【2026年最新】Langfuse完全ガイド｜使い方・料金・LLMアプリの可観測性を徹底解説

LLMアプリを本番環境に投入したとたん、「なぜこんなに料金が高いのか」「どこで応答が遅くなっているのか」「プロンプトを変えたら品質が下がっていないか」——こうした問題に直面したことはないでしょうか。

Langfuseは、そうしたLLMアプリ運用のブラックボックス問題を解決するオープンソースの可観測性プラットフォームです。GitHubスター数10万超、世界4万以上のチームが利用するデファクトスタンダードになっています。

この記事では、Langfuseの基本概念から実際のセットアップ、料金プラン、競合との比較まで、必要な情報をすべてまとめます。

Key Takeaway: Langfuseの使い方・料金・セットアップ方法を徹底解説。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。LangSmithとの比較も。

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）
• 無料プランで月5万ユニット、セルフホストなら無制限・完全無料
• 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を使ったアプリを作ると、表面上は動いていても中で何が起きているかは見えません。

• 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で取得した情報がLLMにきちんと渡っているのか

Langfuseは、こうした「LLMアプリの内部挙動を全部ログに記録して可視化する」ためのツールです。

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

Langfuseはコード全体がMITライセンスで公開されています。Dockerで5分あればローカルに立ち上がり、自社サーバーで完全運用も可能です。ログや会話データを外部に出したくない企業にとって、これは決定的なアドバンテージです。

2. フレームワーク非依存

LangChain、LlamaIndex、OpenAI SDK、Claude SDK、Dify、Langflow——どれでも使えます。特定のフレームワークに縛られないため、マルチモデル・マルチスタック構成でも対応できます。

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。ツールを複数使い分ける必要がありません。

Langfuseの主要機能一覧

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。

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（制限はユニット数と保持期間、ユーザー数のみ）。クレジットカード不要で即日開始できます。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プランが適するケース

チーム開発・本番運用を始める段階。月額$29（約4,400円）でユーザー数無制限になり、データ保持期間も90日に延びます。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です。

セルフホスト版

完全無料で全機能を利用できます。MIT Licenseのため商用利用も問題ありません。

# 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）を追加すると、RBAC・SCIM・プロテクトプロンプト・データ保持ポリシーなどが使えます。

---

## 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](https://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

```bash
# Python
pip install langfuse openai

# JavaScript / TypeScript
npm install langfuse openai

### ステップ3: 環境変数の設定

```bash
# .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

<strong>Pythonの場合（@observeデコレータ）:</strong>

```python
from langfuse.openai langfuse.decorators 
@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)

<strong>JavaScriptの場合（OpenAI SDK統合）:</strong>

```typescript
"langfuse";
"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;
}

これだけで、Langfuseのダッシュボードに全リクエストの詳細ログが表示されます。

---

## 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。

```python
from langfuse.callback 
# Langfuseのコールバックハンドラを作成
langfuse_handler = CallbackHandler()

# LangChainのチェーン実行時にcallbacksに追加
from langchain_openai langchain_core.prompts 
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

Difyのノーコード環境でもLangfuseが使えます。

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

```python
# langfuseがOpenAIをラップするため、コード変更は最小限
from langfuse.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

```python
langfuse.decorators 
@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

---

## プロンプト管理機能の使い方

![プロンプトを環境別に管理する保管庫のイメージ](/article-images/langfuse-guide-2026-1.png)


Langfuseのプロンプト管理機能は、チーム開発で特に威力を発揮します。プロンプトをコードの中に直書きするのではなく、Langfuseのダッシュボードで一元管理できます。

<strong>メリット:</strong>
- 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

<strong>コードからプロンプトを取得する:</strong>

```python
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

---

## 評価（Evaluation）機能でLLM品質を自動チェック

![LLM応答品質を自動評価する検査ラインのイメージ](/article-images/langfuse-guide-2026-2.png)


LLMアプリの品質管理は難しいです。「プロンプトを変えたら品質が下がった」を人手でチェックし続けるのは現実的ではありません。LangfuseのEvaluation機能を使うと、これを自動化できます。

### LLM-as-a-Judge（自動評価）

本番のトレースを別のLLMが自動採点します。

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

評価スコアはダッシュボードで時系列グラフとして表示されるため、「プロンプト変更後に品質が下がった」を即座に検知できます。

### ユーザーフィードバックの収集

```python
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"
)

---

## LangSmithとの比較：どちらを選ぶべき？

Langfuseと最もよく比較されるのがLangSmith（LangChain社製）です。

| 項目 | Langfuse | LangSmith |
|------|----------|-----------|
| <strong>ライセンス</strong> | MIT（完全オープンソース） | クローズドソース |
| <strong>セルフホスト</strong> | ✅ 完全無料 | ❌ 不可 |
| <strong>無料プラン</strong> | 月5万ユニット・全機能 | 月5,000トレース・1ユーザー |
| <strong>有料最低額</strong> | $29/月（ユーザー無制限） | $39/ユーザー/月 |
| <strong>フレームワーク</strong> | フレームワーク非依存 | LangChain/LangGraph最適化 |
| <strong>LangChain連携</strong> | ✅ 対応 | ✅ ネイティブ統合 |
| <strong>データ主権</strong> | ✅ セルフホストで完全管理 | ❌ クラウドのみ |
| <strong>コミュニティ</strong> | GitHub 10万+ Stars | 非公開 |

<strong>Langfuseを選ぶべきケース:</strong>
- 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）

<strong>LangSmithが向くケース:</strong>
- 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。

| ツール名 | 総合スコア | 料金タイプ |
|---|---|---|
| [ChatGPT](/tool/chatgpt) | 95pt | フリーミアム |
| Claude | 93pt | フリーミアム |

*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](/about/editorial-policy)をご覧ください。*

## 編集部の検証メモ

### 検証の観点

LLMアプリの可観測性ツールを選ぶうえで、編集部では以下3つの評価軸で公開情報を比較検討した。

1. <strong>デプロイ柔軟性</strong>（クラウド/セルフホストの選択肢）
2. <strong>コスト構造</strong>（無料枠と従量課金の明朗さ）
3. <strong>エコシステム連携</strong>（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、本記事内で言及している主要LLM API（[ChatGPT](/tool/chatgpt) / [Claude](/tool/claude)）を「LLMアプリ運用スタック」として整理すると、それぞれ役割が異なる。

| 項目 | Langfuse | ChatGPT API | Claude API |
|------|----------|-------------|------------|
| 役割 | 可観測性・運用基盤 | 推論エンジン | 推論エンジン |
| ライセンス | MIT（OSS） | プロプライエタリ | プロプライエタリ |
| 無料枠 | 月5万ユニット／セルフホスト無制限 | 試用クレジット中心 | 試用クレジット中心 |
| 日本語UI | 英語UI（ドキュメント英語中心） | 英語UI | 英語UI |
| 商用利用 | OSSライセンス範囲内で可 | 利用規約に従い可 | 利用規約に従い可 |

※料金・無料枠の最新詳細は各公式サイトを参照。

### 編集部の総合判断

公式仕様から判断する限り、選定の指針は次のとおりである。

- <strong>コスト・データ主権を最優先するチーム</strong> → 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。
- <strong>日本語タスク・長文要約が中心のアプリ</strong> → 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。
- <strong>既存のOpenAIエコシステムを軸に試作を高速化したい場合</strong> → 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で十分動作します。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](/tool/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アプリを動かすだけ」から「LLMアプリをちゃんと運用する」フェーズへの橋渡しをしてくれるツールです。無料プランで今すぐ試せるので、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](/mag/appsmith-guide-2026)
- [【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](/mag/litellm-guide-2026)
- [【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](/mag/autogpt-complete-guide-2026)