traceroot observabilité agents IA : licence, démarrage et limites

traceroot observabilité agents IA : traces, détecteurs et coût, démarrage Docker en 4 commandes, licence Apache 2.0 et zone Enterprise, limites relues.
traceroot observabilité agents IA : licence, démarrage et limites

Votre agent IA a mal répondu à trois clients cette nuit, et personne ne sait lequel de ses appels d’outil a dérapé. Reste à décider : lire les traces à la main ou brancher un outil qui les trie. Le projet traceroot (traceroot-ai/traceroot) propose la seconde voie. Voici ma lecture de cette plateforme de traceroot observabilité agents IA open source : ce que le dépôt contient, comment la démarrer, et surtout ce que la licence permet vraiment.

Repères au 10 novembre 2026, relus dans le dépôt cloné : dernier commit daté du 10 novembre 2026, licence Apache 2.0 pour la majorité du code, licence « Enterprise » pour les répertoires nommés ee. Je n’ai pas pu lire le nombre d’étoiles : je ne le cite pas. Je n’ai pas déployé la plateforme : tout ce qui suit vient du README, de la documentation et du code, et les captures viennent du dépôt.

Le problème : un agent en production se juge sur des milliers de traces

Un agent n’échoue pas comme un service classique. Pas d’erreur 500 : une réponse plausible mais fausse, un outil appelé deux fois, une facture qui grimpe. Trois besoins en ressortent : voir chaque étape, détecter les mauvaises exécutions sans tout relire, et mesurer le coût.

Le README résume l’ambition ainsi : une boucle qui va de la trace à la correction vérifiée. La table de la page d’accueil du dépôt la découpe en quatre temps.

  • Trace : chaque appel de modèle et d’outil, avec entrées, sorties, latence et coût.
  • Detect : des « détecteurs » qui signalent les exécutions de production hors cible.
  • Signals : les constats répétés sont regroupés en signaux ; un agent de fond propose des pistes à partir des traces et du code GitHub connecté.
  • Verify : des évaluations sur jeux de données pour comparer les versions.

Traceroot observabilité agents IA : ce que montre l’interface

La documentation du dépôt illustre une vue chronologique. À gauche l’arbre de la session, à droite des barres : les tours d’agent contiennent des appels de modèle (ChatCompletion) et des appels d’outil (get_weather, calculate). Chaque appel de modèle affiche ses jetons en entrée et en sortie ainsi que son coût.

Vue Timeline de traceroot : arbre de session avec tours d'agent, appels de modèle et d'outils, durées, jetons et coût par appel
Source : github.com

Le coût est détaillé dans une seconde capture : une infobulle sépare le coût d’entrée (sans cache, lecture de cache, écriture de cache) et le coût de sortie. C’est le détail utile pour comprendre pourquoi un prompt long coûte cher. Les valeurs sont celles d’une démonstration du projet, la version v1.2.2 apparaît sur l’image.

Trace traceroot avec infobulle de décomposition du coût d'un appel de modèle : entrée, cache, sortie et total
Source : github.com

Côté surveillance, deux mécanismes distincts. Un détecteur lit une trace avec un modèle juge et répond oui ou non ; un oui devient un constat. Une alerte, elle, surveille un nombre dans le temps (par exemple le p95 de latence des appels de modèle sur dix minutes) et écrit dans Slack lors d’un changement d’état. La documentation précise que les alertes fonctionnent sur tous les forfaits, auto-hébergement compris, et que les détecteurs aussi, avec 100 exécutions incluses sur l’offre gratuite du service cloud.

Démarrer en local : quatre commandes

Selon le README, il faut Git, Docker Compose et Make. La cible prod-lite génère d’abord les secrets manquants dans le fichier .env (lus dans le Makefile), puis lance la pile.

Commandes du README de traceroot : git clone, cp .env.example .env, make prod-lite, puis message de démarrage sur localhost:3000
Source : github.com

Ouvrez ensuite localhost:3000. Le fichier docker-compose.prod.yml déclare PostgreSQL, ClickHouse, MinIO et Redis, plus des services applicatifs (web, API, worker, détecteur, agent). Prévoyez donc de la mémoire et du disque : je n’ai pas mesuré ces besoins.

Pour envoyer une première trace, le README propose npx -y traceroot-cli@latest setup (Node.js 20.12 ou plus), qui écrit une clé d’API dans le fichier d’environnement et demande à un agent de code d’ajouter le SDK. En manuel : SDK Python ou TypeScript, avec TRACEROOT_API_KEY et TRACEROOT_HOST_URL ; en auto-hébergement, l’adresse pointe vers votre instance. Le README liste des intégrations pour LangChain, LlamaIndex, CrewAI, OpenAI Agents SDK, Vercel AI SDK, Mastra, ainsi que les fournisseurs Anthropic, OpenAI, Gemini, Mistral et OpenRouter.

La question de la licence : à lire avant de dire « open source »

Le fichier LICENSE annonce deux régimes. Tout est sous Apache 2.0 sauf les répertoires nommés ee, couverts par une licence Enterprise. Le texte de ee/LICENSE dit que ce code ne peut être utilisé en production qu’avec l’accord aux conditions de service de l’éditeur, ou un contrat, et une clé de licence pour le bon nombre de sièges.

Dans le code, la clé s’appelle TRACEROOT_EE_LICENSE_KEY et le commentaire de ee/license.py cite SSO, journaux d’audit et RBAC comme fonctions concernées. Conclusion prudente : le cœur est libre, certaines fonctions d’entreprise ne le sont pas. Avant un déploiement, listez les fonctions dont vous avez besoin et demandez à l’éditeur ce qui relève de ee : je n’ai pas tout recoupé.

Limites et points ouverts

  • Maturité. Le pyproject.toml indique la version 0.1.0 alors que l’interface affiche v1.2.2 : l’écart n’est pas expliqué. Le README mentionne un passage par Y Combinator (S25) via un badge.
  • Déploiement. La documentation décrit une voie Kubernetes avec Helm et Terraform, mais la juge expérimentale, et elle renvoie à un dossier deploy que je n’ai pas vu dans mon clone. Je le dis tel quel.
  • Données. Prompts et sorties transitent par la plateforme. Lisez SECURITY.md et masquez les secrets avant l’envoi.
  • Détecteurs. Un modèle juge consomme des jetons : il se facture, il peut se tromper, et il lit vos traces.
  • Dynatrace. Aucun lien officiel entre traceroot et Dynatrace.

Comment l’intégrer à votre supervision

  • Commencez avec un seul agent non critique et un échantillonnage faible des détecteurs.
  • Créez d’abord deux alertes simples : latence p95 et coût sur une fenêtre glissante. Voir le coût d’un agent IA en jetons.
  • Gardez un identifiant de conversation commun avec votre APM, pour passer de la trace d’agent à la trace d’infrastructure.
  • Posez des limites d’action à l’agent : garde-fous d’agents IA en production.
  • Comparez avec d’autres projets : Observal pour les agents de code, AgentLens pour la piste d’audit, et OpenInference vers Dynatrace si vos traces doivent finir dans votre plateforme d’observabilité.

Questions fréquentes

traceroot est-il vraiment open source ?

En grande partie : Apache 2.0 pour le code hors répertoires ee. Ces répertoires suivent une licence Enterprise avec clé. Vérifiez quelles fonctions vous visez.

Peut-on l’auto-héberger sans compte cloud ?

Le README décrit un démarrage Docker Compose local et un mode auto-hébergé pour la CLI (options --host et --auth-host). Je ne l’ai pas éprouvé de bout en bout.

Remplace-t-il Dynatrace ?

Non. Il se concentre sur le comportement des agents (appels, coût, détecteurs). Corrélation avec l’infrastructure, SLO et cause racine restent à votre plateforme d’observabilité.

Conclusion

traceroot vaut un essai si vos agents tournent déjà et que vous voulez voir et trier leurs échecs. Lisez la licence avant d’engager une équipe dessus, et traitez le déploiement Kubernetes comme expérimental. Pour les attributs de span à émettre, voyez le cadre GenAI d’OpenTelemetry.

Ce blog est indépendant et non affilié à Dynatrace LLC. traceroot appartient à ses auteurs. Les captures viennent du dépôt du projet (licence Apache 2.0), sans test de ma part.

Total
0
Shares
Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Previous Post
Crossplane Dynatrace : piloter l'observabilité as code depuis Kubernetes

Crossplane Dynatrace : piloter l’observabilité as code depuis Kubernetes

Next Post
mcp-migrate serveur MCP : vérifier avant la révision 2026-07-28

mcp-migrate serveur MCP : vérifier avant la révision 2026-07-28

Related Posts