Langfuse 料金・使い方｜無料Hobby月5万ユニット・Core $29〜・セルフホスト無償【2026】

LLMアプリを本番に出した瞬間、たいてい同じ壁にぶつかります。料金が思ったより高い。どこかで応答が遅い。プロンプトをいじったら品質が落ちていないか、自信が持てない。中身が見えないまま運用が回り始めると、これらは全部「推測」でしか追えなくなります。

その「見えなさ」を潰してくれるのがLangfuseです。LLMアプリ運用のブラックボックスを開けるオープンソースの可観測性プラットフォームで、世界中の開発者コミュニティに広く使われている定番の一つになっています（最新のスター数・利用者数は公式GitHubおよび公式サイトを参照／2026-05時点で確認）。

基本の考え方からセットアップ、料金、競合との比較まで、実務で必要になる順に並べていきます。

この記事のポイント Langfuseの使い方・料金・セットアップ方法をまとめた。LLMアプリのコスト監視・トレーシング・プロンプト管理をオープンソースで実現でき、LangSmithとの違いも整理する。

この記事の要点

• 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）
• クラウド無料プランで月5万ユニット、セルフホスト版はコア機能を無償で利用可能（一部エンタープライズ機能は有償EEライセンス）
• 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（他のソフトからAIを呼び出す窓口）を使ってアプリを組むと、画面の上では動いていても、内部で何が起きているかはほとんど見えません。残る疑問はだいたいこの3つです。

• 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（社内資料を読ませて答えさせる仕組み）で取ってきた情報が、AIにきちんと渡っているのか

Langfuseは、こうしたLLMアプリの内部の動きを全部ログに記録して、見える形にするツールです。呼び出し1回ごとに、入力・出力・トークン数（AIが扱う文字のかたまりの数）・コスト・処理時間が残ります。

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

コード全体がMITライセンスで公開されています。Dockerなら5分でローカルに立ち上がり、自社サーバーでの完全運用もできます。ログや会話データを外に出せない企業にとって、ここが決定的な強みになります。

2. フレームワーク非依存

LangChain、LlamaIndex、OpenAI SDK、Claude SDK、Dify、Langflow——どれでも動きます。特定のフレームワークに縛られないので、複数モデル・複数スタックが混ざった構成でもそのまま乗せられます。

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。役割ごとにツールを買い足して継ぎ接ぎする必要がありません。

先に機能を一覧で押さえておくと、後のセットアップで何を触っているのかが掴みやすくなります。

Langfuseの主要機能一覧

つまり、この7機能が無料プランでもほぼそのまま使えます。では、その料金の中身を見ていきます。

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。差が出るのはユニット数・保持期間・人数だけ。機能そのものは無料でも開きます。

つまり、まず触るなら無料のHobbyで困りません。人数とデータ保持が必要になった段階でCore以上へ上げる。この流れが素直です。

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・保持期間・ユーザー数だけ。クレジットカードもいりません。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プランが向くケース

チーム開発・本番運用に入る段階で効いてきます。月額$29（約4,400円）でユーザー数が無制限になり、データ保持も90日へ延びる。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の構成です。

セルフホスト版

MIT Licenseのコア機能を無償で使えます（商用利用可）。ただしRBAC・SCIM・プロテクトプロンプト・データ保持ポリシーなどの一部エンタープライズ機能は、別途有償EEライセンスが必要です（下記参照）。

# 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）を足すと、RBAC・SCIM・プロテクトプロンプト・データ保持ポリシーなどが解放されます。

料金の全体像が見えたら、実際に手を動かすセットアップへ進みます。

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
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;
}

ここまでで、ダッシュボードに全リクエストの詳細ログが並びます。基礎が動いたら、普段使っているフレームワークへの接続を見ていきます。

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
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate

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

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

ノーコードのDifyでもLangfuseは使えます。コードを一行も書かずに監視を入れられる。ここは地味に便利です。

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

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

Claude APIの場合、トークン数だけは手動で渡します。ここが落とし穴。

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

ここまでの整理: Langfuseは、どのモデルを使っていても呼び出しを丸ごとログに残せる「監視層」です。無料のHobbyで始めて、データを社内に置きたければセルフホスト。連携はコールバック1つか、UIへのキー入力で済みます。ここから先は、記録したデータをどう運用に活かすか——プロンプト管理と評価の話です。

連携で呼び出しを記録できるようになると、次に効いてくるのがプロンプトの管理です。

プロンプト管理機能の使い方

プロンプト（AIへの指示文）をコードに直書きすると、変えるたびにデプロイが要ります。しかも誰がいつ何を変えたかも追えなくなる。Langfuseのプロンプト管理は、これをダッシュボード側に一元化します。チーム開発ほど効果が大きいです。

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 
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

プロンプトを差し替えられるようになると、今度は「差し替えた結果、品質が上がったのか下がったのか」を測りたくなります。そこで評価機能の出番です。

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やっかいです。「プロンプトを変えたら品質が落ちた」を毎回人手で確かめ続けるのは、規模が出た時点で破綻します。LangfuseのEvaluation機能は、この採点を自動でやってくれます。

LLM-as-a-Judge（自動評価）

本番のトレースを、別のAIが自動で採点する仕組みです。

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

スコアはダッシュボードに時系列グラフで出ます。だから「プロンプト変更後に品質が下がった」を、ユーザーから苦情が来る前に掴めます。

ユーザーフィードバックの収集

from 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"
)

ここまでがLangfuse単体の話でした。最後に、導入前にほぼ全員が悩む競合との比較を片づけます。

LangSmithとの比較：どちらを選ぶべき？

Langfuseと一番よく比べられるのがLangSmith（LangChain社製）です。並べると、思想の違いがはっきり出ます。

要は、データを自前で持てるかどうか。そして、LangChainにどれだけ寄せるか。この2点で分かれます。

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

AI PICKSの独自評価

AI PICKSでは、500以上のAIツールを独自の評価基準でスコアリングしています。外部レビュー・SNSバズ・トレンド指数・サイト人気度・プロダクト品質の5軸で総合評価しています。

スコアはAI PICKSの独自基準で算出。詳細は評価基準についてをご覧ください。

編集部の検証メモ

検証の観点

可観測性ツールの良し悪しは、機能の数では決まりません。編集部では公開情報を次の3軸で比べました。

1. デプロイ柔軟性（クラウド/セルフホストの選択肢）
2. コスト構造（無料枠と従量課金の明朗さ）
3. エコシステム連携（LangChain・主要LLM API・RAGフレームワーク対応）

公開情報からの比較整理

Langfuseと、本記事で触れている主要LLM API（ChatGPT / Claude）は、同じ「LLMアプリ運用スタック」の中でも役割が違います。混同すると選定を誤ります。

※料金・無料枠の最新詳細は各公式サイトを参照。

つまりLangfuseは推論の代わりではありません。推論エンジンの上に被せる監視層です。どのモデルを使うかとは別の話として選べばいいわけです。

編集部の総合判断

公式仕様から判断する限り、指針はこう整理できます。

• コスト・データ主権を最優先するチーム → Langfuseのセルフホスト構成が有力。MITライセンスで内製運用に組み込みやすい。
• 日本語タスク・長文要約が中心のアプリ → 推論側にClaudeを据え、Langfuseでトレーシングする組み合わせが筋が良い。
• 既存のOpenAIエコシステムを軸に試作を高速化したい場合 → ChatGPT APIを推論側に置き、Langfuse Cloudの無料枠から始めると初期コストを抑えやすい。

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で十分動きます。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アプリをとりあえず動かす」段階から「LLMアプリをちゃんと運用する」段階への橋渡しです。無料プランでクレジットカードもいらず今すぐ試せるので、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。

関連記事

• 【2026年最新】Appsmith完全ガイド｜料金・使い方・自社ツール構築の始め方を徹底解説
• 【2026年最新】LiteLLM完全ガイド｜100以上のLLMを統一APIで呼び出す方法・料金・使い方
• 【2026年最新】AutoGPT完全ガイド｜使い方・料金・インストール・CrewAIとの違いを徹底解説

各ツールの公式サイト（一次情報）

料金・機能・対応範囲は各社公式が一次情報です。本記事は公開時点の検証に基づきますが、最新かつ正確な条件は必ず各公式ページで確認してください。

• Langfuse — 公式サイト（AI PICKSの詳細）
• ChatGPT — 公式サイト（AI PICKSの詳細）
• Claude — 公式サイト（AI PICKSの詳細）

次に読むなら、FAQでも触れた「LiteLLMプロキシ経由でログを取る」話の元ネタ。1つのAPIで100以上のモデルを呼び分ける仕組みを知っておくと、Langfuseで監視する対象を増やすときに配線が一気にラクになります → LiteLLM完全ガイド