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）
- Validação de dados::
- 创建”golden set”数据集存储理想回答
- aprovar (um projeto de lei ou inspeção etc.)
langfuse.score()自动评估召回相关性
- 版本对比::
- 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
- Teste AB::
- 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。
Essa resposta foi extraída do artigoLangfuse: Plataforma de observação e depuração de código aberto para aplicativos LLMO
Não pode ser reproduzido sem permissão:Ferramentas de produtividade de IA " 如何利用Langfuse优化RAG应用的召回效果？
Português do Brasil 
简体中文 
English 
日本語 
Deutsch