用途：为 Python 与 TypeScript 代码接入 MLflow Tracing，以获得可观测性。依照项目语言加载对应指南——Python 项目读取 references/python.md，TypeScript/JavaScript 项目读取 references/typescript.md；语言不明确时，可通过 package.json（TypeScript）或 requirements.txt/pyproject.toml（Python）判断。
主要能力：指导选择值得追踪的操作，包括根操作（入口点、顶层流水线、工作流步骤）、LLM 调用（聊天补全、嵌入）、检索（向量库查询、文档获取、搜索）、工具/函数调用（API、数据库、网页搜索）、智能体决策（路由、规划、工具选择）以及外部服务（HTTP API、文件 I/O、消息队列）。不建议追踪过于细粒度的内容，如简单数据变换、字符串格式化与解析、配置加载、日志或指标上报、纯工具函数。
使用方式：完成埋点后必须验证追踪生效，再运行被埋点的代码，使至少一个被追踪操作触发，并用 mlflow.search_traces() 或 MlflowClient().search_traces() 确认 trace 出现在实验中，例如：
import mlflow
traces = mlflow.search_traces(experiment_ids=["<experiment_id>"]) print(f"Found {len(traces)} trace(s)") assert len(traces) > 0, "No traces were logged — check tracking URI and experiment settings"
随后向用户报告发现的 trace 数量并确认追踪正常。若计划评估智能体，需先确保追踪可用。反馈收集可参考 references/feedback-collection.md，涵盖用 mlflow.log_feedback() 记录评分与评论、返回 trace ID、LLM-as-judge 自动评估。生产部署参考 references/production.md，涉及环境变量配置、异步日志、采样配置（MLFLOW_TRACE_SAMPLING_RATIO）、轻量 SDK（mlflow-tracing）及 Docker/Kubernetes 部署。高级模式参考 references/advanced-patterns.md，涉及异步函数追踪、多线程上下文传播、用 span 处理器进行 PII 脱敏。分布式追踪参考 references/distributed-tracing.md，涉及跨服务传播 trace 上下文以及客户端/服务端头部 API。
限制：资料未提供具体版本、安装命令、价格或平台支持范围等信息。