用途：对单个 AI 请求做细粒度追踪与调试，看到每次 LM 调用、检索步骤、中间结果、token 数与延迟。与监控关注整体健康度、批量评估不同，追踪针对单请求、实时、全细节，用于回答“为什么某次请求答错了/很慢”。
主要能力：快速查看最近 LM 调用（含完整提示词与原始响应、DSPy 字段解析）；手动为每个步骤计时；用 JSONL 持久化 trace；使用 DSPy 内置回调系统（BaseCallback，钩子包括 on_module_start/end、on_lm_start/end、on_adapter_format/parse_start/end、on_tool_start/end、on_evaluate_start/end）自动化追踪；手动逐步骤追踪多步管道；OpenTelemetry 埋点；接入 Langtrace、Arize Phoenix、Jaeger、MLflow 等查看器；从 trace 中找慢步骤、失败模式并构建训练数据。
使用方式：本地快速调试可用 dspy.inspect_history(n=5)，DSPy 3.2+ 可加 file_path 保存；结构化追踪推荐注册回调 dspy.configure(callbacks=[TracingCallback()])；自动接入示例：Langtrace 用 pip install langtrace-python-sdk 后 langtrace.init(api_key="your-key")；Phoenix 用 pip install arize-phoenix openinference-instrumentation-dspy 后 px.launch_app() 与 DSPyInstrumentor().instrument()；MLflow 用 pip install -U mlflow>=2.18.0 并 mlflow.dspy.autolog()；Jaeger 可用 docker run -d -p 16686:16686 -p 4317:4317 jaegertracing/all-in-one:latest。安装技能：npx skills add lebsral/DSPy-Programming-not-prompting-LMs-skills --skill <name>。
限制与注意事项：inspect_history 只打印到 stdout 且仅记录 LM 调用，不适合生产；回调钩子不应修改输入输出数据，否则会静默污染管道；应逐步骤追踪而非只包裹整体请求；需在问题发生前就开启日志或接入追踪器；聚合健康检查请用 /ai-monitoring，代码级错误用 /ai-fixing-errors。具体收费、平台细节及更多示例暂未提供。