Langfuse

Unternehmensdaten

Einheitentyp

COMPANY

Gegründet

2023

Hauptsitz

Germany

Unternehmensgröße

10–49

Marktrolle

B2B SaaS Provider

Offizielle Website

langfuse.com

Was Langfuse macht

Das Monetarisierungsmodell basiert auf einem Commercial-Open-Source-Ansatz (COSS). Der funktionsreiche Kern der Plattform ist unter der MIT-Lizenz frei verfügbar, was eine schnelle Entwickler-Adoption und Community-Sicherheit gewährleistet. Die Umsatzgenerierung erfolgt komplementär über die volumenbasierte Langfuse Cloud (SaaS) sowie über proprietäre Enterprise-Editionen, die erweiterte Sicherheits-Features, dedizierten Support und Compliance-Garantien für geschäftskritische Produktivumgebungen beinhalten.

Strategische Einordnung

KI-gestützte Einordnung aus der bestehenden Unternehmensrecherche; Interpretation und belegte Fakten sind zu unterscheiden.

Langfuse positioniert sich als führende Open-Source-LLM-Engineering-Plattform für Enterprise-Entwicklerteams, die produktive KI-Applikationen skalieren. Die Plattform konsolidiert essenzielle LLMOps-Fähigkeiten wie Tracing, Echtzeit-Monitoring, Prompt-Management sowie automatisierte Evaluierung in einer hochperformanten Systemarchitektur. Durch die Bereitstellung als datenschutzkonforme Self-Hosted-Variante sowie als Managed Cloud adressiert Langfuse die Kernanforderungen von ML-Engineers bezüglich Latenz, Datenhoheit und Governance. Die strategische Akquisition durch ClickHouse im Januar 2026 stärkt die analytische Backend-Infrastruktur massiv, um hochvolumige Telemetriedaten komplexer KI-Workloads effizient zu verarbeiten.

Geschäftsmodell und Monetarisierung

Langfuse monetises via a commercial open-source model. The self-hosted MIT-licensed core is free, while Langfuse Cloud is sold as a fully managed SaaS product using subscription tiers plus usage-based billing. Revenue also comes from higher-limit Pro plans and enterprise or self-hosted enterprise editions that package advanced features, support and commercial terms for larger organisations.

Managed cloud platform

Subscription plus usage-based billing

Pro paid plans

Software subscription

Enterprise self-hosted edition

Enterprise software licensing

Support and enterprise commercial terms

Service Fee

Produkte und Fähigkeiten

Für diese Ansicht liegen keine Produkte mit zugeordneten Quellen vor.

Produkte und Marktkategorien

Zuletzt erfasste Signale

Datumsangaben beziehen sich auf die Quellenveröffentlichung. Ältere Einträge sind historischer Kontext, kein Beleg für ein neues Ereignis.

• Langfuse CLI 1.0 and new evaluator features

  2026-08-21langfuse.com

  Erfasster Impact-Score: 3.5/5

  Langfuse CLI 1.0 released, along with new evaluator template gallery and reusable evaluators for production evaluations.

• Deploying Langfuse Open-Source LLM Observability

  2026-08-12dev.to

  Large Language Models (LLM) & AI · Erfasster Impact-Score: 2/5

  This technical guide explains how to deploy Langfuse, an open-source observability platform for LLM applications, using Docker Compose. The deployment uses PostgreSQL for metadata, ClickHouse for trace and metrics analytics, Redis for cache/queueing, and S3-compatible object storage for media/exports, with Traefik and Let's Encrypt providing TLS. The article includes required prerequisites (Linux server 4 vCPU / 16GB RAM, Docker + Docker Compose, domain A record), step-by-step environment and docker-compose configuration, first-run setup (create organization/project and API keys), and a test-trace example using the Langfuse SDK and an OpenAI-compatible client. Publication date: 2026-08-12.

  • Langfuse is an open-source observability platform for LLM applications that traces prompts/responses, tracks token usage and cost, and provides debugging analytics.
  • The guide deploys Langfuse via Docker Compose using Traefik (TLS), PostgreSQL (metadata), ClickHouse (trace/metrics analytics), Redis (cache/queue), and S3-compatible object storage.

• Reliable AI Agents: FSMs and Hidden Costs

  2026-07-30dev.to

  Large Language Models (LLM) & AI · Erfasster Impact-Score: 2/5

  This technical article argues that building production-grade AI agents requires engineering discipline rather than relying solely on LLM capability. It identifies common failure modes in naive agentic workflows—hallucination loops, infinite recursion, and context-window exhaustion—and recommends embedding LLMs inside deterministic Finite State Machines (FSMs) using an Orchestrator pattern to enforce valid transitions and step limits. The piece also highlights operational "hidden costs" (token complexity/latency, cost of failure, and observability/debugging overhead) and lists production best practices including human-in-the-loop approvals, structured output/schema validation, idempotent tool design, and fallback mechanisms.

  • Agentic workflows are systems that perceive, plan, act, and observe to achieve multi-step goals and differ from simple prompt-response chatbots.
  • Common failure modes in naive agents include: hallucination loops, infinite recursion (unbounded tool-call loops), and context window exhaustion.

• 20-minute check before swapping an agent's model

  2026-07-25dev.to

  Conversational AI & Chatbots · Erfasster Impact-Score: 1/5

  The article describes a practical 20-minute checklist and tooling workflow to validate swapping an AI agent to a new LLM without relying on subjective checks. The author recommends recording a baseline of agent runs (three samples per scenario), swapping only the model string, re-recording the same scenarios, and using the whatbroke-cli diff to produce deterministic, reviewable diffs that surface breaking changes, argument drift, and regressions in cost or latency. The post notes that existing traces from observability tools (e.g., Langfuse, LangSmith emitting OTel GenAI spans) can serve as baselines and that the whatbroke tool is MIT licensed and available on GitHub.

  • Article outlines a 20-minute procedure to test swapping an agent to a new model using recorded scenarios and diffs.
  • Recommend recording a baseline via whatbroke-cli, running each scenario three times (e.g., refund-flow#1..#3) before making any changes.

• Scientific Prompt A/B Testing for Better AI Responses

  2026-07-16dev.to

  Prompt A/B Testing · Erfasster Impact-Score: 3/5

  The article describes a methodical approach to prompt A/B testing for improving LLM response quality. It defines a three-part pipeline—dataset, execution, evaluation—and recommends fixed datasets, controlled execution parameters (model, temperature, seed, max tokens), and automated evaluation with deterministic metrics and LLM-as-judge metrics. Practical guidance includes minimum sample sizes by expected effect size, examples of deterministic metrics (ROUGE‑L, BLEU, exact match, JSON validity) and LLM-judge metrics (Answer Relevancy, Faithfulness, G-Eval), and statistical procedures (paired t-test, Wilcoxon, Cohen's d, Bonferroni correction). The article also shows CI/CD integration using Langfuse and DeepEval, advises one-variable changes and segmented analysis, and provides a checklist for launching reproducible prompt A/B tests and when to refresh datasets.

  • Prompt A/B testing uses a fixed dataset, automated evaluation, and statistical verification to compare prompt variants.
  • Recommended minimum sample sizes: Large effect (>0.15) = 50–100 examples; Medium (0.05–0.15) = 200–500; Small (<0.05) = 500–1000+.

Unternehmensbeziehungen vertiefen

• Wettbewerber und Alternativen
• Partner und Integrationen
• Akquisitionshistorie
• Eigentumsverhältnisse
• Ähnliche Unternehmen

Fragen zu Langfuse

Quellen und Datenabdeckung

Mit Langfuse weiterarbeiten

Explorer bietet zusätzliche Unternehmensdetails, eine Watchlist für bis zu 25 Unternehmen und deinen persönlichen Strategic Intelligence Agenten. Er analysiert deine Märkte täglich – und liefert dir bei Neuigkeiten ein maßgeschneidertes Briefing mit strategischer Einordnung statt Informationsflut.

Kostenlos und ohne zeitliche Begrenzung.