用途：为已有代码库中的模型调用接入 LaunchDarkly 智能体指标埋点，让 Monitoring 标签页能展示时长、输入/输出 token、成功/错误，流式场景下的 TTFT。
主要能力与四层阶梯（从高到低，匹配形状即停）：1. 托管 runner：Python 用 ai_client.create_model(...) 返回 ManagedModel 再 await model.run(...)；Node 用 aiClient.createModel(...) 再 await model.run(...)，适用于对话式调用，自动采集全部指标。2. 提供方包 + trackMetricsOf：适用于一次性补全、结构化输出、智能体步骤等非聊天循环；Node 包有 @launchdarkly/server-sdk-ai-openai、-langchain、-vercel，Python 包有 launchdarkly-server-sdk-ai-openai、-langchain，token 由包内 getAIMetricsFromResponse 提取。3. 自定义提取器 + trackMetricsOf：无提供方包时（Anthropic、Gemini、Cohere、自定义 HTTP）自行编写映射为 LDAIMetrics 的函数。4. 手动：分别调用 trackDuration、trackTokens、trackSuccess/trackError 及流式的 trackTimeToFirstToken。
使用方式：先探查调用点，判断形状、框架、提供方、是否流式、语言、是否已有 config；无 config 需先创建。统一调用形如 tracker.trackMetricsOf(getAIMetricsFromResponse, () => providerCall())（Python：tracker.track_metrics_of(get_ai_metrics_from_response, provider_call)），提取器按提供方替换。tracker 通过 config.create_tracker() / aiConfig.createTracker() 获取，每次执行调用一次并复用。注意：调用前先检查 config.enabled；包裹而不重写原调用；错误由 trackMetricsOf 内部处理，勿重复加 except: trackError；关闭前先 flush（Python：ldclient.get().flush()；Node：await ldClient.flush()）。若使用旧版 aiclient.config(...) / AIConfig(...) 需先迁移到 completion_config / agent_config 及对应 *Default。
适用场景：OpenAI、LangChain、Vercel、Bedrock、Anthropic、Gemini、自定义 HTTP 等提供方调用；验证时可运行一次真实请求，在 Monitoring 标签页 1–2 分钟内查看时长、token、生成次数，并触发错误确认计数。
限制：TTFT 仅 Tier 4 支持；提供方包覆盖 Python 与 Node 不同；trackMetricsOf 不自动采集 TTFT；trackToolCall 等方法可用但具体细节暂未提供。