新闻详情

新闻详情

首页 / 资讯中心 / 详情

5分钟上手Observal:从本地部署到看到第一条AI会话追踪的完整快速入门教程

发布时间:2026/11/18 11:18:27来源:尧图网络
5分钟上手Observal:从本地部署到看到第一条AI会话追踪的完整快速入门教程
5分钟上手Observal从本地部署到看到第一条AI会话追踪的完整快速入门教程【免费下载链接】ObservalObserval is self-hosted registry for your coding agent extensions with a built in insight engine. Setup Observal, define the scope and share your Skills, MCPs and Agents with your peers.项目地址: https://gitcode.com/gh_mirrors/ob/ObservalObserval 是一款自托管的 AI 编码代理Agent组件注册中心内置 AI 洞察引擎与 AI 会话追踪能力它可以统一管理你的 Skills、MCP 服务器和 Agents并把 Claude Code、Cursor、Copilot 等工具中每一次 AI 编程会话完整记录成可回放、可分析的数据。本教程带你完成 Observal 本地部署约 5 分钟即可在网页中看到第一条 AI 会话追踪记录。开始前的准备工作3 个环境要求要求最低版本说明Docker Engine24.0含 Compose v2使用docker compose命令内存4 GBClickHouse 是主要内存消耗者建议 6 GB磁盘5 GB用于镜像与数据卷 用docker version和docker compose version快速确认版本。CLI 安装若走 Python 方式需要 Python 3.11。第一步安装 Observal CLI1分钟完成Observal 分为两部分自托管的服务端API 网页界面 数据库和安装在开发者机器上的CLI 命令行。CLI 用于登录、安装会话追踪钩子、拉取 Agent。最推荐用uv安装也支持pipx/pipuv tool install observal-cli observal --version更多安装细节见官方文档 docs/getting-started/installation.md。第二步一键启动 Observal 服务端最快配置方法在终端中执行以下命令从源码启动完整的服务端堆栈git clone https://gitcode.com/gh_mirrors/ob/Observal cd Observal cp .env.example .env docker compose -f docker/docker-compose.yml up --build -d.env.example自带可运行的默认配置本地开发无需修改。首次启动会拉取镜像并编译前端预计 35 分钟之后启动只需 30 秒内。核心服务说明完整版见 SETUP.md服务地址用途observal-lbnginxhttp://localhost反向代理API Web 入口observal-webhttp://localhost:3000网页 UI 直连地址observal-dblocalhost:5432PostgreSQL 16注册中心数据observal-clickhouselocalhost:8123ClickHouse会话与审计事件observal-redislocalhost:6379任务队列 发布订阅等待 1530 秒让 API 通过健康检查然后验证curl http://localhost/health # → {status: ok} 返回ok即表示 Observal 服务端已就绪。生产部署建议参阅 docs/self-hosting/production-deploy.md 与 docs/self-hosting/docker-compose.md。第三步用演示账号登录 Observalobserval auth login按提示操作Server URL 直接回车默认http://localhost登录方式选Email然后输入演示账号角色邮箱密码超级管理员superdemo.examplesuper-changeme管理员admindemo.exampleadmin-changeme普通用户userdemo.exampleuser-changeme推荐用超级管理员体验最少限制的功能。验证登录成功observal auth whoami # → superdemo.example (super_admin)凭据保存在~/.observal/config.json权限0600。第四步扫描环境并安装 AI 会话追踪钩子先看看你的编码工具里已有哪些 MCP 服务器、Skills 和 Agentsscan只读不修改任何配置observal scan接着为所有受支持的编码工具安装会话追踪钩子observal doctor patch --all-harnesses该命令会安装受支持的会话钩子与扩展不会改动 MCP 配置。重启你的编码工具如 Claude Code、Cursor、Copilot 等使钩子生效然后随便开一个 AI 编程会话比如让它帮你写个函数或跑条命令等会话完成即可。第五步在 Dashboard 看到第一条 AI 会话追踪 打开浏览器访问http://localhost/traces刷新后即可看到刚刚被索引的会话列表包括用户、平台、Token 消耗、工具调用次数、时长等点击任意一条会话进入详情页查看 Token 输入/输出、缓存读写、API 调用次数、使用的模型和工具以及逐轮对话时间线展开某一轮Turn可以看到完整的用户 Prompt、每一次工具调用、AI 的思考过程Thinking以及助手回复——AI 会话追踪的每个细节都可回放也可以直接用 CLI 查看最近 5 条追踪记录observal ops traces --limit 5至此Observal 会话追踪链路已经跑通你的编码工具 → 本地会话钩子 → 摄入 API → ClickHouse 存储 → 网页仪表盘。完整原理可阅读 docs/core-concepts/session-tracking.md。加餐把 AI Agent 变成团队共享的组件包Observal 的注册中心Registry是它的另一半核心价值把 MCP 服务器、Skills、Hooks、Prompts、Sandboxes 五种组件打包成一个可安装、可版本化的 Agent一条命令装进任意受支持的编码工具observal agent list # 浏览可用的 Agent observal agent pull security-auditor --harness pi管理员侧还有审核队列、版本 Diff 对比、下载排行榜和 AI 洞察报告Insights帮助团队了解哪些 Agent 真正好用——详见 docs/use-cases/README.md。快速回顾5 步完成 Observal 快速入门✅uv tool install observal-cli安装 CLI✅ Docker Compose 启动服务端✅observal auth login演示账号登录✅observal doctor patch --all-harnesses安装追踪钩子✅ 打开http://localhost/traces查看 AI 会话追踪接下来想做什么参考文档理解注册中心身份与概念docs/core-concepts/README.md用追踪数据调试 Agent 故障docs/use-cases/debug-agent-failures.md配置生产环境docs/self-hosting/README.md深入某条 CLI 命令docs/cli/README.mdObserval 快速入门就到这里——你的 AI 编码会话从此有据可查、可回放、可优化。【免费下载链接】ObservalObserval is self-hosted registry for your coding agent extensions with a built in insight engine. Setup Observal, define the scope and share your Skills, MCPs and Agents with your peers.项目地址: https://gitcode.com/gh_mirrors/ob/Observal创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/17 7:04:08

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/18 14:20:46

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/17 19:43:34

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/18 11:04:06

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/18 15:55:22

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/17 19:43:32

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉