Arize-ai/phoenix

🇺🇸 English • 🇨🇳 中文 • 🇹🇼 繁體中文 • 🇯🇵 日本語 • 🇵🇹 Português • 🇧🇷 Português • 🇰🇷 한국어 • 🇪🇸 Español • 🇩🇪 Deutsch • 🇫🇷 Français • 🇮🇱 עברית • 🇸🇦 العربية • 🇷🇺 Русский • 🇵🇱 Polski • 🇨🇿 Čeština • 🇳🇱 Nederlands • 🇹🇷 Türkçe • 🇺🇦 Українська • 🇻🇳 Tiếng Việt • 🇵🇭 Tagalog • 🇮🇩 Indonesia • 🇹🇭 ไทย • 🇮🇳 हिन्दी • 🇧🇩 বাংলা • 🇵🇰 اردو • 🇷🇴 Română • 🇸🇪 Svenska • 🇮🇹 Italiano • 🇬🇷 Ελληνικά • 🇭🇺 Magyar • 🇫🇮 Suomi • 🇩🇰 Dansk • 🇳🇴 Norsk

Arize Phoenix est la plateforme open source d'observabilité de l'IA d'Arize, conçue pour l'expérimentation, l'évaluation et le dépannage. Pour des workflows de production managés, Arize propose également Arize AX. Phoenix offre :

• Tracing - Tracez l'exécution de votre application LLM grâce à une instrumentation basée sur OpenTelemetry.
• Évaluation - Tirez parti des LLM pour mesurer les performances de votre application à l'aide d'evals sur les réponses et la récupération.
• Datasets - Créez des datasets d'exemples versionnés pour l'expérimentation, l'évaluation et le fine-tuning.
• Expériences - Suivez et évaluez les modifications apportées aux prompts, aux LLM et à la récupération.
• Playground- Optimisez vos prompts, comparez des modèles, ajustez les paramètres et rejouez des appels LLM tracés.
• Gestion des prompts- Gérez et testez systématiquement les modifications de prompts grâce au contrôle de version, aux tags et à l'expérimentation.
• PXI (Phoenix Intelligence) - Un agent d'ingénierie IA intégré à Phoenix pour déboguer les traces, itérer sur les prompts et naviguer dans le produit.
• Serveur MCP distant - Connectez Claude Code, Cursor et d'autres clients MCP directement au endpoint /mcp de votre instance Phoenix pour interroger les traces, datasets, expériences et bien plus.

Phoenix est indépendant des fournisseurs et des langages, avec une prise en charge native des frameworks populaires (OpenAI Agents SDK, Claude Agent SDK, LangGraph, Vercel AI SDK, Mastra, CrewAI, LlamaIndex, DSPy) et des fournisseurs de LLM (OpenAI, Anthropic, Google GenAI, Google ADK, AWS Bedrock, OpenRouter, LiteLLM, et bien d'autres). Pour en savoir plus sur l'auto-instrumentation, consultez le projet OpenInference.

Phoenix fonctionne pratiquement partout : sur votre machine locale, dans un déploiement conteneurisé ou dans le cloud. Consultez Environnements pour une présentation de chaque option, ou passez directement au démarrage rapide du tracing.

[!NOTE] Phoenix est open source et auto-hébergé. Pour une plateforme managée, Arize propose Arize AX — la même instrumentation OpenTelemetry/OpenInference fonctionne avec les deux. Consultez la comparaison complète.

Table des matières

• Exécution locale
• Tracer votre application
• Déploiement
• Paquets
• Intégrations de tracing
• Sandboxes
• Pour les humains et les agents de code
• Sécurité et confidentialité
• Communauté

Exécution locale

Installez Phoenix via pip ou conda et vous disposerez d'un Phoenix entièrement fonctionnel. Pour toutes les options d'installation et d'hébergement, consultez le guide d'installation.

pip install arize-phoenix
phoenix serve

Ou exécutez-le sans installation avec uvx :

uvx arize-phoenix serve

Tracer votre application

Le moyen le plus rapide d'envoyer des traces est de laisser votre agent de code (Claude Code, Codex, Cursor et autres) instrumenter votre application. Depuis le répertoire de votre projet, exécutez :

npx @arizeai/phoenix-cli setup
# ou, si Phoenix est installé : px setup

La configuration détecte votre framework et votre fournisseur de LLM, installe l'instrumentation OpenInference adaptée et met en place l'export des traces. Vous préférez tout configurer dans le code ? Consultez la documentation sur le tracing.

Déploiement

Les images de conteneur Phoenix sont disponibles sur Docker Hub et peuvent être déployées avec Docker ou sur Kubernetes via le chart Helm.

Pour Docker Compose, Kubernetes/Helm et d'autres options de déploiement, consultez la documentation sur l'auto-hébergement.

       

[!NOTE] Le bouton Google Cloud compile Phoenix à partir des sources dans Cloud Shell au lieu de déployer l'image Docker Hub précompilée. Le modèle Azure sert du HTTP non chiffré (Azure Container Instances ne termine pas TLS) — placez-le derrière un proxy TLS, comme un Application Gateway, avant toute utilisation en production.

Paquets

Le paquet arize-phoenix inclut l'intégralité de la plateforme Phoenix. Toutefois, si vous avez déjà déployé la plateforme Phoenix, il existe des sous-paquets Python et des paquets TypeScript légers qui peuvent être utilisés conjointement avec la plateforme.

Sous-paquets Python

Paquet	Version et documentation	Description
arize-phoenix-otel		Fournit une surcouche légère autour des primitives OpenTelemetry avec des valeurs par défaut adaptées à Phoenix
arize-phoenix-client		Client léger pour interagir avec le serveur Phoenix via son interface REST OpenAPI
arize-phoenix-evals		Outils pour évaluer les applications LLM, notamment la pertinence RAG, la pertinence des réponses, etc.

Sous-paquets TypeScript

Paquet	Version et documentation	Description
@arizeai/phoenix-otel		Fournit une surcouche légère autour des primitives OpenTelemetry avec des valeurs par défaut adaptées à Phoenix
@arizeai/phoenix-client		Client pour l'API Arize Phoenix
@arizeai/phoenix-evals		Bibliothèque d'évaluation TypeScript pour les applications LLM (version alpha)
@arizeai/phoenix-cli		CLI permettant de récupérer des traces, datasets et expériences à utiliser avec Claude Code, Cursor et d'autres agents de code

Intégrations de tracing

Phoenix repose sur OpenTelemetry et est indépendant des fournisseurs, des langages et des frameworks. Pour en savoir plus sur les intégrations de tracing et les applications d'exemple, consultez le projet OpenInference et la documentation sur les intégrations.

Intégrations Python

	Intégration	Paquet	Version
	OpenAI	openinference-instrumentation-openai
	OpenAI Agents	openinference-instrumentation-openai-agents
	LlamaIndex	openinference-instrumentation-llama-index
	DSPy	openinference-instrumentation-dspy
	AWS Bedrock	openinference-instrumentation-bedrock
	LangChain	openinference-instrumentation-langchain
	LangGraph	openinference-instrumentation-langchain
	MistralAI	openinference-instrumentation-mistralai
	Cohere	openinference-instrumentation-cohere
	Together AI	openinference-instrumentation-together
	Ollama	openinference-instrumentation-ollama
	Google GenAI	openinference-instrumentation-google-genai
	Google ADK	openinference-instrumentation-google-adk
	Guardrails	openinference-instrumentation-guardrails
	VertexAI	openinference-instrumentation-vertexai
	CrewAI	openinference-instrumentation-crewai
	Haystack	openinference-instrumentation-haystack
	LiteLLM	openinference-instrumentation-litellm
	OpenRouter	openinference-instrumentation-openai
	OrcaRouter	openinference-instrumentation-openai
	Groq	openinference-instrumentation-groq
	Instructor	openinference-instrumentation-instructor
	Anthropic	openinference-instrumentation-anthropic
	Smolagents	openinference-instrumentation-smolagents
	Agno	openinference-instrumentation-agno
	BeeAI	openinference-instrumentation-beeai
	Strands Agents	openinference-instrumentation-strands-agents
	Restate	openinference-instrumentation-openai-agents
	MCP	openinference-instrumentation-mcp
	Pydantic AI	openinference-instrumentation-pydantic-ai
	AG2	openinference-instrumentation-ag2
	Autogen AgentChat	openinference-instrumentation-autogen-agentchat
	Portkey	openinference-instrumentation-portkey
	Agent Spec	openinference-instrumentation-agentspec
	Claude Agent SDK	openinference-instrumentation-claude-agent-sdk
	TypeSafe AI	openinference-instrumentation-typesafe

Processeurs de spans

Normalisez et convertissez les données provenant d'autres bibliothèques d'instrumentation en ajoutant des processeurs de spans qui unifient les données.

Paquet	Description	Version
openinference-instrumentation-openlit	Processeur de spans OpenInference pour les traces OpenLIT.
openinference-instrumentation-openllmetry	Processeur de spans OpenInference pour les traces OpenLLMetry (Traceloop).

Intégrations JavaScript

	Intégration	Paquet	Version
	OpenAI	@arizeai/openinference-instrumentation-openai
	OpenAI Agents	@arizeai/openinference-instrumentation-openai-agents
	LangChain.js	@arizeai/openinference-instrumentation-langchain
	TanStack AI	@arizeai/openinference-tanstack-ai
	Vercel AI SDK	@arizeai/openinference-vercel
	BeeAI	@arizeai/openinference-instrumentation-beeai
	Claude Agent SDK	@arizeai/openinference-instrumentation-claude-agent-sdk
	Mastra	@mastra/arize
	MCP	@arizeai/openinference-instrumentation-mcp
	TypeSafe AI	@arizeai/openinference-instrumentation-typesafe

Intégrations Java

	Intégration	Paquet	Version
	LangChain4j	openinference-instrumentation-langchain4j
	SpringAI	openinference-instrumentation-springAI
	Arconia pour Spring AI	io.arconia:arconia-openinference-semantic-conventions
	Google ADK	openinference-instrumentation-adk-java

Intégrations Go

	Intégration	Paquet	Version
	OpenAI	github.com/Arize-ai/openinference/go/openinference-instrumentation-openai-go
	Anthropic	github.com/Arize-ai/openinference/go/openinference-instrumentation-anthropic-sdk-go

Plateformes

	Plateforme	Description	Documentation
	BeeAI	Framework d'agents IA avec observabilité intégrée	Guide d'intégration
	Dify	Plateforme open source de développement d'applications LLM	Guide d'intégration
	Envoy AI Gateway	Passerelle IA basée sur Envoy Proxy pour les charges de travail IA	Guide d'intégration
	LangFlow	Framework visuel pour créer des applications multi-agents et RAG	Guide d'intégration
	LiteLLM Proxy	Serveur proxy pour LLM	Guide d'intégration
	Flowise	Framework visuel pour créer des applications LLM	Guide d'intégration
	Prompt Flow	Outil de Microsoft pour l'orchestration de flux de prompts	Guide d'intégration
	NVIDIA NeMo	NVIDIA NeMo Agent Toolkit pour les agents d'entreprise	Guide d'intégration
	Graphite	Framework de workflows LLM multi-agents avec éditeur visuel	Guide d'intégration

Bases de données vectorielles

Intégration	Description	Documentation
Qdrant	Tracing de recherche hybride par étapes avec vecteurs denses, creux et RRF	Guide d'intégration

Sandboxes

Exécutez les évaluateurs de code de Phoenix chez des fournisseurs de sandboxes hébergées pour bénéficier d'une isolation au niveau du noyau et de l'installation des dépendances à l'exécution.

Intégration	Description	Documentation
E2B	Sandboxes hébergées sur micro-VM pour le code généré par IA	Guide d'intégration
Daytona	Sandboxes de développement managées avec démarrage depuis des snapshots	Guide d'intégration
Vercel Sandbox	Calcul éphémère sur l'infrastructure de Vercel	Guide d'intégration
Modal	Plateforme de conteneurs serverless, pensée d'abord pour Python	Guide d'intégration
Docker Sandboxes	Sandboxes cloud hébergées par Docker	Guide d'intégration

Pour les humains et les agents de code

Phoenix est conçu pour être piloté aussi bien par des personnes que par des agents de code IA. Trois interfaces permettent aux agents (Claude Code, Codex, Cursor et autres) de travailler avec vos traces, datasets et expériences :

• CLI — npx @arizeai/phoenix-cli récupère les traces, datasets et expériences et instrumente votre application (setup), afin qu'un agent puisse obtenir du contexte et agir en conséquence depuis le terminal.
• Skills — skills/ regroupe des workflows qui apprennent aux agents à déboguer, évaluer et tracer avec Phoenix.
• Serveur MCP distant — connectez n'importe quel client MCP au endpoint /mcp de votre instance pour interroger Phoenix directement.

Consultez la documentation sur les agents de code pour la configuration et l'utilisation.

Skill	Description
phoenix-cli	Déboguez des applications LLM avec la CLI Phoenix — récupérez des traces, analysez les erreurs, examinez les expériences et interrogez l'API GraphQL
phoenix-evals	Créez et exécutez des évaluateurs pour des applications IA/LLM avec Phoenix
phoenix-tracing	Conventions sémantiques et instrumentation OpenInference pour le tracing des applications LLM

Sécurité et confidentialité

Nous prenons très au sérieux la sécurité et la confidentialité des données. Pour plus de détails, consultez notre documentation sur la sécurité et la confidentialité.

Télémétrie

Par défaut, Phoenix collecte des statistiques web de base (par ex. pages vues, interactions avec l'interface) afin de nous aider à comprendre comment Phoenix est utilisé et à améliorer le produit. Aucune de vos données de traces, aucun résultat d'évaluation ni aucune information sensible n'est jamais collecté.

Vous pouvez désactiver la télémétrie en définissant la variable d'environnement : PHOENIX_TELEMETRY_ENABLED=false

Communauté

Rejoignez notre communauté pour échanger avec des milliers de créateurs d'IA.

• 🌍 Rejoignez notre communauté Slack.
• 📚 Lisez notre documentation.
• 💡 Posez vos questions et partagez vos retours dans le canal #phoenix-support.
• 🌟 Laissez une étoile sur notre GitHub.
• 🐞 Signalez les bugs via GitHub Issues.
• 𝕏 Suivez-nous sur 𝕏.
• 💼 Suivez-nous sur LinkedIn.
• 🗺️ Consultez notre feuille de route pour découvrir nos prochaines étapes.
• 🧑‍🏫 Approfondissez tout ce qui concerne les agents et les évaluations de LLM dans les Learning Hubs d'Arize.

Changements incompatibles

Consultez le guide de migration pour obtenir la liste des changements incompatibles.

Droits d'auteur, brevets et licence

Copyright 2025 Arize AI, Inc. Tous droits réservés.

Certaines parties de ce code sont protégées par un ou plusieurs brevets américains. Consultez l'IP_NOTICE.

Ce logiciel est distribué selon les termes de la licence Elastic License 2.0 (ELv2). Consultez LICENSE.

Star History

Phoenix is fully open source and built in the open. If it helps you, please ⭐ star the repo to support the project.