운영 및 유지 관리 기능이 없는 소규모 팀의 경우 호스팅 버전이 더 걱정이 없습니다.

주요 기능

• 추적: RAG, 에이전트 및 워크플로의 품질 및 성능 문제를 해결하는 데 적합한 OpenTelemetry/OpenInference, 표시 추적, 범위, 지연 토큰, 비용, 입력 및 출력, 검색 결과 및 도구 호출을 통해 LLM 애플리케이션 런타임 링크를 수집합니다.
• 평가: 응답 평가, 검색 평가, 판사로서의 LLM 등과 같은 평가 모드를 지원하고 환각, QA 정확성, 관련성 및 기타 지표를 추적 또는 실험 결과에 첨부하여 팀이 "기분 좋지 않음"을 비교 가능한 지표로 변환하는 데 도움을 줍니다.
• 데이터세트: 회귀 테스트, 세부 조정 평가 또는 즉각적인 비교를 위해 버전이 지정된 샘플 세트를 생성하여 각 즉각적인 변경 후 수동으로 즉석 점검에만 의존하는 위험을 줄입니다.
• 실험: 온라인에 접속하기 전에 여러 계획을 비교하는 데 적합한 프롬프트, 모델, 검색 구성, 매개변수 및 코드의 변경으로 인한 효과 차이를 추적합니다.
• 플레이그라운드: 실제 실패 샘플에서 디버깅 인터페이스로 돌아가는 데 적합한 프롬프트 최적화, 모델 비교, 매개변수 조정 및 추적된 LLM 호출 재생.
• 프롬프트 관리: 프롬프트 변경 사항을 코드 변경과 마찬가지로 기록하고 롤백할 수 있도록 버전 관리, 태그 관리, 프롬프트의 체계적인 테스트를 수행합니다.
• PXI / Phoenix Intelligence: 공식 README에서는 이를 트레이스 디버깅, 프롬프트 반복 및 제품 내 탐색을 위한 내장형 AI 엔지니어링 에이전트로 설명합니다. 이는 신규 회원이 트레이스를 이해할 수 있는 임계값을 낮추는 데 적합합니다.
• MCP 및 CLI 생태계: 공식적으로 등록된 @arizeai/phoenix-mcp 및 @arizeai/phoenix-cli는 Phoenix 기능을 커서 및 Claude 코드와 같은 개발 컨텍스트 또는 에이전트 워크플로에 연결하는 데 사용됩니다.

이러한 기능의 조합을 통해 Phoenix는 "로그를 읽을" 뿐만 아니라 관찰 데이터를 실험 및 평가에 직접 연결할 수도 있습니다. AI 제품의 경우 가장 어려운 것은 오류를 보지 못하는 경우가 많지만 오류가 재현 가능한지, 새로운 프롬프트로 수정되는지, 다른 샘플에 해를 끼치는지 여부를 아는 것입니다. Phoenix는 이 문제를 중심으로 설계되었습니다.

모델 및 버전의 진화

Phoenix 자체는 기본 모델이 아니라 AI 애플리케이션 관찰 및 평가 플랫폼입니다. 여기서 버전 발전은 'arize-phoenix' 패키지 및 플랫폼 기능의 반복을 의미합니다. PyPI 릴리스 기록에 따르면 Phoenix는 2026년에도 여전히 높은 빈도의 릴리스를 유지하고 있으며, 17.9.0은 2026년 6월 19일에 업로드되었고, 17.8.1과 17.8.0은 모두 2026년 6월 17일에 릴리스되었으며, 17.7.0은 2026년 6월 16일에 릴리스되었습니다.

시간	버전	공공 신호
2026-06-19	17.9.0	최신으로 표시된 GitHub 릴리스; PyPI는 휠 및 소스 배포를 동시에 제공합니다
2026-06-17	17.8.1	17.8 메인라인 유지보수 릴리스
2026-06-17	17.8.0	17.x 메인라인 기능 릴리스
2026-06-16	17.7.0	17.x 메인라인 기능 릴리스
2026-06-02	17.0.0	17.x는 메이저 버전의 시작점 중 하나이며 플랫폼이 여전히 빠르게 발전하고 있음을 나타냅니다

엔지니어링 채택 관점에서 볼 때 빈도가 높은 버전 반복에는 두 가지 측면이 있습니다. 한편으로는 Phoenix가 급변하는 LLM/에이전트 생태계에 적극적으로 대응하고 새로운 프레임워크, 새로운 제공업체 및 평가 워크플로를 빠르게 따라갈 수 있음을 보여줍니다. 반면, 프로덕션 배포에는 버전 수정, 업그레이드 확인 및 데이터 마이그레이션 프로세스가 필요하며, 특히 자체 호스팅 시나리오에서는 각각의 작은 버전을 직접 따라가서 자동으로 업그레이드하는 것은 적절하지 않습니다.

기술적인 장점

Phoenix의 첫 번째 기술적 장점은 OpenTelemetry가 먼저라는 것입니다. LLM 관찰성 비공개 매장지 형식을 사용하면 단기적으로는 빠르게 그래프를 생성할 수 있지만 장기적으로는 하나의 도구에 데이터를 고정하는 것이 쉽습니다. Phoenix의 OTel/OpenInference 기반 경로를 사용하면 추적 데이터가 언어, 프레임워크 및 서비스 전반에 걸쳐 더 쉽게 흐르고 기업이 관찰 가능한 기존 파이프라인에 액세스할 수 있습니다.

두 번째 장점은 "trace와 eval이 동일한 화면에 있다"는 것입니다. 많은 시스템이 호출 체인을 기록할 수 있지만 이 링크가 좋은지 아닌지는 설명할 수 없습니다. 다른 평가 도구는 점수를 줄 수 있지만 특정 검색 문서 프롬프트, 모델 매개변수 및 도구 호출을 추적하지 못할 수도 있습니다. Phoenix는 평가 결과를 추적에 첨부하고 검색된 조각 범위 및 판단 결과까지 실패한 답변을 추적할 수 있습니다.

세 번째 장점은 실험적입니다. 데이터 세트, 실험, 플레이그라운드 및 프롬프트 관리를 통해 Phoenix는 문제 발견부터 솔루션 비교까지 프로세스를 다룰 수 있습니다. 팀은 채팅 창에서 계속해서 시도하는 대신 온라인 실패 샘플을 데이터 세트에 축적한 다음 다양한 프롬프트, 모델 또는 검색 구성의 표시기 변경 사항을 비교할 수 있습니다.

네 번째 장점은 배포 탄력성입니다. 공식 README에서는 Phoenix가 로컬 시스템, Jupyter 노트북, 컨테이너화된 배포 또는 클라우드에서 실행될 수 있다고 설명합니다. 자체 호스팅 문서는 Docker, Kubernetes/Helm 등에 대한 경로도 명시합니다. 이러한 유연성을 통해 Phoenix는 개인 디버깅을 모두 제공하고 점진적으로 기업 내부 플랫폼에 진입할 수 있습니다.

사용방법

Phoenix의 사용 경로는 일반적으로 가벼운 것에서 무거운 것까지 세 단계로 나뉩니다. 먼저 로컬에서 실행한 다음 추적에 연결하고 마지막으로 평가 및 실험 프로세스를 설정합니다.

입구	행동에 적합	설명
PyPI arize-phoenix	디버깅 및 빠른 평가판을 위해 로컬로 노트북 설치	Phoenix를 시작하려면 pip install arize-phoenix
도커	로컬 또는 서버 배포	팀 공유 인스턴스 또는 경량 프로덕션 검증에 적합
쿠버네티스/헬름	제작, 자체 호스팅, 플랫폼	기존 K8s 플랫폼 및 규정 준수 요구 사항을 갖춘 팀에 적합
피닉스 클라우드 / Arize AX	호스팅 사용	인프라 유지를 원하지 않는 팀의 경우
SDK/OTEL 엔드포인트	애플리케이션 추적에 액세스	Python/JS 애플리케이션 LLM 프레임워크 또는 에이전트 런타임 범위를 Phoenix

일반적인 시작 프로세스는 다음과 같습니다.

1. 배포 방법을 선택하세요. 개인 평가판은 로컬 또는 Phoenix Cloud에서 시작할 수 있고, 기업 PoC는 Docker를 사용할 수 있으며, Kubernetes/Helm을 평가하려면 프로덕션 자체 호스팅이 선호됩니다.
2. OpenAI, Anthropic, LangChain, LlamaIndex, CrewAI, DSPy 및 기타 통합과 같은 애플리케이션에 OpenInference/OpenTelemetry 계측을 연결합니다.
3. Phoenix에서 추적을 보고 먼저 범위 수준, 입력 및 출력, 검색 문서 토큰 및 대기 시간이 완료되었는지 확인합니다.
4. 검색 관련성, 답변 정확성, 환각, 형식 준수 또는 사용자 정의 지표와 같은 중요한 작업에 대한 평가를 구축합니다.
5. 실패한 샘플을 데이터세트에 침전시키고 실험을 사용하여 다양한 프롬프트, 모델, 매개변수 및 검색 전략을 비교합니다.
6. 온라인에 접속하기 전에 버전 및 배포 구성을 수정하고 액세스 제어, 데이터 보존, 백업, 업그레이드 및 중요 데이터 처리 정책을 확인합니다.

제품 가격

Phoenix 가격은 소스 호스팅과 Arize 호스팅 서비스를 차별화해야 합니다. 오픈소스 Phoenix는 자체 호스팅이 무료입니다. 공식 라이선스 문서에는 Elastic License 2.0을 기반으로 하여 자체 인프라 또는 클라우드 계정에서 무료 셀프 호스팅을 허용하며 기능적 한계가 없다고 명시되어 있습니다. 즉, 팀이 자체적으로 인프라와 운영 및 유지 관리를 담당하는 경우 Phoenix Ontology는 시트, 범위 또는 기능 모듈별로 비용을 청구하지 않습니다.

호스팅 서비스 측면에서 Arize 가격 페이지는 Phoenix를 Arize AX 시스템에 배치합니다. Free는 단일 개발자를 위한 것이고 Pro는 소규모 팀 및 스타트업 팀을 위한 것이며 Enterprise는 맞춤형 계획을 위한 것입니다. 공개 페이지에는 무료에 월간 추적 25,000개, 15일 동안 1GB 데이터 보존이 포함되어 있음이 표시됩니다. Pro에는 월간 추적 범위 50,000개, 10GB, 30일 보존, 추가 범위 및 GB 청구가 포함됩니다. Enterprise는 맞춤형이며 SLA, SOC2/HIPAA, 교육, 자체 호스팅 추가 기능 및 데이터 상주와 같은 엔터프라이즈 기능에 대한 독점적인 지원을 강조합니다.

실제 선택할 때 정가만 비교하는 것은 권장되지 않습니다. AI 관찰 가능성의 비용은 추적 세분성, 컨텍스트 길이, 검색된 문서 크기, 보존 기간, 팀 규모 및 규정 준수 요구 사항과 밀접한 관련이 있습니다. PoC 단계는 무료 셀프 호스팅 또는 무료 클라우드로 시작할 수 있습니다. 프로덕션에 들어가면 스토리지 증가, 쿼리 성능, 액세스 제어, 마스킹 정책 및 업그레이드 유지 관리가 예산에 포함되어야 합니다.

애플리케이션 시나리오

• RAG 애플리케이션 품질 문제 해결: 사용자 질문을 기록하고, 문서 재순위 결과를 검색하고, 답변 및 평가 점수를 생성하고, 누락된 검색, 불분명한 컨텍스트 없는 프롬프트 또는 모델 추론 실패로 인한 오류를 빠르게 찾습니다.
• AI 에이전트 및 도구 호출 디버깅: 다단계 도구 호출 에이전트 결정, 대기 시간, 토큰 및 실패 상태를 추적 그래프로 확장하여 장거리 링크 에이전트의 정체 지점을 해결하는 데 적합합니다.
• 프롬프트 회귀 테스트: 데이터세트에 실제 실패 샘플을 추가하고 실험에서 새 프롬프트와 기존 프롬프트, 다양한 모델 및 매개변수 조합을 비교하여 프롬프트 반복으로 인한 회귀 위험을 줄입니다.
• LLM 제품 출시 전 평가: 응답 평가 및 검색 평가를 사용하여 출시 임계값을 설정함으로써 제품, 알고리즘 및 엔지니어링 팀이 동일한 지표 세트를 기준으로 출시할 수 있는지 여부를 논의할 수 있습니다.
• 엔터프라이즈 내부 AI 플랫폼 거버넌스: 자체 호스팅 Phoenix로 인트라넷 또는 자체 소유 클라우드에 추적 및 평가를 남기는 동시에 각 비즈니스 팀의 관찰 사양을 통합합니다.
• 개발자 로컬 디버깅: 노트북이나 로컬 서비스에서 Phoenix를 빠르게 시작하고 호출 체인 및 평가 결과를 볼 수 있으며 흩어져 있는 로그보다 검토하기가 더 쉽습니다.

이러한 시나리오의 공통점은 단일 출력으로 시스템이 안정적인지 여부를 나타낼 수 없으며 입력, 컨텍스트, 실행 링크, 평가 및 버전 관계를 저장해야 한다는 것입니다. Phoenix는 "증거 연쇄"가 필요한 이러한 유형의 작업에서 가장 가치가 있습니다.

해당자

• LLM 응용 프로그램 개발자: 단지 최종 답변을 얻기보다는 모델, 도구, 검색 및 통화 프롬프트의 특정 동작을 확인해야 합니다.
• RAG/에이전트 엔지니어링팀: 시스템 링크가 길고, 검색, 재순위, 도구 호출, 계획 또는 최종 답변에서 실패 원인이 발생할 수 있습니다.
• AI Platform팀: 조직 내에서 추적, 평가, 데이터세트, 실험을 통합하고 각 사업팀의 관찰 도구 중복을 줄이기를 바랍니다.
• 데이터 과학 및 평가팀: 심사위원으로서의 인공 샘플 LLM, 실험 지표 및 온라인 추적을 연결하는 것이 필요합니다.
• 규정 준수 또는 데이터에 민감한 기업: 데이터 상주, 액세스 제어, 보존 기간 및 감사 경계를 자체 호스팅하고 제어하고 싶습니다.

적합하지 않은 상황도 분명합니다. 일회성 데모, 빈도가 낮은 내부 스크립트, 다단계 링크가 없는 간단한 채팅 페이지라면 Phoenix의 개념과 배포 비용이 부담스러울 수 있습니다. 또 다른 경계는 운영 및 유지 관리 기능입니다. 자체 호스팅은 무료이지만 프로덕션 사용에는 여전히 데이터베이스, 저장소, 백업, 권한, 업그레이드 및 모니터링의 유지 관리가 필요합니다. 플랫폼 기능이 없는 소규모 팀은 Phoenix Cloud 또는 Arize AX로 시작하는 것이 더 적합할 수 있습니다.

요약 및 전망

Arize Phoenix의 핵심 역량은 AI 애플리케이션의 "문제 확인"과 "수정 사항 입증"을 연결하는 것입니다. 추적을 통해 팀은 출력이 생성되는 방식을 알 수 있고, 평가를 통해 팀은 결과가 표준을 충족하는지 알 수 있으며, 데이터 세트 및 실험을 통해 특정 변경이 실제로 시스템을 개선하는지 여부를 알 수 있습니다. 빠르게 반복되는 LLM, RAG 및 에이전트 애플리케이션의 경우 이 클로저는 단순한 로그나 단일 인적 검토보다 더 안정적입니다.

현재 주목해야 할 세 가지 주요 제한 사항이 있습니다. 첫째, Phoenix는 오픈소스이고 무료로 자체 호스팅되지만 라이선스는 Elastic License 2.0으로 Apache/MIT와 같은 느슨한 라이선스와 동일하지 않습니다. 상업적 재배포 및 호스팅 패키징에는 법적 확인이 필요합니다. 둘째, 빈도가 높은 릴리스에서는 프로덕션 팀이 버전 수정 및 업그레이드 테스트를 수행해야 합니다. 셋째, 피닉스의 효율성은 매장된 포인트의 품질에 따라 달라집니다. 추적 구조, 입력 및 출력 둔감화 또는 평가 샘플 설계가 좋지 않으면 인터페이스가 아무리 좋더라도 불완전한 증거만 제시할 수 있습니다.

앞으로 세 가지 측면에서 Phoenix의 발전을 계속 관찰할 가치가 있습니다. 첫째, OpenInference/OTel 생태계는 더 많은 에이전트 프레임워크를 다루고 있습니다. 둘째, PXI, MCP, CLI와 같은 AI 엔지니어링 에이전트가 "추적 보기"를 "자동 위치 지정 및 권장 수리"로 전환할 수 있는지 여부입니다. 셋째, Arize AX와 오픈 소스 Phoenix 사이의 경계가 명확하게 유지되어 개인, 오픈 소스 팀 및 기업이 데이터 거버넌스 및 비용 요구 사항에 따라 적절한 경로를 선택할 수 있는지 여부입니다.

관련 도구: hugging-face, replicate

버전 정보

• 아리제-피닉스 v17.9.0 ：GitHub 릴리스와 PyPI 모두 최신 arize-phoenix 버전을 보여줍니다. PyPI 패키지 요약은 AI Observability and Evaluation이고 라이선스에는 Elastic-2.0이라는 라벨이 붙어 있습니다. （2026-06-19）
• 아리제-피닉스 v17.8.1 ：17.x 메인라인 유지 관리 릴리스, 17.8.0 직후 릴리스. （2026-06-17）
• 아리제-피닉스 v17.8.0 ：Phoenix 플랫폼 기능의 지속적인 반복에 사용되는 17.x 메인라인 기능 버전입니다. （2026-06-17）
• 아리제-피닉스 v17.7.0 ：17.x 메인라인 기능 릴리스(2026년 6월 릴리스 주기가 높음) （2026-06-16）