> ## Documentation Index > Fetch the complete documentation index at: https://docs.localmind.ai/llms.txt > Use this file to discover all available pages before exploring further. # Langfuse-Traces auswerten > Trace-Namen, chat-turn-Diagnose, Sessions und Tags: wie Sie Langfuse-Traces lesen und filtern. Wenn Sie nachvollziehen wollen, warum ein Agent geantwortet hat, wie er geantwortet hat, wo die Latenz einer Anfrage herkommt oder was ein einzelner Run gekostet hat, finden Sie die Antwort in den Langfuse-Traces. Diese Seite zeigt, wie Sie die Traces lesen und filtern — Voraussetzung ist eine eingerichtete Anbindung, siehe [Langfuse anbinden](/administration/Langfuse-Anbindung). Die eingebauten Ansichten zu Nutzung und Systemzustand (Analytik, Audit-Logs, System-Info) sind davon unabhängig und unter [Observability](/administration/observability) beschrieben. ## Was getraced wird Bei **Agents** (Chat) erfasst Langfuse den kompletten Agent-Run: jeden Modell-Aufruf, jeden Tool-Aufruf und delegierte Sub-Agents — verschachtelt in der Reihenfolge, in der sie ausgeführt wurden. Auch die **Apps**, die das Modell direkt und ohne Agent aufrufen, werden getraced: Dokumenten-Analyse, Dokumenten-Vergleich, Dokumenten-Extraktion, Transkription, die Prompt-Verbesserung und Guardrail-Prüfungen von Widget-Konversationen. ## Trace-Namen-Referenz Der Trace-Name sagt Ihnen, welcher Teil des Produkts einen Trace erzeugt hat — er ist Ihr primärer Filter in der Trace-Liste (**Tracing → Traces**). | Trace-Name | Quelle | | --------------------------- | --------------------------------------------------------- | | `chat-turn` | Eine User-Nachricht in einer Konversation | | `chat-resume` | Fortsetzung nach einer Tool-Freigabe oder einem Interrupt | | `agent-execution` | Ein direkt über die API aufgerufener Agent | | `openai-completion` | OpenAI-kompatible API, ohne Streaming | | `openai-completion-stream` | OpenAI-kompatible API, mit Streaming | | `analysis.llm_call` | Dokumenten-Analyse | | `comparison.llm_call` | Dokumenten-Vergleich | | `extraction.llm_completion` | Dokumenten-Extraktion | | `transcription_processing` | Transkription | | `improve_prompt` | Prompt-Verbesserung | | `widget_guardrail_check` | Guardrail-Prüfung einer Widget-Konversation | ## `chat-turn` lesen — das wichtigste Debug-Objekt Wenn Sie Agent-Verhalten debuggen, beginnen Sie beim `chat-turn`. Ein `chat-turn` entspricht einer User-Nachricht plus allem, was das System getan hat, um sie zu beantworten. Öffnen Sie den Trace, zeigt die Timeline die gesamte Kette von oben nach unten: ```text theme={null} chat-turn ← die gesamte Runde ├─ Modell-Aufruf ← das Modell entscheidet, was zu tun ist │ Input: System-Prompt + Verlauf + User-Nachricht │ Output: „Tool mit Parameter X aufrufen" │ Token, Latenz, Kosten ├─ Tool-Aufruf ← das Tool läuft, mit Input und Output ├─ Modell-Aufruf ← das Modell liest das Tool-Ergebnis ├─ Sub-Agent ← delegierte Arbeit, verschachtelt │ └─ eigene Modell- und Tool-Aufrufe └─ Modell-Aufruf ← die finale Antwort an den User ``` Damit beantworten Sie die vier Fragen, die in der Praxis am häufigsten auftauchen: * **Warum hat der Agent das gesagt?** Der Input des letzten Modell-Aufrufs zeigt den exakten System-Prompt und Verlauf, mit dem das Modell gearbeitet hat. * **Warum hat er das Tool nicht benutzt?** Der Tool-Span fehlt dann schlicht — und der Modell-Aufruf davor zeigt, was das Modell stattdessen entschieden hat. * **Warum war die Antwort langsam?** Jeder Span hat seine eigene Dauer; der langsame sticht heraus. * **Warum war der Run teuer?** Token-Zahlen stehen an jedem Aufruf und sind auf dem Trace summiert. Einzelne Modell-Aufrufe isoliert betrachtet reichen selten — die Kette innerhalb des `chat-turn` ist die Diagnose. ## Sessions — zusammengehörige Traces Sessions bündeln mehrere Traces, die zusammengehören. Statt Traces einzeln anzuklicken, öffnen Sie eine Session und sehen den gesamten Ablauf in Reihenfolge. * **Chat:** Die Session-ID ist die Conversation-ID. Jede Runde derselben Konversation landet in einer Session — Sie spielen die ganze Konversation nach, so wie sie stattgefunden hat. * **Dokumenten-Analyse und -Vergleich:** Die Session-ID ist die Job-ID. Diese Apps rufen das Modell einmal pro Frage und Seite auf — ein 50-Seiten-Job wäre sonst hunderte lose Traces in der Liste; als Session ist er ein einziges Objekt. Die übrigen Operationen sind One-Shot und setzen keine Session — ihre Traces stehen für sich. ## Tags und Attribution Jeder Trace ist getaggt, damit Sie die Liste eingrenzen können: | Trace-Typ | Tags | | ---------------------- | ---------------------------------------------------------- | | Agent-Runs | `org`, `space`, `agent`, `agent_type`, `model`, `provider` | | App- und Direktaufrufe | `operation`, `model`, `org`, `space` | Tags, deren Wert nicht auflösbar ist, werden weggelassen statt als `None` geschrieben. Ein fehlender `provider`-Tag bei self-hosted-Modellen hinter einem Proxy-Alias ist deshalb erwartet — kein Fehler. Zusätzlich trägt jeder Trace drei Attributionsfelder: * **User** — wer den Run ausgelöst hat. Widget-Konversationen sind by design anonym und tragen keinen User. * **Environment** — trennt z. B. dev und prod im selben Langfuse-Projekt. * **Release** — die Localmind-Version, mit der Sie Verhalten über Versionen hinweg vergleichen. Ist die [Maskierung](/administration/Langfuse-Anbindung#datenschutz-und-trace-volumen) aktiv, sehen Sie Prompts und Completions als redigierte Platzhalter — Struktur, Token-Zahlen und Kosten bleiben vollständig erhalten.