Langfuse vs LangSmith: Qual plataforma de observabilidade de LLM se adapta melhor

Qualquer pessoa que esteja comparando Langfuse vs LangSmith em 2026 precisa começar com um fato de apenas nove meses atrás: a ClickHouse adquiriu o Langfuse, anúncio feito em 16 de janeiro de 2026, junto com a rodada Series D de US$ 400M da ClickHouse liderada pela Dragoneer. O valor da transação não foi divulgado (anúncio da ClickHouse, 16 de janeiro de 2026). A publicação do próprio Langfuse é direta sobre as circunstâncias: “Não planejávamos vender a empresa. Na verdade, tínhamos Term Sheets para um ótimo Series A” (Langfuse, juntando-se à ClickHouse).

Os compromissos assumidos são igualmente claros — “O Langfuse continua open source e passível de self-hosting. Não há mudanças planejadas no licenciamento.” Até setembro de 2026 isso se mantém: o LICENSE do repositório agora traz “Copyright (c) 2023-2026 ClickHouse, Inc.”, os contatos de segurança mudaram para security@clickhouse.com, e as políticas de conformidade estão no ClickHouse Trust Center. Uma mudança comercial substantiva ocorreu e é detalhada abaixo.

O LangSmith é independente e foi construído pela LangChain — a empresa por trás do LangChain e do LangGraph. Esse único fato explica a maioria das diferenças a seguir.

Langfuse: visão geral

O Langfuse se descreve como “uma plataforma de engenharia de IA open source… tracing, gestão de prompts, avaliação e métricas.” O repositório em github.com/langfuse/langfuse conta com cerca de 35.000 stars até 25 de setembro de 2026.

Trata-se de um open core genuíno, e o limite é documentado em vez de vago. Tudo fora de ee/, web/src/ee/ e worker/src/ee/ possui licença MIT Expat; esses diretórios específicos possuem uma licença enterprise separada. O Langfuse afirma que “todos os recursos e APIs principais do Langfuse estão disponíveis no Langfuse OSS (licenciado por MIT) sem limites” e que “não há limitações de escalabilidade entre as diferentes versões.”

A lista de recursos restritos à LANGFUSE_EE_LICENSE_KEY é pública: funções RBAC em nível de projeto, rótulos de prompt protegidos, políticas de retenção de dados, logs de auditoria, mascaramento de dados no lado do servidor, personalização da UI, criadores de organizações, API de Gestão de Org e SCIM, além da API de Gestão de Instâncias. Notavelmente, SSO Enterprise e RBAC no nível da organização são gratuitos no build OSS self-hosted — mais generoso que o Langfuse Cloud, onde o SSO custa US$ 300/mês.

[SCREENSHOT: Langfuse — a visualização detalhada do trace com observações aninhadas, contagens de tokens e custo por span]

O self-hosting é real, mas não é trivial. A stack consiste em um contêiner Web e um contêiner Worker, além de quatro armazenamentos: Postgres, ClickHouse, Redis/Valkey e armazenamento de objetos compatível com S3. O Docker Compose é documentado honestamente como “VM única sem alta disponibilidade, dimensionamento ou backups.” Ele pode ser executado totalmente offline e air-gapped, o que é fundamental em ambientes regulados. Escala declarada pelos próprios desenvolvedores: “Mais de 90 bilhões de observações por mês… utilizado por 21 empresas da Fortune 50.”

Em que o Langfuse é genuinamente melhor. Liberdade de licença — núcleo MIT, sem limitações de escalabilidade entre OSS e Cloud. Neutralidade de framework — mais de 100 integrações em cerca de 40 frameworks e 31 provedores de modelos, incluindo nove gateways concorrentes (LiteLLM, Portkey, OpenRouter, Kong, TrueFoundry). Amplitude de residência de dados — regiões nos EUA (us-west-2), UE (eu-west-1) e JP (ap-northeast-1), além de uma região pronta para HIPAA, SOC 2 Type II, ISO 27001 e GDPR, somando-se ao self-hosting air-gapped. Profundidade na gestão de prompts — versionamento, rótulos de lançamento, composibilidade e caching no servidor e cliente. E preço acessível na faixa inicial.

LangSmith: visão geral

O LangSmith é a plataforma de observabilidade, avaliação e implantação de agentes da LangChain. A plataforma em si não é open source — apenas o SDK é, em github.com/langchain-ai/langsmith-sdk, com licença MIT e 1.062 stars até 25 de setembro de 2026. A implantação self-hosted e híbrida é exclusiva do plano Enterprise.

Essa é uma restrição real, mas é também a troca que o LangSmith faz: por não distribuir uma versão self-hosted para todos, ele entrega mais funcionalidades no produto.

[SCREENSHOT: LangSmith — uma execução do LangGraph na visualização de trace, com o grafo do agente ao lado da linha do tempo das etapas]

Recursos que o Langfuse não possui:

• Implantação de agentes. Implantações serverless e dedicadas, Studio, uma API de Assistentes, agendamento via cron e exposição de um agente implantado como servidor MCP.
• Sandboxes para execução de código gerado por agentes.
• Um gateway de LLM completo com controles de custos, limites de taxa (rate limits), fallbacks de modelos, redação de PII e segredos, e suporte para traga sua própria chave (BYOK).
• Engine, que agrupa o comportamento dos agentes em problemas, diagnostica falhas de código e propõe correções. Ele roda a cada 6 horas por padrão a menos que seja desativado — lembre-se disso quando ler a seção de preços.
• Avaliadores Ajustados (Tuned Evaluators) (beta público até setembro de 2026), que adaptam um avaliador aos seus dados rotulados. Apenas nos planos Plus e Cloud Enterprise, exclusivo para os EUA.

Quanto ao tracing em si, ambos são muito próximos. O LangSmith oferece suporte nativo a OpenTelemetry e mapeia convenções semânticas de GenAI, além de atributos do TraceLoop, OpenInference e Logfire, com suporte a fan-out do Collector. Sua lista de frameworks abrange AutoGen, Claude Agent SDK, CrewAI, Google ADK, Mastra, Microsoft Agent Framework, OpenAI Agents SDK, PydanticAI, Semantic Kernel, Strands e Vercel AI SDK. Ele não é exclusivo para LangChain, independentemente do nome da marca.

Em que o LangSmith é genuinamente melhor. Profundidade na integração com LangChain e LangGraph por ser uma solução proprietária (first-party). Ser mais do que observabilidade — implantação, sandboxes e gateway são três categorias em que o Langfuse não entra. Triagem autônoma de falhas via Engine. Limite estendido de retenção de traces de 400 dias. E simplicidade operacional: nada para fazer self-hosting, nenhum cluster ClickHouse para gerenciar.

Preços: os números principais não são comparáveis

Ambos publicam preços de tabela. No entanto, compará-los diretamente é um erro, pois as unidades faturáveis diferem em quase uma ordem de grandeza.

Langfuse Cloud (dados de 25 de setembro de 2026):

Descontos por volume chegam a US$ 7/100k (1-10M de unidades), US$ 6.50 (10-50M) e US$ 6 (50M+).

A definição de unidade determina sua fatura: “Unidades = Total de Traces + Total de Observações + Total de Pontuações (Scores).” O exemplo prático do próprio Langfuse é 20.070 traces + 119.500 observações + 561 pontuações = 140.131 unidades por mês — aproximadamente sete unidades faturáveis por trace. A documentação também responde à dúvida comum: “As unidades criadas por recursos do Langfuse contam como unidades faturáveis? Sim.” Isso inclui LLM-as-a-judge, filas de anotação e experimentos. Executar mais avaliações custa mais dinheiro.

LangSmith (dados de 25 de setembro de 2026):

Um trace no LangSmith é “uma única execução da sua aplicação… Pode incluir muitas etapas individuais.” Um trace base inclui retenção de 14 dias; um trace estendido inclui retenção de 400 dias “mediante taxa adicional.”

Dois pontos importantes. Primeiro, o LangSmith não publica uma taxa de excedente por trace — a página informa apenas "pay as you go thereafter" (pague conforme o uso a partir de então). Segundo, o restante da plataforma é medido em unidades abstratas: 1 LCU (LangChain Compute Unit) = US$ 1,50 e 1 LSU (LangChain Storage Unit) = US$ 1,00. O Engine consome de ~5 a 30 LCUs por execução — US$ 7,50 a US$ 45 por execução, na programação padrão de 6 horas. Os Avaliadores Ajustados cobram 0,01 LCU por execução (US$ 0,015). A implantação é tarifada separadamente: computação em execução a 0,045 LCU/vCPU-hora, memória em execução a 0,006 LCU/GiB-hora, computação de banco de dados a 0,177 LSU/vCPU-hora, memória de banco de dados a 0,025 LSU/GiB-hora. Startups podem solicitar até US$ 10.000 em créditos.

A comparação relevante. A execução de um agente contendo 20 chamadas de LLM equivale a 1 trace base no LangSmith e cerca de 21+ unidades no Langfuse. A US$ 8/100k no Langfuse, isso representa cerca de US$ 0,0017 por execução; a taxa equivalente do LangSmith não é divulgada. Não compare US$ 29 com US$ 39 — modele a estrutura dos seus traces primeiro.

Comparativo de implantação e arquitetura

Uma correção importante, pois o oposto é amplamente repetido e agora está desatualizado: o Langfuse oferece sim um gateway de LLM. Trata-se de um serviço independente escrito em Rust sob o diretório ai-gateway/ que expõe “APIs nativas de provedores sob dois namespaces: /openai/v1 … /anthropic/v1.” Leia a nota de design antes de planejar seu uso — “o gateway encaminha a inferência apenas para caminhos oficiais dos provedores. Ele não faz retentativas, não segue redirecionamentos nem aceita sobrescritas de roteamento do cliente.” Sem balanceamento de carga, sem failover, sem caching semântico e sem imposição de orçamento. É um relay de captura para dois provedores para que os traces cheguem sem instrumentação de SDK — não é um roteador, e o Langfuse não afirma o contrário.

Onde as equipes encontram problemas

1. Inflação de unidades não modelada. A proporção de ~7 unidades por trace do Langfuse é aceitável até que um framework de agentes passe a emitir 40 observações por execução. Nesse cenário, um plano Core de US$ 29 com 100k unidades cobre apenas cerca de 2.500 execuções por mês. As equipes costumam descobrir isso após a primeira fatura com excedentes.

2. Avaliações cobradas duas vezes. No Langfuse, as pontuações de LLM-as-a-judge contam como unidades faturáveis e consomem tokens do modelo juiz. No LangSmith, o Engine roda a cada 6 horas por padrão a um custo de US$ 7,50 a US$ 45 por execução — cerca de US$ 900 a US$ 5.400 por mês caso a configuração não seja alterada. Ambos os pontos estão na documentação, mas costumam surpreender os usuários.

3. O caminho enterprise self-hosted mudou após a aquisição. A página de preços do self-host do Langfuse agora estabelece que o suporte Enterprise self-hosted é “fornecido em conjunto com o ClickHouse Cloud, ClickHouse BYOC ou ClickHouse Private,” e que “o valor do Langfuse é adicional ao seu plano comercial da ClickHouse.” A versão MIT permanece inalterada. Contudo, o self-hosting com suporte do fornecedor agora depende de um contrato com a ClickHouse — a mudança comercial mais relevante desde a aquisição até setembro de 2026.

4. Observabilidade não é controle. Um trace indica que uma requisição custou US$ 0,42 e levou 9 segundos — depois que ela já ocorreu. Ele não interrompe a requisição, não limita os gastos da equipe, não bloqueia uma injeção de prompt nem realiza failover quando o provedor retorna erro 503. A camada de tracing não é o local para imposição de regras, e ambos os fornecedores concordam com isso.

Deseja impor controle de custos e políticas antes da chamada, em vez de apenas observá-los depois?

Roteie seu tráfego por um único endpoint governado e mantenha seu backend de tracing atual.

Comece gratuitamente

Onde a TrueFoundry se posiciona — e onde não se posiciona

Para ser direto: a TrueFoundry não substitui o Langfuse nem o LangSmith. Eles atuam na camada de observabilidade e avaliação. O AI Gateway da TrueFoundry é o ponto de controle posicionado à frente dos modelos, exportando traces para qualquer um dos dois via OpenTelemetry. O Langfuse já lista a TrueFoundry entre os nove gateways com os quais se integra — o sinal mais claro de que são camadas complementares, e não concorrentes.

O gateway faz a interface com mais de 1.000 LLMs por meio de uma única API compatível com a OpenAI, adiciona cerca de 3 a 4 ms de latência e suporta mais de 350 RPS em 1 vCPU. Esses números tornam viável posicioná-lo à frente de todas as chamadas, e não apenas das mais críticas. Orçamentos, limites de taxa (rate limits), guardrails, atribuição de custos e failover passam a ser aplicáveis nesse único ponto.

A divisão que a maioria das equipes adota: impor políticas e atribuir custos no gateway, enviando os traces para a plataforma de preferência dos seus engenheiros para depuração e avaliação. Se for o LangSmith, a integração está documentada. Se for o Langfuse, o endpoint OTLP funciona da mesma forma. Não é necessário escolher entre governança e observabilidade.

A configuração de roteamento é outra alavanca importante e atua antes da cobrança da observabilidade: ao direcionar cada requisição para o nível de modelo adequado em vez de usar um modelo de ponta por padrão, você reduz tanto o gasto com inferência quanto o volume de traces caros armazenados.

Já utiliza Langfuse ou LangSmith?

Mantenha sua estrutura. Adicione o gateway à frente e visualize o custo por equipe, por modelo e por agente em um só lugar.

Comece gratuitamente

Comparativo direto

Leituras relacionadas

• O que é observabilidade de LLM? — a categoria na qual ambos os produtos se inserem
• Ferramentas de observabilidade de LLM
• Langfuse vs Portkey — comparação do lado do gateway
• Integração do AI Gateway da TrueFoundry com o LangSmith
• O que é um plano de controle de IA?

Conclusão

Ambas as ferramentas são eficientes em suas respectivas propostas. O Langfuse apostou na abertura: núcleo MIT, self-hosting em qualquer infraestrutura (incluindo ambientes air-gapped), três regiões em nuvem e a decisão consciente de não se vincular a um único framework de agentes. Essa proposta se manteve após a aquisição pela ClickHouse, com apenas uma ressalva comercial referente ao suporte para self-hosting. O LangSmith apostou na integração profunda com o seu próprio ecossistema, entregando três categorias — implantação, sandboxes e um gateway completo — nas quais o Langfuse não atua.

A decisão depende do modelo de propriedade desejado. Se busca controle sobre o código e a implantação: Langfuse. Se prefere maior integração funcional com menor superfície operacional em uma stack LangChain: LangSmith. Em ambos os casos, recomenda-se modelar o volume real de traces, pois os preços de entrada podem induzir a análises imprecisas.

Nenhum dos dois sistemas foi projetado para atuar na imposição preventiva de regras; ambos apenas registram o que já ocorreu. Caso sua operação exija um ponto de controle único à frente das chamadas aos modelos — para gestão de orçamentos, limites de taxa, guardrails, atribuição de custos e failover —, essa camada deve ser posicionada antes, exportando os dados para a plataforma de observabilidade escolhida.

Comece gratuitamente com a TrueFoundry