Langfuse vs LangSmith：独立した第三者による判定

Langfuse vs LangSmith：独立した第三者による判定

Langfuse対LangSmithの選択は、究極的には一つの哲学的な分岐点に集約されます。オープンソースでフレームワークに依存しないアプローチか、それとも**プロプライエタリ（独自）**でLangChainネイティブなアプローチか。この決定は、データの保存場所からスケール時のコストまで、あらゆる面に影響を及ぼします。

この比較記事が他と異なる点は、私たちが監視ツールを販売していないことです。この検索キーワードの上位結果を見ると、10件中6件は金銭的な利害関係を持つベンダーによって書かれたものです。Langfuseが自らをLangSmithと比較しているケースや、LunaryやMirascopeなどの競合他社が自社の製品を静かにプッシュしているケースが見受けられます。私たちは独立しています。両方のツールには確かな強みがあり、それぞれの勝利条件について率直にお伝えします。

重要な背景として、Langfuse v3は2025年半ばにOpenTelemetryネイティブなアーキテクチャを搭載してリリースされ、この比較構造を大きく変えました。検索結果に表示される多くの記事はv3以前に書かれたものです。この記事は違います。ツール深入了解の前にLLM可観測性が実際に何を意味するのかを理解したい場合は、まずそこから始めてください。

クイックサマリー：Langfuse vs LangSmith 一目瞭然

結論： Langfuseが5カテゴリで勝利、LangSmithが3カテゴリで勝利、4カテゴリは引き分けです。しかし、「正しい」選択はあなたの使用フレームワーク、データ要件、予算に大きく依存します。詳細は以下をご覧ください。

トレーシングと可観測性

両プラットフォームは同じ疑問に答えるために存在します。「私のLLM呼び出し内部で何が起こったのか？」アプリ内のすべてのLLM相互作用について、すべての入力、出力、レイテンシ、トークン数、コストを確認したいはずです。そこに至るまでのプロセスが異なります。

Langfuseトレーシング設定

# pip install langfuse openai
import os
from langfuse.openai import openai  # Drop-in replacement

os.environ["LANGFUSE_PUBLIC_KEY"] = "pk-..."
os.environ["LANGFUSE_SECRET_KEY"] = "sk-..."
os.environ["LANGFUSE_HOST"] = "https://cloud.langfuse.com"  # or your self-hosted URL

# That's it -- all OpenAI calls are now traced automatically
response = openai.chat.completions.create(
    model="gpt-4o",
    messages=[{"role": "user", "content": "Explain quantum computing simply"}]
)

より細かな制御が必要な場合は、@observeデコレータを使用します。

from langfuse.decorators import observe

@observe()
def analyze_document(doc: str) -> str:
    # This entire function becomes a trace span
    summary = openai.chat.completions.create(
        model="gpt-4o",
        messages=[{"role": "user", "content": f"Summarize: {doc}"}]
    )
    return summary.choices[0].message.content

LangSmithトレーシング設定

# pip install langsmith openai
import os
os.environ["LANGSMITH_API_KEY"] = "lsv2-..."
os.environ["LANGSMITH_TRACING"] = "true"

# If using LangChain, tracing is automatic -- zero config
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-4o")
response = llm.invoke("Explain quantum computing simply")

# If NOT using LangChain, use the @traceable decorator
from langsmith import traceable

@traceable
def analyze_document(doc: str) -> str:
    response = openai.chat.completions.create(
        model="gpt-4o",
        messages=[{"role": "user", "content": f"Summarize: {doc}"}]
    )
    return response.choices[0].message.content

各ダッシュボードで見えるもの

両方のダッシュボードは、トレース階層、入出力ペア、レイテンシ内訳、トークン数を表示します。LangSmithのダッシュボードは視覚的に洗練されており、トレースツリーのナビゲーションが容易で、フィルタリングも直感的です。Langfuseのダッシュボードは機能的でリリースごとに改善されていますが、UIの洗練度ではLangSmithが一歩先行いています。

決定的な技術的違いは、Langfuse v3のトレースが裏側でOpenTelemetryスパンであることです。もしあなたのチームがバックエンドの可観測性（Jaeger, Grafana Tempo, Honeycombなど）にすでにOTELを使用している場合、Langfuseのトレースは既存のスタックにそのまま組み込まれます。LangSmithは独自のproprietaryなトレーシング形式を使用しています。

判定：フレームワーク非依存のプロジェクトではLangfuseが勝利。LangChain一本槍ならLangSmithが勝利。 LangChainを使用しており、ゼロコンフィグのトレーシングを望むなら、LangSmithは確かに簡単です。それ以外すべて（OpenAI SDK, Pydantic AI, Vercel AI SDK, カスタム設定など）において、Langfuseの方が柔軟です。

評価とEvals

LLM評価（evals）は、「私のLLM出力は実際に優れているか？」という問いに答えます。ここで両プラットフォームの差異が最も顕著になります。

LangSmithの評価システムは確かに成熟しています。データセットを作成し、エージェントを実行し、数行のコードで精度や関連性のスコアを取得できます。evaluate()関数はCI/CDパイプラインと統合されており、評価スコアが低下した際にデプロイをブロックできます。評価アプローチの詳細については、LLM評価の仕組みをご覧ください。

LangfuseのアプローチはよりDIY的です。UIやAPI経由でトレースをスコアリングし、人間によるレビューのためのアノテーションワークフローを設定し、外部評価フレームワークを統合できます。機能しますが、接着剤となるコード（glue code）がより多く必要になります。

判定：組み込み評価ツールではLangSmithに確かな優位性があります。 評価が最優先事項であれば、LangSmithは开箱即用（out of the box）で簡単です。Langfuseでも到達可能ですが、より多くのカスタムコードを書くことになります。

プロンプト管理

両プラットフォームとも、プロンプトのバージョン管理、プレイグラウンドでのテスト、コードデプロイなしでの変更反映が可能です。

Langfuseは、任意のプロバイダーで動作するプレイグラウンド付きのプロンプトバージョニングを提供します。Langfuseでプロンプトを保存し、ランタイム時にSDK経由で取得し、新バージョンのパフォーマンスが劣る場合はロールバックします。シンプルでフレームワーク非依存です。

LangSmithには、プロンプトの共有とバージョン管理のためのLangChain Hubがあり、さらにモデル切り替え機能付きのプレイグラウンド（同じプロンプトをGPT-4oとClaudeで並列試行など）を備えています。プレイグラウンドは自動補完やフォーマット面でやや洗練されています。

どちらのチームにとっても十分な性能です。ここでの選択は通常、プラットフォーム全体の選択に従います。

判定：どちらも十分です。LangSmithのプレイグラウンドはやや洗練されていますが、LangfuseはLangChain以外の設定でより柔軟です。

LangChain以外のフレームワーク統合

ここで、LangChainを使用していないチームにとってLangfuseが決定的なリードを奪います。

2026年にこれらのフレームワークを選択する場合、多くのチームはLangChainではなく、Pydantic AI、Vercel AI SDK、またはOpenAI SDKを直接使用しています。そうしたチームにとって、ネイティブ統合を提供するのはLangfuseのみです。LangSmithの@traceableデコレータは何にでも動作しますが、手動計装が必要です。ここでフレームワークの選択がなぜ重要なのかについては、LangGraph vs CrewAIの比較をご覧ください。

判定：LangChain以外のプロジェクトではLangfuseが決勝的勝利。 LangChainを使用している場合はどちらも素晴らしいですが、そうでない場合はLangfuseが明確な選択肢です。

セルフホスティングとデータ主権

コンプライアンス要件のある企業で働いている場合、これが最も重要なセクションかもしれません。

LangfuseはMITライセンスで完全にセルフホスト可能です。Docker Composeを使用すれば、約30分で実行できます。しばしば機密性の高い顧客データ、個人情報（PII）、または独自ビジネスロジックを含むLLMの入出力が、あなたのインフラ外に出ることはありません。小規模チームのインフラコストは最小限です。2 vCPU、4GB RAMのシングルVMとマネージドPostgreSQLインスタンスで済みます。

LangSmithはクラウドファーストです。セルフホスティングはエンタープライズプランでのみ利用可能であり、これはカスタム価格（つまり高価）を意味します。大多数のチームにとって、LangSmithとは、すべてのプロンプトとレスポンスを含むトレースデータがLangChainのサーバー上に存在することを意味します。

実践的な意味合い：

• GDPR準拠： LLMを通じてEUユーザーデータを処理する場合、セルフホスト型LangfuseはそのデータをEUリージョン内に留めます。LangSmithクラウドはエンタープライズでない限り、米国サーバーを経由します。
• HIPAA： LLMを使用する医療企業は、患者関連データをサードパーティのクラウドに送信できないことがよくあります。セルフホスト型Langfuseはこの問題を解決します。
• IP保護： プロンプトに独自のビジネスロジックが含まれる場合、セルフホスティングによりそれらがネットワーク外に出ることを防ぎます。

推定インフラコスト：10人チーム向けのセルフホスト型Langfuseインスタンスは、クラウドインフラ（小規模VM + マネージドPostgres）で月額約50〜100ドルで稼働します。以下のクラウド価格と比較してください。

判定：セルフホスティングではLangfuseが圧勝。データ主権が重要なら、現実的な代替手段はありません。

価格深掘り：3つの規模での実コスト

実際の数字について話しましょう。両プラットフォームには無料枠がありますが、スケールするとコストは急速に乖離します。

価格モデルの説明

Langfuseは「オブザベーション」（各トレース、スパン、またはスコア＝1ユニット）ごとに課金されます。クラウド価格：無料枠は月間5万ユニットまで。Coreプランは月額29ドル。Proは月額199ドル。超過分：10万ユニットあたり8ドル。

LangSmithは段階的な保持期間付きでトレースごとに課金されます。クラウド価格：無料Developer枠は月間5千トレースまで。Plusプランはシートあたり月額39ドルで、基本トレース1万件。超過分：1千トレースあたり2.50ドル（14日間保持）または5.00ドル（400日間保持）。

3つの規模でのコスト

価格は2026年4月に検証済み。LangSmithのコストは14日間保持を想定。400日間保持の場合、トレースコストは概ね倍増。Langfuseセルフホストのコストはインフラのみ（VM + マネージドPostgreSQL）。

スケールすると格差は劇的に広がります。100万トレース時、LangfuseクラウドはLangSmithのコストの約3分の1であり、セルフホスト型Langfuseはそのさらに一部です。

セルフホストのコスト優位性

Langfuseのセルフホスティングは、経済的に興味深い点です。インフラが稼働すれば、ソフトウェア自体は無料（MITライセンス）です。継続的なコストはVMとデータベースのみです。100万トレース以上のチームにとって、セルフホスティングはどちらのクラウドオプションと比較しても月額数千ドルの節約になります。

判定：Langfuseはあらゆる規模で安価であり、セルフホスティングによりインフラコストを超えて実質無料になります。 LangSmithのシート単価はチーム規模で急速に累積します。

Langfuse v3とOpenTelemetry：何が変わったか

ウェブ上の多くのLangfuse vs LangSmith比較は、Langfuse v3以前に書かれたものです。何が変わり、なぜ重要なのかを解説します。

Langfuse v3は、分散トレーシングのためのCNCF支援オープンスタンダードであるOpenTelemetryを中心にSDKを再構築しました。実際には以下のことを意味します。

• チームがすでにOTELを使用している場合（Jaeger, Grafana, Datadogなど）、Langfuseのトレースは同じツールに表示されます。LLMトレース用の別個のダッシュボードは不要です。
• パフォーマンス向上： OTELのバッチエクスポーターは、v2 SDKのカスタムトランスポートよりも効率的です。
• 統合範囲の拡大： 専用のLangfuse統合を持つフレームワークだけでなく、OTELスパンを生成するあらゆるフレームワークからLangfuseへデータを送信できます。
• v2からの移行： @observeデコレータAPIは変更されていません。内部ではOTELスパンを生成するようになりました。ほとんどのv2コードは変更なしで動作します。

LangSmithはOTELサポートが限定的です。一部のデータをOTEL互換のバックエンドにエクスポートできますが、ネイティブではありません。トレーシング形式は独自仕様です。

成熟した可観測性プラクティスを持つチームにとって、これは大きなアーキテクチャ上の利点です。LLMトレースとバックエンドリクエストトレースを単一ツールで結合することで、コンテキストスイッチングを排除し、エンドツーエンドのレイテンシ問題のデバッグを容易にします。

判定：Langfuse v3のOTELアーキテクチャは、既存の可観測性スタックを持つチームにとって大きな利点です。

誰がどちらを選ぶべきか？ 意思決定フレームワーク

言及する価値があるのは、この空間にはHelicone、Braintrust、Arize Phoenixといった他のプレイヤーもいることです。Heliconeは、可観測性にプロキシベースのアプローチを望むチームにとって強力な代替手段です。Braintrustは評価に重点を置いています。ArizeはML可観測性の専門知識をもたらします。より広い視点については、AI可観測性プラットフォームの完全ランキングをご覧ください。

最終判定

総合：2026年の大多数のチームにとって、Langfuseがより良いデフォルトの選択肢です。 オープンソースで安価、フレームワーク非依存、セルフホスト可能です。LangSmithが明らかに優れている唯一のシナリオは、LangChain/LangGraphに深く埋め込まれており、かつLangSmithの優れた評価ツールを必要とし、かつデータ主権が懸念事項でない場合です。

とはいえ、両ツールとも急速に進化しています。Langfuseの評価機能は改善されており、LangSmithのフレームワークサポートは拡大しています。コミットする前に両方の無料枠を試してください。Langfuseは月間5万の無料オブザベーションを、LangSmithは5千の無料トレースを提供します。実際のワークロードを両方で実行し、機能表だけでなく、あなたの経験に基づいて決定してください。

FAQ

LangfuseはLangSmithの良い代替手段ですか？

はい、ほとんどのユースケースでそうです。Langfuseはオープンソースで、スケール時に安価、フレームワーク非依存、セルフホスト可能です。LangSmithが依然としてリードしている主な領域は、組み込み評価ツールです。評価が主要な懸念事項であれば、両方を評価してください。その他すべてにおいて、Langfuseは強力な代替手段です。

LangfuseとLangSmithの違いは何ですか？

核心的な違いは哲学にあります。LangfuseはMITオープンソースで、フレームワーク非依存、セルフホスト可能です。LangSmithはプロプライエタリで、LangChain/LangGraphに最適化され、クラウドファーストです。どちらもLLMトレーシング、コスト追跡、プロンプト管理を提供しますが、異なるエンジニアリング文化に対応しています。

LangSmithではなくLangfuseをセルフホストできますか？

はい。LangfuseはMITライセンスであり、約30分で展開できるDocker Composeデプロイメントを持っています。VMとPostgreSQLデータベースが必要です。セルフホスティング意味着、LLMトレースデータ（プロンプト、レスポンス、ユーザーデータ）がインフラ外に出ないことを意味し、GDPR、HIPAA、IP保護にとって重要です。

Langfuseの価格はLangSmithと比較してどうですか？

Langfuseはあらゆる規模で安価です。月間10万トレースでは、Langfuseクラウドは約69ドル/月に対し、LangSmithは約420ドル/月（5人チーム）です。100万トレースでは、格差はさらに広がります。セルフホスト型Langfuseは、トレース量に関係なくインフラコストのみ（約150ドル/月）です。

LangfuseはLangChain以外のフレームワークでも動作しますか？

はい、それが最大の利点の一つです。Langfuseには、OpenAI SDK、Pydantic AI、Vercel AI SDK、LlamaIndex、Anthropic SDKなどのネイティブ統合があります。LangSmithはLangChainで最良に動作し、他のフレームワークには手動の@traceable計装が必要です。

LLM評価において、LangfuseとLangSmithのどちらが優れていますか？

LangSmithに優位性があります。組み込み評価器（精度、関連性、忠実度）、LLM-as-judgeテンプレート、ネイティブ実験トラッキング、およびevaluate()によるCI/CD統合を提供します。Langfuseの評価アプローチはより手動的で、アノテーションスコアリングと外部評価統合にはより多くのカスタムコードが必要です。

LangSmithはオープンソースですか？

いいえ。LangSmithはクラウドサービスとして提供されるプロプライエタリソフトウェアであり、セルフホスティングはエンタープライズプラン（カスタム価格）でのみ利用可能です。LangfuseはMITライセンスのオープンソースであり、コードを自由に検査、修正、セルフホストできます。

LangSmithからLangfuseに移行できますか？

はい。両プラットフォームは類似した概念（トレース、スパン、スコアリング）を使用しているため、メンタルモデルは移行可能です。SDK統合（@traceableから@observeへ）の交換と環境変数の再構成が必要です。ワンクリック移行ツールはありませんが、典型的なプロジェクトでは通常数時間の労力で済みます。

Langfuse v3とは何で、何が変わりましたか？

Langfuse v3は、CNCF支援のトレーシング標準であるOpenTelemetry（OTEL）を中心にSDKを再構築しました。これにより、パフォーマンスの向上、既存のOTELツール（Grafana, Jaeger, Datadog）とのネイティブ統合、および統合範囲の拡大が実現しました。@observeデコレータAPIは同じままであるため、v2からの移行は簡単です。

LangfuseとLangSmithの両方に代替手段はありますか？

はい。Heliconeは、優れた開発者体験を持つプロキシベースの可観測性ツールです。Braintrustは評価とデータセットに強く焦点を当てています。Arize PhoenixはLLMにML可観測性の専門知識をもたらします。それぞれ異なる強みを持っているため、選択前にチームにとって何が最重要かを確認してください。

ソース

• Langfuse 価格
• Langfuse セルフホストデプロイ、Docker Compose
• Langfuse Python SDK v3 -- OpenTelemetry GA
• LangSmith 価格とプラン
• LangSmith ドキュメント
• OpenTelemetryとは？, opentelemetry.io
• langfuse/langfuse, GitHub リポジトリ