Laminar est une plateforme d'observabilité open source pour les agents IA. Il se concentre sur le traçage, les évaluations, la surveillance de l'IA, les tableaux de bord de requêtes SQL, les ensembles de données et le déploiement auto-hébergé pour aider les équipes à localiser la cause de la défaillance de l'agent et à poursuivre l'itération.

Laminaire

Paramètres et statistiques de base

Laminar est une plateforme d'observabilité open source pour les agents d'IA. La description officielle de l'entrepôt le positionne comme une « plateforme d'observabilité open source spécialement conçue pour les agents d'IA ». Il ne s'agit pas d'un chatbot général, ni d'un simple cadre de formation de modèles, mais il place les traces, les évaluations, les signaux, les ensembles de données, les requêtes SQL et les tableaux de bord du lien d'exécution de l'agent dans le même atelier LLMOps.

Projets	Informations publiques
Positionnement officiel	Plateforme d'observabilité open source spécialement conçue pour les agents d'IA
Compétences de base	Traçage, évaluations, surveillance de l'IA, accès SQL, tableaux de bord, ensembles de données, annotations
Feuille de route technique	SDK de traçage natif OpenTelemetry, composants backend Rust, moteur temps réel personnalisé, exportateur gRPC
Objets intégrés	Vercel AI SDK, utilisation du navigateur, Stagehand, LangChain, OpenAI, Anthropic, Gemini, etc.
Chemin de déploiement	Plateforme gérée, Docker Compose auto-hébergé, composition complète limitée à la production
Licence Open Source	Apache-2.0
Communauté GitHub	Environ 3 026 étoiles, 210 forks, 86 numéros ouverts
Dernière version publique	v0.2.0, publié le 2026-06-18

Limite de positionnement : l'avantage de Laminar réside dans l'observation et l'évaluation des liens d'agent, et il ne remplace pas directement le LLM, la base de données vectorielle ou le cadre d'orchestration métier. Si l’équipe n’a besoin que d’un débogage rapide ponctuel, son utilisation sera trop importante ; si l'agent est entré dans la phase d'exécution multi-outils, multi-modèles et multi-étapes, ses perspectives de trace et d'évaluation seront plus précieuses.

Reconnaissance des utilisateurs et du marché

Les signaux de marché de Laminar proviennent principalement de l'approbation de la communauté open source YC et de l'écosystème des développeurs, plutôt que du nombre d'entreprises clientes divulguées publiquement. L'entrepôt officiel montre que le projet appartient à YC S24, et la description de l'entrepôt README et les captures d'écran publiques sont toutes centrées sur le diagnostic des pannes d'agent et l'efficacité des itérations, indiquant que ses utilisateurs cibles ne sont pas le grand public des bureaux, mais les équipes de R&D qui mettent les agents d'IA en production ou en quasi-production.

Popularité Open Source : l'API GitHub montre que l'entrepôt lmnr compte environ 3 026 étoiles et 210 forks et a attiré l'attention observable des développeurs. Cette échelle n'équivaut pas à une adoption commerciale, mais est suffisante pour illustrer sa validation externe continue dans les scénarios d'observabilité LLM et d'évaluation d'agents.

Signaux de produit : le fichier README officiel répertorie les traces, les évaluations, les signaux, les ensembles de données, l'éditeur SQL et les tableaux de bord comme fonctionnalités principales. Les éléments de navigation tels que les traces, les signaux, les évaluations, les ensembles de données, l'étiquetage, l'éditeur SQL et les terrains de jeux peuvent également être vus dans les captures d'écran du produit. Cette architecture d'informations montre la tentative de Laminar de couvrir l'ensemble du spectre, de l'enregistrement des analyses à la précipitation des ensembles de données, de la détection des problèmes à l'évaluation des régressions.

Éléments incertains : le nombre officiel d'utilisateurs cumulés, le nombre de clients payants ou l'échelle des revenus n'ont pas été divulgués. Ces dimensions ne doivent donc pas être divulguées. Lors de l'achat ou de la sélection de la technologie, il est plus approprié d'utiliser les performances des requêtes de trace de couverture du SDK d'exécution auto-hébergé et le processus de régression d'évaluation comme base de vérification.

Avantage de coût

• C-side/Individuel : Généralement, une version gratuite est fournie pour découvrir les fonctions de base, et l'utilisation à haute fréquence nécessite un abonnement payant.
• API/Développeur : Facturé au volume d'appels, adapté aux équipes de développement qui peuvent être intégrées de manière flexible dans leurs propres systèmes.
• Entreprise/Privatisé : contactez le propriétaire de l'entreprise pour un devis personnalisé et un plan de déploiement. Le prix spécifique est soumis à la page officielle de tarification en temps réel.

Fonctions principales

La fonction de Laminar est organisée autour de « découvrir pourquoi l'agent a échoué et transformer la réparation en un processus régressable ». Le cœur n’est pas un point unique de surveillance, mais le lien entre trace, évaluation, ensemble de données et signal.

• Traçage : collectez les liens d'exécution d'agent via le SDK natif d'OpenTelemetry. Le README officiel mentionne qu'une ligne de code peut suivre automatiquement les intégrations telles que Vercel AI SDK, Browser Use, Stagehand, LangChain, OpenAI, Anthropic, Gemini, etc. Convient pour le dépannage des appels d'outils, des réponses de modèles, des temps d'exécution et des emplacements anormaux dans les agents en plusieurs étapes.
• Evals : fournit un SDK et une CLI extensibles pour exécuter des évaluations localement ou dans CI/CD, avec une interface utilisateur pour visualiser les résultats de l'évaluation et comparer les modifications. Il convient à la conversion d'un jugement manuel unique en contrôle d'accès au retour de version.
• Surveillance IA / Signaux : Permet de décrire les événements en langage naturel et de suivre les problèmes des agents, les erreurs logiques et les comportements personnalisés. Sa valeur réside dans la mise à niveau de la « consultation des journaux » vers une détection continue des problèmes sémantiques métier.
• Accès SQL : l'éditeur SQL intégré peut interroger des traces, des métriques, des événements et créer par lots des ensembles de données à partir de requêtes, qui peuvent également être utilisés via l'API. Idéal pour analyser de grandes quantités de données de travée et d’échantillons d’évaluation de sédimentation.
• Tableaux de bord et ensembles de données : le générateur de tableaux de bord peut créer des tableaux de bord basés sur des traces, des métriques, des événements et SQL ; les ensembles de données et l'interface utilisateur d'annotation servent à la production de données d'évaluation.

Les trois éléments les plus importants à vérifier lors de la mise en œuvre sont : si le SDK couvre la pile technologique d'agent existante, si les données de trace sont suffisantes pour expliquer la cause de l'échec et si l'ensemble de données d'évaluation peut être maintenu en permanence par l'équipe. Sans ces trois points, la plateforme a tendance à rester au niveau du tableau de bord qui « a l'air complet ».

Evolution du modèle et de la version

Laminar en lui-même n'est pas un grand modèle, donc « l'évolution de la version » dépend principalement de la version de l'entrepôt open source, de l'intégration du SDK et de l'itération du module produit. Les versions GitHub montrent que la dernière version publique est la v0.2.0, publiée le 18/06/2026 ; le même journal des modifications de version implique un grand nombre de mises à jour techniques telles que le chat de traces, le débogueur, SQL, l'auto-hébergement, Better Auth, le courtier Slack OAuth, l'auto-traçage OTEL, etc.

Version principale

• v0.2.0 (2026-06-18) : dernière version publique. Les modifications couvrent les traces de chat OSS, la refonte du débogueur, le streaming LLM, le courtier Slack OAuth auto-hébergé, les restrictions de point de terminaison SQL de migration Better Auth, l'auto-traçage OTEL, le schéma Postgres configurable, etc., indiquant que le projet est passé du traçage de base au débogage, à la gestion du déploiement et aux scénarios d'entreprise auto-hébergés.
• v0.1.46 (2026-06-18) : Une référence de comparaison directe dans le journal des modifications v0.2.0, adaptée comme point d'observation de la migration de 0.1.x à 0.2.x.
• v0.1.45 (~2026-06) : Un nœud historique publié par les balises GitHub. Il n’y a pas encore de date de sortie officielle. Il est principalement utilisé pour observer la continuité des versions de la série 0.1.x.

Suggestions de sélection de version : En raison des circonstances de production, il n'est pas conseillé de suivre uniquement la dernière balise. Un moyen plus fiable consiste à corriger la version, à utiliser un ensemble de traces d'agents représentatifs et d'ensembles de données d'évaluation pour la régression, et à confirmer que le SDK, le schéma de base de données, les performances des requêtes et la configuration des autorisations sont tous stables avant la mise à niveau.

Avantages techniques

L'avantage technique de Laminar vient de la combinaison « modèle d'observation spécifique à l'agent + pile d'ingénierie auto-hébergée + interrogeabilité des données », plutôt que de la capacité d'un modèle unique.

Traçage natif OpenTelemetry : réutilise mécaniquement la réflexion trace/étendue dans l'écosystème d'observation et intègre l'invocation du modèle de l'agent, l'invocation de l'outil et l'exécution de la fonction dans un lien unifié. L'effet est que l'emplacement du problème passe de « lecture de journaux dispersés » à « restauration du chemin d'exécution le long de la durée » ; le scénario applicable est un agent multimodèle, multi-outil et multi-étapes.

Moteur Rust et temps réel : le README officiel mentionne l'utilisation de Rust pour le backend, un moteur temps réel personnalisé, une recherche en texte intégral ultra-rapide et un exportateur gRPC. Le mécanisme met l'accent sur un débit élevé et une visualisation en temps réel. L’effet est qu’il est plus adapté aux scénarios comportant de grandes quantités de traces et des fenêtres de débogage courtes. Il convient aux agents en ligne, aux agents de navigation, aux agents du service client et aux agents de recherche automatisés.

SQL directement vers la couche de données : l'éditeur SQL intégré et l'accès à l'API permettent aux traces, aux métriques et aux événements de ne pas rester uniquement dans les filtres de l'interface utilisateur. Le mécanisme transforme les données d’observation en données analysables. L'effet est que des ensembles de données peuvent être créés par lots à partir d'échantillons d'erreurs, puis utilisés à l'envers pour l'évaluation ; il convient aux équipes de R&D et de plateforme disposant de capacités d’analyse de données existantes.

Chemin auto-hébergé : Docker Compose et la composition complète de production permettent aux équipes de contrôler le plan de données. L'effet est de réduire la résistance des données sensibles des agents à pénétrer dans des environnements d'hébergement tiers ; Les scénarios applicables incluent les agents de base de connaissances internes, les agents de processus d'entreprise et les agents commerciaux contenant des données client.

Comment utiliser

L'entrée d'utilisation de Laminar est divisée en trois couches : plate-forme d'hébergement, déploiement auto-hébergé et accès SDK/CLI. Le chemin le plus rapide indiqué par le README officiel consiste à utiliser la plate-forme gérée ; pour l'auto-hébergement, vous pouvez cloner l'entrepôt et le démarrer via Docker Compose. La version allégée est accessible par défaut dans un navigateur local.

Portail d'utilisation	Étapes typiques	Objets appropriés	Points clés pour l'acceptation
Plateforme gérée	Créez un projet, générez la clé API du projet et connectez-vous au SDK	Équipes qui souhaitent vérifier rapidement les traces/évaluations	Si la première trace est visible et si l'étendue des clés de l'agent est complète
Docker Compose auto-hébergé	Clone Warehouse Docker compose, configure le SDK baseUrl et le port	Équipe R&D qui doit contrôler le plan de données	Disponibilité des services, persistance de la base de données, migration de mise à niveau, limites d'autorisation
SDK TS/Python	npm ajoutez @lmnr-ai/lmnr ou pip install lmnr[all], initialisez Laminar	Développeurs avec code d'agent existant	Couverture automatique des instruments, coût d'annotation d'observation manuelle
Évaluations / CI	Exécutez des évaluations à l'aide du SDK ou de la CLI, comparez les résultats localement ou dans CI/CD	Équipes nécessitant une évaluation de régression	Qualité des ensembles d'évaluation, règles de seuil, recyclage des échantillons ayant échoué

Le pilote minimum peut démarrer à partir d'un flux de travail d'agent avec un taux d'échec élevé : connectez-vous pour tracer, marquez les échantillons ayant échoué, convertissez-les en ensembles de données, puis exécutez eval après chaque invite, changement d'outil ou de modèle. Cela peut vérifier les fonctionnalités de base de Laminar, au lieu de simplement vérifier si le tableau de bord dans la capture d'écran est beau.

Prix des produits

Le modèle de tarification est soumis à la page officielle en temps réel. Habituellement, un système freemium ou d'abonnement est utilisé et les fonctions de base peuvent être utilisées gratuitement. Les fonctions avancées ou l'utilisation à haute fréquence nécessitent des abonnements payants, et il est conseillé aux utilisateurs d'évaluer la solution optimale en fonction de l'utilisation réelle.

Scénarios d'application

Laminar est plus adapté aux scénarios dans lesquels l'agent est entré dans la phase d'ingénierie, en particulier pour les systèmes où la cause de la panne est difficile à voir clairement à partir d'un seul journal.

• Débogage de l'agent d'exploitation du navigateur/page Web : des intégrations telles que l'utilisation du navigateur et Stagehand le rendent adapté au suivi des jugements de modèle, des appels d'outils et des opérations de page dans les tâches de page Web. Le principal avantage est de localiser si une défaillance s'est produite lors de la détection, de la planification, de l'exécution de l'outil ou de l'analyse des résultats.
• Service client et surveillance des agents de processus internes : le service client en plusieurs étapes, le détournement des ordres de travail et les agents d'approbation internes impliquent souvent des appels de modèles, des API métier et des jugements de règles. Laminar peut utiliser des signaux pour suivre les erreurs logiques et des tableaux de bord pour observer les tendances des problèmes.
• Évaluation de régression d'application LLM : les modifications apportées aux invites, aux versions de modèle et au schéma de l'outil peuvent entraîner une dérive comportementale. Les évaluations, les ensembles de données, les annotations et CI/CD de Laminar conviennent pour regrouper les échantillons clés dans des ensembles de régression continue.
• Agent exécutant l'analyse des données : l'éditeur SQL permet d'interroger les traces, les métriques et les événements et de les convertir en ensembles de données par lots. Convient aux équipes de plate-forme pour analyser les délais chronophages, les types de défaillances courants et les structures de coûts de modélisation.

Les scénarios inappropriés incluent des démonstrations de chat uniquement, des expériences de mots d'invite ponctuels, des premiers prototypes sans traces de production et des services Web ordinaires qui nécessitent uniquement un APM traditionnel.

Personnes concernées

Les groupes à forte capacité d'adaptation de Laminar sont des équipes qui créent déjà des applications d'agent et qui doivent accumuler une expérience de débogage dans des actifs d'observation et d'évaluation réutilisables.

• Ingénieurs IA et développeurs d'agents : besoin de savoir dans quelle étendue, dans quel outil ou dans quel modèle de sortie chaque défaillance d'agent se produit. Laminar peut étendre les liens en traces et prend en charge l'observation manuelle pour envelopper les fonctions clés.
• LLMOps/Platform Team : nécessité de surveiller uniformément la qualité d'exécution de plusieurs projets d'agents, de créer des tableaux de bord, d'interroger les données de trace et de gérer les déploiements auto-hébergés. Le SQL, les tableaux de bord et les chemins auto-hébergés de Laminar s'alignent plus étroitement sur les responsabilités de la plateforme.
• Responsable de l'assurance qualité et de l'évaluation : nécessité de connecter l'annotation manuelle, les échantillons ayant échoué et l'évaluation de régression. Les ensembles de données, les annotations et les évaluations de Laminar servent au processus de « détection des dégradations comportementales avant la mise en ligne ».
• Product and Business Leader : convient pour visualiser les tendances en matière de qualité et les types d'échecs dans des équipes matures, mais ne convient pas pour utiliser Laminar directement comme outil commercial sans code.

La condition préalable est que l'équipe dispose au moins de capacités d'accès d'ingénierie de base, puisse gérer les clés SDK/API et puisse définir des échantillons d'évaluation et des critères d'échec commercial. Sans ces fondations, les capacités de Laminar sont utilisées de manière inefficace.

Résumé et Outlook

Elle propose des solutions compétitives dans son domaine et sa valeur fondamentale réside dans l’abaissement du seuil d’utilisation de l’IA dans ce domaine.

Limites actuelles : Certaines fonctionnalités avancées nécessitent un abonnement payant et la version gratuite comporte des restrictions de fonction ou d'utilisation ; les détails techniques spécifiques et les critères de performance n’ont pas encore été entièrement divulgués.

Outils associés : ÉquipageAI, langchain

Informations de version

• Laminaire v0.2.0 ：La dernière version publiée par GitHub Releases inclut le chat des traces, la refonte du débogueur, le courtier Slack OAuth auto-hébergé, la migration SQL Better Auth et les améliorations liées au traçage, etc. （2026-06-18）
• Laminaire v0.1.46 ：Le dernier nœud de version publique dans la comparaison de la balise GitHub et du journal des modifications v0.2.0, utilisé comme référence historique directe pour la v0.2.0. （2026-06-18）
• Laminaire v0.1.45 ：Nœuds de version historique publiés par les balises GitHub. Il n’y a actuellement aucune date de sortie officielle précise. Il convient pour retracer l’évolution de la série 0.1.x. （~2026-06）