import { ArticleImage } from '@/components/ArticleImage'

【2026年最新】Langfuse完全ガイド｜使い方・料金・LLMアプリの可観測性を徹底解説

LLMアプリを本番環境に投入したとたん、「なぜこんなに料金が高いのか」「どこで応答が遅くなっているのか」「プロンプトを変えたら品質が下がっていないか」——こうした問題に直面したことはないでしょうか。

Langfuseは、そうしたLLMアプリ運用のブラックボックス問題を解決するオープンソースの可観測性プラットフォームです。GitHubスター数10万超、世界4万以上のチームが利用するデファクトスタンダードになっています。

この記事では、Langfuseの基本概念から実際のセットアップ、料金プラン、競合との比較まで、必要な情報をすべてまとめます。

この記事でわかること

• Langfuseとは何か・何が解決できるか
• Langfuseの料金プラン（無料〜エンタープライズ）
• Python・JavaScriptでの基本的な使い方
• プロンプト管理・評価機能の活用方法
• LangSmithとの比較と選び方

30秒で結論

• Langfuse = オープンソースのLLM可観測性プラットフォーム（MIT License）
• 無料プランで月5万ユニット、セルフホストなら無制限・完全無料
• コスト・レイテンシ・品質をリアルタイムで可視化できる
• LangChain・OpenAI・Claude・Difyなど主要フレームワークと連携可能
• LangSmithより柔軟。セルフホストできることが最大の差別点

Langfuseとは？LLMアプリの「見えない部分」を見えるようにするツール

ChatGPTやClaudeのAPIを使ったアプリを作ると、表面上は動いていても中で何が起きているかは見えません。

• このリクエストにいくらかかったのか
• なぜこのプロンプトだと回答がおかしくなるのか
• RAGで取得した情報がLLMにきちんと渡っているのか

Langfuseは、こうした「LLMアプリの内部挙動を全部ログに記録して可視化する」ためのツールです。

Langfuseが選ばれる3つの理由

1. オープンソース・セルフホスト可能

Langfuseはコード全体がMITライセンスで公開されています。Dockerで5分あればローカルに立ち上がり、自社サーバーで完全運用も可能です。ログや会話データを外部に出したくない企業にとって、これは決定的なアドバンテージです。

2. フレームワーク非依存

LangChain、LlamaIndex、OpenAI SDK、Claude SDK、Dify、Langflow——どれでも使えます。特定のフレームワークに縛られないため、マルチモデル・マルチスタック構成でも対応できます。

3. 機能が一体化している

トレーシング・プロンプト管理・評価（Evaluation）・データセット管理が一つのプラットフォームで完結します。ツールを複数使い分ける必要がありません。

Langfuseの主要機能一覧

Langfuseの料金プラン【2026年最新版】

クラウド版（Langfuse Cloud）

Langfuseのクラウド版は4つのプランで提供されています。

超過料金: 10万ユニット超は$8/10万ユニット（100万超は$7、1000万超は$6.50）

Hobbyプランで何ができるか

無料プランでも全機能が使えます（制限はユニット数と保持期間、ユーザー数のみ）。クレジットカード不要で即日開始できます。月5万ユニットは個人開発や小規模プロジェクトには十分な量です。

Coreプランが適するケース

チーム開発・本番運用を始める段階。月額$29（約4,400円）でユーザー数無制限になり、データ保持期間も90日に延びます。早期スタートアップは50%割引、学術・研究利用は最大100%割引が適用されます。

Proプランで追加されるもの

SOC 2・ISO 27001準拠、3年間のデータ保持、高いレートリミット（エンタープライズグレードのトレース量に対応）。セキュリティ要件が厳しい企業向けです。

セルフホスト版

完全無料で全機能を利用できます。MIT Licenseのため商用利用も問題ありません。

# Dockerで即セットアップ
git clone https://github.com/langfuse/langfuse
cd langfuse
docker compose up

セルフホストのエンタープライズライセンス（$500/月）を追加すると、RBAC・SCIM・プロテクトプロンプト・データ保持ポリシーなどが使えます。

Langfuseの始め方・セットアップ手順

ステップ1: アカウント作成とプロジェクト設定

1. cloud.langfuse.com にアクセス
2. GitHubアカウントまたはメールでサインアップ
3. 「New Organization」→「New Project」を作成
4. プロジェクト設定からAPIキーを発行（Public Key + Secret Key）

ステップ2: SDKのインストール

# Python
pip install langfuse openai

# JavaScript / TypeScript
npm install langfuse openai

ステップ3: 環境変数の設定

# .env ファイル
LANGFUSE_PUBLIC_KEY="pk-lf-xxxxxxxxxxxxxxxx"
LANGFUSE_SECRET_KEY="sk-lf-xxxxxxxxxxxxxxxx"
LANGFUSE_HOST="https://cloud.langfuse.com"  # セルフホストの場合はそのURLに変更

ステップ4: 最初のトレースを記録する

Pythonの場合（@observeデコレータ）:

from langfuse.openai import openai  # openaiをLangfuse経由でラップ
from langfuse.decorators import observe

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

# これだけでトークン数・コスト・レイテンシが自動記録される
result = generate_response("AIとは何ですか？")
print(result)

JavaScriptの場合（OpenAI SDK統合）:

import Langfuse from "langfuse";
import OpenAI from "openai";

const langfuse = new Langfuse();
const openai = new OpenAI();

async function generateResponse(userQuestion: string) {
  const trace = langfuse.trace({ name: "chat-response" });
  const generation = trace.generation({
    name: "openai-call",
    model: "gpt-4o",
    input: userQuestion,
  });

  const response = await openai.chat.completions.create({
    model: "gpt-4o",
    messages: [{ role: "user", content: userQuestion }],
  });

  const answer = response.choices[0].message.content;
  generation.end({ output: answer });
  return answer;
}

これだけで、Langfuseのダッシュボードに全リクエストの詳細ログが表示されます。

主要フレームワークとの連携方法

LangChainとの連携

LangChainはコールバック1つで統合できます。

from langfuse.callback import CallbackHandler

# Langfuseのコールバックハンドラを作成
langfuse_handler = CallbackHandler()

# LangChainのチェーン実行時にcallbacksに追加
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate

prompt = ChatPromptTemplate.from_template("以下の質問に答えてください: {question}")
model = ChatOpenAI(model="gpt-4o")
chain = prompt | model

# callbacksにLangfuseを指定するだけ
response = chain.invoke(
    {"question": "AIの将来性は？"},
    config={"callbacks": [langfuse_handler]}
)

Difyとの連携

Difyのノーコード環境でもLangfuseが使えます。

1. Difyの「設定」→「監視」→「Langfuseを設定」
2. Public Key・Secret Key・Hostを入力
3. これだけでDifyのすべてのLLM呼び出しが自動トレースされる

OpenAIダイレクト統合

# langfuseがOpenAIをラップするため、コード変更は最小限
from langfuse.openai import openai  # このimport 1行を変えるだけ

response = openai.chat.completions.create(
    model="gpt-4o",
    messages=[{"role": "user", "content": "こんにちは"}]
)
# トークン数・コスト・レイテンシが自動記録

AnthropicとClaude APIの連携

import anthropic
from langfuse.decorators import observe, langfuse_context

@observe()
def ask_claude(question: str):
    client = anthropic.Anthropic()
    message = client.messages.create(
        model="claude-opus-4-6",
        max_tokens=1024,
        messages=[{"role": "user", "content": question}]
    )
    # 手動でトークン数を記録
    langfuse_context.update_current_observation(
        usage={
            "input": message.usage.input_tokens,
            "output": message.usage.output_tokens,
        }
    )
    return message.content[0].text

プロンプト管理機能の使い方

Langfuseのプロンプト管理機能は、チーム開発で特に威力を発揮します。プロンプトをコードの中に直書きするのではなく、Langfuseのダッシュボードで一元管理できます。

メリット:

• バージョン管理（変更履歴が全部残る）
• デプロイメントラベル（development / staging / production）
• 非エンジニアでもUI上でプロンプトを編集・デプロイ可能
• A/Bテストで複数バージョンの効果を比較

コードからプロンプトを取得する:

from langfuse import Langfuse

langfuse = Langfuse()

# production ラベルがついたプロンプトを取得（キャッシュ付き）
prompt = langfuse.get_prompt("answer-question")

# 変数を埋め込む
compiled_prompt = prompt.compile(topic="AIの歴史", language="日本語")

# 使用後、プロンプト更新はダッシュボードから→コード変更不要

評価（Evaluation）機能でLLM品質を自動チェック

LLMアプリの品質管理は難しいです。「プロンプトを変えたら品質が下がった」を人手でチェックし続けるのは現実的ではありません。LangfuseのEvaluation機能を使うと、これを自動化できます。

LLM-as-a-Judge（自動評価）

本番のトレースを別のLLMが自動採点します。

1. Langfuseダッシュボードで「Evaluators」を開く
2. 「Create Evaluator」をクリック
3. 評価プロンプト（例: 「回答の正確性を1〜5点で採点してください」）を設定
4. 対象モデルと評価頻度を設定
5. 以降、新しいトレースが入るたびに自動でスコアが付与される

評価スコアはダッシュボードで時系列グラフとして表示されるため、「プロンプト変更後に品質が下がった」を即座に検知できます。

ユーザーフィードバックの収集

from langfuse import Langfuse

langfuse = Langfuse()

# ユーザーがサムアップ/サムダウンを押したとき
langfuse.score(
    trace_id="trace-xxxxx",
    name="user-feedback",
    value=1,  # 1=高評価, 0=低評価
    comment="とても分かりやすかった"
)

LangSmithとの比較：どちらを選ぶべき？

Langfuseと最もよく比較されるのがLangSmith（LangChain社製）です。

Langfuseを選ぶべきケース:

• セルフホストでデータを社内に置きたい
• LangChain以外のフレームワーク（Claude SDK・Dify等）も使っている
• チーム人数が多くコスト効率を重視したい
• オープンソースを好む（ベンダーロックイン回避）

LangSmithが向くケース:

• LangChain / LangGraphのみを使っている
• セルフホストの運用コストをかけたくない
• LangGraphのデプロイ機能（LangGraph Cloud）も使いたい

よくある質問

Q. Langfuseは日本語に対応していますか？

公式UIは英語ですが、日本語の公式ドキュメントページ（langfuse.com/jp）が用意されています。日本語のトレースデータも問題なく扱えます。日本のコミュニティも活発で、ZennやQiitaに多数の日本語記事が公開されています。

Q. セルフホストは本当に無料ですか？

Langfuse本体はMITライセンスで完全無料です。ただし、自社サーバーの運用コスト（AWS EC2やGCPなど）は別途かかります。小規模なら月数千円のVPSで十分動作します。エンタープライズ向けのRBAC・SCIM等の機能は有料ライセンス（$500/月）が必要です。

Q. OpenAI以外のモデルも使えますか？

使えます。Claude（Anthropic）・Gemini（Google）・Mistral・Groq・Amazon Bedrockなど主要モデルはすべて対応しています。LiteLLMプロキシ経由でログを取れるため、独自モデルやローカルLLMも対応可能です。

Q. DifyやLangflowのようなノーコードツールとも連携できますか？

できます。DifyはUI上でLangfuseの設定を入力するだけで連携が完了します。Langflowも同様にネイティブ統合に対応しています。コードを書かずにLLMアプリを可観測化できます。

Q. 「ユニット」とは何ですか？

Langfuseの料金単位です。基本的に1回のLLM API呼び出しが1ユニットに相当します（マルチターンのトレースも含む）。月5万ユニットは、日あたり約1,600回のLLM呼び出しに相当し、個人開発や小規模プロジェクトには十分です。

Q. データはどこに保存されますか？

Langfuse Cloud（クラウド版）はUS・EUリージョンのサーバーに保存されます。日本国内にデータを置きたい場合はセルフホスト版を使うのが最善策です。Docker ComposeまたはKubernetes上で動作し、データベースはPostgreSQL（+ ClickHouse）を使用します。

Langfuseは「LLMアプリを動かすだけ」から「LLMアプリをちゃんと運用する」フェーズへの橋渡しをしてくれるツールです。無料プランで今すぐ試せるので、AIアプリ開発を始めたら最初に入れておいて損はありません。