Langfuse vs LangSmith vs MLflow：2つはオブザーバビリティツール、1つはMLプラットフォーム（2026年）

Langfuse vs LangSmith vs MLflow：2つはオブザーバビリティツール、1つはMLプラットフォーム（2026年）

langfuse vs langsmith vs mlflowの3つのツールのうち、LLMを監視するために作られたのは2つだけです。MLflowは2018年にDatabricksからscikit-learnやXGBoost向けの実験トラッキングとして生まれ、GenAIトレーシングはその何年も後に追加されました。LangfuseはMITライセンスのLLMネイティブ、LangSmithはプロプライエタリでLangChainネイティブ、MLflowはApache-2.0で両者より古株です。機能チェックリストではなく、この出自の違いが決め手になります。結論から言うと、データを自分で所有したいならLangfuse、LangGraphを使うチームならLangSmith、従来型モデルがプラットフォームを共有しているならMLflowです。

要点

• トレースデータをセルフホストで完全に所有できるMITコアが欲しいならLangfuse。ただしee/フォルダは別の商用条件下にあり、これがGitHubがこのリポジトリをMITではなくNOASSERTIONとして報告している理由です。
• アプリがLangChainまたはLangGraphで、最も密な統合にシート単位で課金できるならLangSmith。
• 従来型の機械学習モデルも提供していて、実験管理・モデルレジストリ・トレーシングを1か所にまとめたいならMLflow。
• 3つともOpenTelemetryに対応したため、2つを同時に動かすことも現実的な選択肢になりました。

Langfuse vs LangSmith vs MLflowの全体像

Langfuseはオープンソースの選択肢、LangSmithはLangChainネイティブの選択肢、そしてMLflowはLLM機能と並べて従来型MLも提供しているチーム向けの選択肢です。このうち2つはLLMオブザーバビリティツールです。3つ目はLLMのトレース方法を学び取ったMLプラットフォームであり、この違いが多くの評価の決め手になります。

この分野が初めての方は、先にAIオブザーバビリティの入門記事をお読みください。

保持期間の数値は各ベンダーの公表値です。Langfuseは料金ページにある30日/90日/3年のプラン別ティア、LangSmithは基本14日・延長400日のトレース保持で、LangChainの料金ページによれば延長は追加料金がかかる別のトレース種別であり、保持期間そのもののトグルではありません。MLflowはストレージが続く限りデータを保持します。

具体的な推奨は3つです。

• Langfuseを選ぶべきケース： MITライセンスのコード、初日からのセルフホスティング、そして自分のPostgresとClickHouseにトレースデータを置きたい場合。
• LangSmithを選ぶべきケース： スタックがLangChainまたはLangGraphで、トレース単位の課金よりシート単位の課金が合う場合。
• MLflowを選ぶべきケース： sklearnやXGBoostのモデルがLLM機能と並んで動いている場合。2ツール間の詳しい比較はLangfuse vs LangSmithの直接比較をご覧ください。

LLMネイティブツールが必要か、MLプラットフォームが必要か

このクエリのlangfuse vs mlflowという側面は、実のところ系統（lineage）の問題です。MLflowは従来型ML向けの実験トラッキングとモデルレジストリとして始まり、そこにLLMトレーシングが追加されました。LangfuseはLLMトレーシングから始まり、それ以外のものは何も追加していません。従来型モデルを一切出していないなら、MLflowのライフサイクル機構は何の役にも立たない維持対象となり、専用のAIオブザーバビリティツールの方が近道です。

MLflowは3つの中で圧倒的に古株です。Apache-2.0ライセンス、Linux Foundationのガバナンス、GitHubスターは2026年8月5日時点で2万7000を超え、「どのハイパーパラメータがどのアーティファクトを生んだか？」という問いに答えるために作られました。GenAIトレーシングはその土台の上に後から載ったものです。XGBoostの解約予測モデルとGPT-4oのサポートエージェントの両方を提供しているチームなら、これにより単一のシステムオブレコードが手に入ります。実験、レジストリエントリ、LLMトレースが同じデータベースに収まります。

逆の重みもあります。従来型モデルを一切出していないなら、その機能は何の賃料も払いません。MLflowのLLMネイティブなUXはLangfuseより若く、ショートカットは少なく、トレースビューも粗いです。

1つ補足しておくと、オートコンプリートにはkubeflow vs mlflow vs airflowという検索が表示されますが、MLflowはワークフローオーケストレーターではありません。DAGをスケジュールするものではなく、実行が何をしたかを記録するものです。AirflowとKubeflowはジョブを実行し、MLflowはその出力をトラッキングします。レイヤーの話（mlflow vs tensorflow）についても触れておくと、TensorFlowはモデリングフレームワークで、MLflowはどのフレームワークで学習するかに関係なくその上に載ります。このSERPで唯一ベンダー以外の記事であるLeanwareの比較も、同じ切り分けをしています。

チームがJupyter notebookを一度も開かないなら、MLflow最大の優位性は死んだ重りです。この1つのテストだけで、このページのほとんどの読者にとってMLflowは候補から外れます。

最初のトレースには実際どれくらいのコードが必要か

3つともPythonなら約2行ですが、摩擦の所在はそれぞれ違います。LangfuseとLangSmithは最初のトレースが記録される前にアカウントキーを求めます。MLflowは動いているトラッキングサーバーを求めます。コード行数が最少であることと、作業量が最少であることは同じではありません。

同じタスク、つまり1回のOpenAIチャット呼び出しと1つのヘルパー関数を用意し、各ベンダーのクイックスタートに沿って3通りの計測を組み込みました（2026年8月5日時点で再確認）。

Langfuseは@observeデコレータを使う場合：

# pip install langfuse
import os
from langfuse import observe
from langfuse.openai import openai  # drop-in wrapper

os.environ["LANGFUSE_PUBLIC_KEY"] = "pk-lf-..."
os.environ["LANGFUSE_SECRET_KEY"] = "sk-lf-..."
os.environ["LANGFUSE_BASE_URL"] = "https://cloud.langfuse.com"

@observe()
def answer(question: str, context: str) -> str:
    r = openai.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{"role": "user", "content": f"{context}\n\nQ: {question}"}],
    )
    return r.choices[0].message.content

LangSmithは@traceableを使う場合：

# pip install langsmith
import os
from langsmith import traceable
from openai import OpenAI

os.environ["LANGSMITH_TRACING"] = "true"
os.environ["LANGSMITH_API_KEY"] = "lsv2-..."
client = OpenAI()

@traceable
def answer(question: str, context: str) -> str:
    r = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{"role": "user", "content": f"{context}\n\nQ: {question}"}],
    )
    return r.choices[0].message.content

MLflowはmlflow.openai.autolog()を使う場合：

# pip install mlflow
import mlflow
from openai import OpenAI

mlflow.set_tracking_uri("http://localhost:5000")  # server must be running
mlflow.openai.autolog()

def answer(question: str, context: str) -> str:
    r = OpenAI().chat.completions.create(
        model="gpt-4o-mini",
        messages=[{"role": "user", "content": f"{context}\n\nQ: {question}"}],
    )
    return r.choices[0].message.content

この3つのクイックスタートから導き出した数値は次のとおりです。

各ベンダーのクイックスタートから集計し、2026年8月5日時点で再確認しました。対象はLangfuse SDKドキュメント、LangSmithオブザーバビリティ・クイックスタート、MLflowトレーシングクイックスタートです。openaiはアプリ自身の依存関係であり、カウントしていません。ぜひ自分で数え直してみてください。

私達の解釈であることを明記しておきます。3つともコードはほぼ同一であり、ここは判断の分かれ目ではありません。LangfuseとLangSmithはアカウント作成の5分間に摩擦を前倒しします。MLflowは摩擦をインフラに前倒しします。あの1行はトラッキングサーバー、その後ろのデータベース、そしてその両方を生かし続ける誰かの存在を前提としています。MLflowがフルパッケージより約95%小さいと言う軽量版mlflow-tracing SDKは、インストールを軽くするだけで、サーバーを軽くするわけではありません。

LLM-as-a-Judge：手法は同じ、置き場所は3通り

3つともデータセットに対してLLM-as-a-judgeのエバリュエータを実行できますが、LangSmithの評価エンジンが最も製品化が進んでいます。LangfuseはマネージドJudgeにアノテーションキューとCIゲーティング用のGitHub Actionを組み合わせ、MLflowはJudgeを実験管理とプロンプト最適化のツール群に結び付けています。手法は同じで、違いは結果の置き場所です。

MLflowの評価ドキュメントによれば、そのJudgeは従来型MLの指標と同じ実験トラッキングシステムの中で動きます。これが上述の系統の議論の果実です。解約予測モデルとサポートエージェントが1つのダッシュボードに並びます。Langfuseのドキュメントによれば、エバリュエータはトレースに紐付き、チームがUIで処理するアノテーションキューに流れ込みます。

手法についてはLLM出力の評価方法を、より広い状況については私達が評価した評価ツール群をお読みください。エージェントパイプラインには出力スコアリング以上の注意が必要で、それは本番稼働後のエージェント評価で扱っています。

プロンプト管理：モデルと並べてバージョン管理できるのは1つだけ

わざと短くしています。2ツール間の詳しい比較は姉妹記事に譲るためです。それぞれの形は、Langfuseはバージョン管理・ラベル・プレイグラウンド付きのプロンプト管理を提供し、LangSmithはコミット形式のバージョン管理を持つプロンプトハブを提供し、MLflowはモデルと並べてファーストクラスのエンティティとしてプロンプトを保存するプロンプトレジストリを提供します。

判断に関わる違いは1つだけです。MLflowはプロンプトをモデルレジストリエントリと同時にバージョン管理するため、プロンプトとそのチューニング対象となったモデルが単一のシステムオブレコードを共有します。LangfuseとLangSmithはプロンプトをモデル提供側から切り離して管理します。モデルとプロンプトを一緒に昇格させ、どの組み合わせがリリースされたかを証明する監査証跡が欲しいなら、この結合はどんなプレイグラウンドよりも価値があります。2ツールの詳細はLangfuse vs LangSmithの直接比較をご覧ください。

セルフホスティング、データ所有権、そして離脱コスト

Langfuseは完全にコントロールできるマルチサービス構成でセルフホストでき、MLflowは直接SQLクエリできるトラッキングサーバーとデータベースとして、LangSmithはエンタープライズ条件でのみセルフホストできます。入口の問いより出口の問いの方が重要です。どのツールを選んでも、トレース履歴は再作成できない部分だからです。

ツールごとのデプロイ実態。LangfuseはLangfuseのスケーリング設計記事にあるClickHouse時代の再設計以降、web、worker、Postgres、ClickHouse、キャッシュ/ブロブ層として動きます。押さえておくべき背景として、ClickHouseは2026-01-16にLangfuseを買収し、4億ドルのシリーズDも同時に発表しました。両社はMITライセンス、ファーストクラスのセルフホスティング、ロードマップを変更しないことを公約しています（Langfuseの声明）。LangSmithのセルフホスティングはそのドキュメントによればEnterpriseプランの案件です。MLflowはトラッキングサーバー、Postgres互換データベース、オブジェクトストレージです。

離脱経路。他の誰も書いていない節です。Langfuseはドキュメント化されたS3エクスポートでJSONLまたはParquetとしてブロブストレージに書き出せ、完全なAPIも備えます。MLflowのバックエンドは直接クエリできるオープンなデータベースです。LangSmithの一括エクスポートは有料プランの向こう側にあります。判定は、MLflowのロックインが最も回復可能、Langfuseが僅差で続き、LangSmithはEnterprise未満では選び間違えると履歴を失う場所です。

SSOとRBACはLangfuseのEnterpriseティア（月2,499ドル）とLangSmithのEnterpriseプランに門番として立ちはだかります。MLflowでは認証を自分で配線する必要があり、自由と手間が等量ついてきます。

10万・100万・1000万トレースでそれぞれいくらかかるか

Langfuseはユニットを計測し、MLflowは何も計測しません。そしてLangSmithは、比較可能なユニット単価をもはや一切公表していません。ユニットとトレースは同じオブジェクトではありません。1回のユーザーリクエストは1つのトレースであり、そこに複数の課金対象イベントが含まれ得ます。以下の3列のうち、公表価格から組み立てられるのは2列だけです。

この最後の点は、私達の調査の抜け穴ではなく、発見そのものです。2026年8月5日時点で、LangChainの料金ページはPlusを1シートあたり39ドル、10Kの基本トレース込みとし、以降はLCU（compute）あたり1.50ドル、LSU（storage）あたり1.00ドルの従量課金としています。ページ上にはもう1000トレースあたりの単価は存在せず、それを掲載する別ページもありません。したがって、指定したトレース量におけるLangSmithの請求額は公表価格から導出できず、私達は換算をでっち上げるつもりはありません。

Langfuseの数値は料金ページの公表価格（2026年8月5日時点で読み直し）に表中の量を掛けたものです。LangSmithのシート価格と保持ティアは同日に読み直したLangChainの料金ページによるもので、基本トレースは保持14日、延長トレースは400日ですがページ上で金額は定量化されていません。MLflowの列はベンダー見積もりではなく私達の推定です。マネージドPostgres（月15〜25ドル）、オブジェクトストレージ、常時稼働コンテナ1つ（月10〜20ドル）で、保存履歴とともに増えます。

ぜひ検算してください。Langfuseは段階的な超過単価スケジュールを公表しています。10万〜100万は10万あたり8.00ドル、100万〜1000万は7.00ドル、1000万〜5000万は6.50ドル、それ以上は6.00ドルです。100万の場合：29ドル、プラス90万ユニット×10万あたり8ドル＝101ドル。1000万の場合：29ドル、プラス90万ユニット×8ドル（72ドル）、プラス900万ユニット×7ドル（630ドル）＝731ドル。

形の差に注目してください。LangSmithは人と従量消費の両方に課金しますが、残り2つはしません。本当の問題がトークン支出なら、モデルの手前に置いたLiteLLMプロキシが、これらのツールが計測する前に請求を削ります。

2つを同時に動かせるか

動かせます。LangfuseとMLflowはどちらもOpenTelemetryの上に成り立っているため、1つのコレクターが同じGenAIスパンを2つのバックエンドに分配できます。現実的な組み合わせは、モデルライフサイクルのシステムオブレコードとしてのMLflowと、LLMネイティブなトレースUXとしてのLangfuseです。技術的には容易ですが、組織的にはコレクターの所有者を誰かが担う必要があります。

仕組みはこうです。2つのOTLPエクスポーターを持つOTelコレクターを用意し、GenAIセマンティック規約を使うことで、両側が同じ方法でスパンを解析できるようにします。

# Illustrative sketch, not a copy-paste-complete collector config
exporters:
  otlp/langfuse:
    endpoint: https://cloud.langfuse.com/api/public/otel:443
    headers:
      Authorization: "Basic <base64 public_key:secret_key>"
  otlp/mlflow:
    endpoint: http://localhost:5000/otel  # your MLflow tracking server

service:
  pipelines:
    traces:
      receivers: [otlp]
      processors: [batch]
      exporters: [otlp/langfuse, otlp/mlflow]  # same spans, two backends

はっきりとラベル付けしておきます。上記の構成は私達のアーキテクチャ解釈であり、ベンダーがサポートする設定ではありません。このSERPで2つのツールを同時に動かすことに言及しているのはLeanwareだけで、それも1段落です。デュアル送信は2つのシステム、2つの請求、重複するストレージ、そして午前3時に誰かを叩き起こすコレクターを意味します。

トレースのデュアル送信は技術的には容易で、組織的には高価です。2つ目のバックエンドは、誰かがそれを使い続ける責任を負うまで無料です。

Langfuse vs LangSmith vs MLflow：誰がどれを選ぶべきか

langfuse vs langsmith vs mlflowの長所と短所は6つのプロファイルに収束します。「状況による」だけではこのSERPの4位の結果と同じで役に立たないため、すべての行で1つのツールを指名します。

もし正直な答えが「この3つのどれでもない」なら、私達が順位付けした10プラットフォームに含まれる残り7つには、このページから外したホステッド専用・エンタープライズ専用の選択肢も含まれます。

よくある質問

なぜLLMトレーシングにMLflowを使うのですか？

チームが既に従来型MLモデルを提供していて、単一のシステムオブレコードを求めているなら、MLflowをLLMトレーシングに使う価値があります。実験トラッキング、モデルレジストリ、GenAIトレーシングが1つのApache-2.0プラットフォームに収まり、トレース単位の課金もありません。LLM機能だけを提供しているなら、LangfuseまたはLangSmithの方がLLMファーストな若い体験を得られます。

LangSmithとMLflowを一緒に使えますか？

使えます。両方ともOpenTelemetry互換のトレースデータを受け付けるため、OTelコレクターが同じスパンをLangSmithとMLflowトラッキングサーバーの両方に同時にエクスポートできます。コストは運用面です。バックエンド2つ、請求2つ、ストレージの重複です。私達が話すほとんどのチームは単一のシステムオブレコードを選び、2つ目はスキップしています。

LangSmithはオープンソースですか？

いいえ。LangSmithはLangChain Inc.のプロプライエタリなクローズドソースソフトウェアです。LangSmithのクライアントSDKはオープンですが、プラットフォーム、UI、バックエンドはオープンではありません。オープンソースライセンスが重要なら、Langfuse（MIT）とMLflow（Apache 2.0）がこの比較の中で自由にセルフホストできる2つの選択肢です。

MLflowは従来型の機械学習専用ですか？

いいえ。MLflowはファーストクラスのGenAIサポートを追加しました。mlflow.openai.autolog()はOpenAI呼び出しを自動的にトレースし、@mlflow.traceはカスタム関数をカバーし、組み込みJudgeがLLM出力を評価します。従来型MLの遺産はUXに表れており、LangfuseよりLLMネイティブさは劣りますが、トレーシング自体は本番グレードです。

MLflowはAirflowやKubeflowのようなワークフローオーケストレーターですか？

いいえ。MLflowはDAGをスケジュールしたりパイプラインを実行したりしません。実行が何をしたか、つまりパラメータ、指標、アーティファクト、トレースを記録します。AirflowとKubeflowはジョブをオーケストレートし、MLflowはその結果をトラッキングします。3つが混同されるのはMLOpsスタックで併存するからですが、位置するレイヤーは別々で、しばしば同時に動きます。

LangSmithとMLflowのオープンソース代替は何ですか？

Langfuse（MIT）が最も近いオープンソースのLangSmith代替で、セルフホスティングとOTelネイティブなトレーシングを備えます。MLflow自体もApache 2.0のオープンソースです。この比較の外では、Lunary、Arize Phoenix、OpenLITがオープンソースのLLMオブザーバビリティ選択肢として、プロプライエタリなプラットフォームにコミットする前に一見の価値があります。

月間1000万トレースで最も安いのは3つのうちどれですか？

インフラだけで数えるなら、MLflowが圧倒的に安いです。Postgres、オブジェクトストレージ、コンテナで月150〜400ドルというのが私達の推定です。Langfuse CloudはCoreプランで1000万ユニットの場合、超過分を含めて731ドルに着地します。LangSmithは料金ページから価格を出すこと自体ができません。2026年半ば以降、LangChainはトレース単位の一覧価格ではなく、シート料金とLCU/LSU単価を公表しているためです。

LangfuseはMLflowを置き換えますか、それとも逆ですか？

どちらも他方をきれいに置き換えはしません。LangfuseはLLM専用チームにとってMLflowのトレーシング層と評価層を置き換え、実験トラッキングとモデルレジストリの機構を切り捨てます。MLflowは、従来型MLモデルがプラットフォームを共有していて、単一のシステムオブレコードが2つより良い場合にLangfuseを置き換えます。両者はトレーシングで重なり、その周囲のすべてで分かれます。

ClickHouseに買収された今、Langfuseはまだオープンソースですか？

はい。2026-01-16の発表時点ではそうです。ClickHouseは4億ドルのシリーズDと同時にLangfuseを買収し、両社はMITライセンスの維持、ファーストクラスのセルフホスティング、変更しないロードマップを公に公約しました。これは公約であり、永続的な法的保証ではありませんが、今日、セルフホストの話は何も変わっていません。

出典

以下の出典はすべて編集上の引用でありdofollowです。有料または交換条件付きのものは一切ありません。

3つだけ覚えて帰るなら

• 3つのうち2つはLLM向けに作られました。MLflowは2018年に従来型ML向けに作られ、トレーシングは後から学んだものです。
• MITライセンスでセルフホストし、トレースデータを完全に所有したいならLangfuse。アプリがLangChainまたはLangGraphならLangSmith。従来型MLモデルがプラットフォームを共有しているならMLflow。
• まず出口の問いを投げてください。LangfuseはS3にエクスポートでき、MLflowのデータベースは自分でクエリでき、LangSmithの一括エクスポートは有料プランの向こう側にあります。
• 月間1000万イベントの場合、Langfuse Cloudの一覧価格で731ドル、MLflowはインフラ費150〜400ドル（私達の推定）です。LangSmithはトレース単位の一覧価格の公表をやめたため、比較可能な数字がありません。

結論を繰り返します。機能ではなく系統で選んでください。自分のスタックにどれが合うかセカンドオピニオンが欲しい、または導入の支援が必要ですか？Techsyに相談する。私達はクライアントのエージェントデプロイのためにこれらのツールを選んでおり、どれの販売もしていません。