通过Langfuse的Trace可视化功能，可对RAG流程实现五层优化：
- 召回诊断::
- 在Trace详情页查看关键词召回vs向量召回结果
- 分析各阶段耗时比例（如向量化耗时占比）
- data validation::
- 创建”golden set”数据集存储理想回答
- pass (a bill or inspection etc)
langfuse.score()自动评估召回相关性
- Version Comparison::
- 同时运行新旧两种召回策略
- 在Datasets页面对比评估指标（准召率/响应时延）
- 问题聚类::
- 利用Sessions功能分析高频问题模式
- 针对性地优化对应chunk的embedding质量
- AB test::
- 通过Prompt版本管理测试不同系统指令
- 示例：对比”精简回答”vs”带引用来源”的效果差异
建议每周生成召回效果报告，重点关注长尾问题解决率。
This answer comes from the articleLangfuse: an open source LLM application observation and debugging platformThe
May not be reproduced without permission:AI productivity tools " 如何利用Langfuse优化RAG应用的召回效果？
English 
简体中文 
日本語 
Deutsch 
Português do Brasil