Det bedste
10 Bedste AI Observability-værktøjer (september 2026)
Føj Unite.AI til dine foretrukne kilder på Google
Unite.AI kan modtage betaling, når du bruger links til produkter, vi anmelder. Det påvirker ikke vores redaktionelle vurderinger. Læs vores affiliateoplysning.
AI-observability har udvidet sig langt ud over sporing af model-downtime eller detektion af ændringer i en dataset. Moderne kunstig intelligens-applikationer kombinerer store sprogmodeller, retrieval-systemer, eksterne værktøjer, forretningsdata og autonome agenter, der kan udføre flere trin, før de producerer et resultat. En workflow kan forblive teknisk tilgængelig, mens den returnerer en ukorrekt besked, vælger det forkerte værktøj, eksponerer følsomme oplysninger eller forbruger langt flere tokens, end forventet.
AI-observability-platforme hjælper hold med at forstå disse systemer ved at fange komplette spor, værktøjskald, retrieval-trin, prompts, outputs, omkostninger, latency, evalueringsscores og brugerfeedback. De stærkeste produkter forbinder produktionsovervågning med offline-testning, hvilket giver hold mulighed for at omdanne virkelige fejl til datasæt, sammenligne mulige løsninger og forhindre tilbageskridt, før den næste udgivelse.
Værktøjerne på denne liste dækker flere forskellige tilgange. Nogle tilbyder bred observability til predictive modeller, generative AI og agenter, mens andre specialiserer sig i agent-sporing, stor sprogmodel-evaluering, open-source-udvikling eller fuld-stack-korrelation med applikationsinfrastruktur. Det rigtige valg afhænger af, hvad et hold bygger, hvordan deres AI-applikationer er udviklet, og om de har brug for udvikler-fokuseret fejlfinding, enterprise-styring eller begge dele.
Hvorfor AI-observability Måtte
Traditionel applikations-overvågning er designet til at detektere velkendte tekniske problemer som fejl, langsomme tjenester og utilgængelig infrastruktur. Disse signaler er stadig vigtige, men de kan ikke bestemme, om en genereret besked er relevant, et retrieval-system har valgt den korrekte bevis, eller en agent har foretaget en rimelig række af beslutninger. AI-systemer kræver yderligere kvalitets-signaler som f.eks. faktualitet, opgave-gennemførelse, retrieval-relevans, sikkerhed, politik-overholdelse og bruger-tilfredshed.
De bedste AI-observability-platforme kombinerer derfor sporings- og evaluering. De viser, hvad der sker inde i en model eller agent-workflow, måler, om resultatet var acceptabelt, og hjælper hold med at identificere prompten, modellen, retrieval-trinnet eller værktøjskaldet, der er ansvarligt for en fejl. Da agenter bliver mere autonome, bliver funktioner som menneskelig gennemgangskø, real-time-vagter, OpenTelemetry-understøttelse, alarm og udgivelses-testning lige så vigtige som konventionelle dashboards.
Sammenligningstabel over Bedste AI Observability-værktøjer
| AI-værktøj | Bedst til | Funktioner |
|---|---|---|
| Arize AI | End-to-end-observability på tværs af agenter, LLM'er og predictive modeller | OpenTelemetry-sporing, evaluering, drift-overvågning, forklarbarhed, Phoenix open source |
| LangSmith | Sporing og forbedring af produktions-AI-agenter | Agent-spor, online- og offline-evaluering, dashboards, datasæt, alarm, framework-integrationer |
| Braintrust | Evaluering-ledet AI-udvikling og udgivelseskontrol | Produktions-sporing, Emne-analyse, evaluering, eksperimenter, AI-gateway, CI-udgivelseskontrol |
| Langfuse | Open-source LLM og agent-observability | OpenTelemetry-sporing, sessioner, omkostnings-sporing, prompt-styring, datasæt, evaluering |
| Fiddler AI | Enterprise AI-kontrol, forklarbarhed og styring | Agent- og model-overvågning, forklarbarhed, evaluering, vagter, styring, fleksibel udvikling |
| Galileo | Produktions-evaluering og real-time AI-vagter | Agent-observability, Luna-evaluering, multimodal-overvågning, analytics, runtime-vagter |
| W&B Weave | Hold, der forbinder AI-observability med den bredere ML-livscyklus | Sporing, evaluering, produktions-overvågning, omkostnings-sporing, LLM-dommere, W&B-integration |
| Datadog Agent Observability | Korrelation af AI-adfærd med applikationer og infrastruktur | Agent-sporing, prompt-klyngning, omkostnings- og latency-overvågning, sikkerhedsskanning, fuld-stack-korrelation |
| HoneyHive | OpenTelemetry-naturlig observability til produktions-AI-agenter | Agent-grafer, online-evaluering, alarm, brugerfeedback, AI-assisteret rod-årsags-analyse |
| Evidently AI | Open-source-overvågning af ML-, LLM- og agent-systemer | 100+ metrikker, data-drift, LLM-evaluering, syntetiske tests, kontinuerlig overvågning |
Top 10 AI Observability-værktøjer
1. Arize AI
Arize tilbyder en bred AI-teknologi-platform til overvågning, evaluering og forbedring af predictive modeller, stor sprogmodel-applikationer og autonome agenter. Arize AX er den administrerede miljø, mens Phoenix forbliver en MIT-licenseret open-source-option for hold, der ønsker lokal eller selv-værtning af sporings- og evaluering-workflows.
Platformen er bygget omkring OpenInference og OpenTelemetry, hvilket giver hold mulighed for at spore model-kald, retrieval-operationer, værktøj-kald og multi-trins-agents-adfærd uden at låse instrumentation til en proprietær format. Produktions-spor kan scores, grupperes i datasæt, sammenlignes gennem eksperimenter og forbundes med drift-, datakvalitets- og forklarbarheds-workflows for traditionel maskinlæring.
Nuværende Arize-kapaciteter inkluderer også Alyx, en AI-assistent til at undersøge applikations-adfærd, og en analytics-orienteret datastore designet til høj-volumen-observability-data. Bredden er værdifuld for organisationer, der opererer flere typer AI, selvom mindre hold kan have brug for tid til at lære platformen og definere en fokuseret evaluering-strategi.
- Dækker predictive maskinlæring, generative AI-applikationer og autonome agenter
- Phoenix tilbyder en kapabel MIT-licenseret open-source-platform
- Bruger OpenInference og OpenTelemetry til portabel instrumentation
- Kombinerer sporings-, evaluering-, drift-overvågning og forklarbarhed
- Platformens bredde skaber en læringskurve for mindre hold
- Avanceret sikkerhed, udvikling og styring kan tilføje administrativ kompleksitet
- Den brede platform kan være mere, end et sporings-only-hold har brug for
2. LangSmith
LangSmith er LangChains ramme-uafhængige platform til sporings-, evaluering-, overvågning og udvikling af AI-agenter. Selvom den har en særlig dyb integration med LangChain og LangGraph, kan hold instrumentere applikationer bygget med andre rammer gennem Python, TypeScript, Go, Java og OpenTelemetry-kompatible integrationer.
Overvågnings-laget optager komplette agent-traektorier, herunder model-kald, værktøj-kald, retrieval-trin, fejl, latency og token-forbrug. Hold kan søge spor, oprette overvågnings-dashboards, konfigurere alarm, indhente brugerfeedback og anvende online-evalueringer til produktions-trafik. Spor kan også konverteres til datasæt til offline-eksperimenter, hvilket hjælper udviklere med at verificere, om en prompt, model eller workflow-forbedring forbedrer kvaliteten, før den når brugere.
Fordele og Ulemper
- Detaljeret sporings for agenter, værktøj-kald, retrieval-systemer og multi-trins-workflows
- Stærk forbindelse mellem produktions-overvågning, datasæt og evaluering
- Ramme-uafhængige SDK’er med særlig dyb LangChain- og LangGraph-understøttelse
- Inkluderer dashboards, alarm, brugerfeedback og samarbejds-værktøjer
- Kan støtte udvikling, evaluering, overvågning og udvikling i en platform
- Hold uden for LangChain-økosystemmet kan ikke bruge alle platform-kapaciteter
- Enterprise-udvikling og avanceret styring kræver en salgsaftale
- Den dybeste værdi afhænger af disciplineret datasæt- og evaluering-design
3. Braintrust
Braintrust er en AI-observability- og evaluering-platform designet til at forbinde produktions-adfærd med systematisk testning. Den optager spor på tværs af model-kald, retrieval-trin, værktøj-kald og agent-workflows, og giver hold mulighed for at evaluere disse spor med kode-baserede scorere, stor sprogmodel-dommere, menneskelig gennemgang og produkt-feedback.
En nøgle-styrke er platformens evaluering-ledet workflow. Produktions-log kan analyseres gennem Emner for at opdage tilbagevendende mønstre, konverteres til test-tilfælde og bruges i eksperimenter, der sammenligner prompts, modeller og applikations-versioner. Braintrust tilbyder også en AI-gateway og kontinuerlig integration-værktøjer, der kan forhindre en udgivelse, når evalueringer detekterer en kvalitets-tilbageskridt. Dens Loop-agent kan hjælpe med at generere datasæt, scorere og prompt-forbedringer fra observerede fejl.
Fordele og Ulemper
- Stærk forbindelse mellem produktions-spor, evaluering og udgivelses-beslutninger
- Emner kan identificere og klassificere tilbagevendende mønstre i produktions-trafik
- Understøtter automatiserede scorere, menneskelig gennemgang, brugerdefinerede metrikker og CI-baserede kvalitets-porter
- Inkluderer en AI-gateway til routing, caching og overvågning af model-trafik
- Pro-platform-gebyret er betydeligt højere end mange udvikler-fokuserede alternativer
- Selv-værtning og privat-sensitive udviklinger er forbeholdt til Enterprise
- Evaluering-volumen og kapacitets-krav kræver løbende kapacitets-overvågning
4. Langfuse
Langfuse er en open-source stor sprogmodel-teknologi-platform, der kombinerer overvågning, evaluering, prompt-styring, datasæt, eksperimenter og menneskelig feedback. Den kan bruges gennem Langfuse Cloud eller selv-værtning uden begrænsninger på de grundlæggende open-source-funktioner, hvilket gør den til en af de stærkeste valgmuligheder for hold, der kræver kontrol over infrastruktur og data.
Dets sporings-system optager komplette applikations-anmodninger og organiserer enkelt-model-kald, retrieval-trin, værktøj-kald og brugerdefineret logik som nestede observationer. Hold kan gruppere spor i bruger-sessioner, spore token-forbrug og model-omkostninger, anvende online-evalueringer, oprette annotations-køer og bruge produktions-data i eksperimenter. Langfuse understøtter OpenTelemetry og integrerer med større model-udbydere og agent-rammer.
Fordele og Ulemper
- Open-source-kernen kan selv-værtes uden funktion- eller skala-begrænsninger
- Kombinerer sporings-, evaluering-, prompt-styring, datasæt og eksperimenter
- Understøtter OpenTelemetry og en bred række modeller og rammer
- Stærk session-sporing for samtaler og multi-trins-agents-workflows
- Selv-værtning kræver ansvar for skala, sikkerhedskopier, opgraderinger og sikkerhed
- Avanceret identitet-, revision- og understøttelses-krav kan øge udviklings-kompleksitet
- Real-time-vagter er mindre central end på vagt-fokuserede platforme
5. Fiddler AI
Fiddler AI tilbyder en enterprise-kontrolplane til overvågning, evaluering, forklarbarhed, sikkerhed og styring af predictive modeller og agentic AI-systemer. Platformen understøtter struktureret og ustruktureret data, real-time- og batch-overvågning, applikations-niveau-spor, model-adfærd-analyse og forklarbarhed for organisationer, der har brug for at forstå både hvad en AI-system gjorde og hvorfor den producerede et bestemt resultat.
Fiddler kombinerer overvågning med inline-vagter og styring. Dens Centor-modeller evaluerer risici som hallucinationer, giftighed, følsomme-data-eksponering, prompt-injektion og jailbreak-forsøg, med udviklingsmuligheder, der kan holde evalueringer inden for en organisations miljø. Dette gør Fiddler særlig relevant for reguleringer og enterprise, der opererer en stor portefølje af AI-modeller og agenter.
Fordele og Ulemper
- Understøtter predictive modeller, generative AI-applikationer og autonome agenter
- Stærk forklarbarhed og rod-årsags-analyse-kapaciteter
- Kombinerer overvågning, evaluering, vagter og styring
- Fleksible SaaS-, virtuelle private cloud- og on-premises-udviklingsmuligheder
- Centor-modeller kan evaluere sikkerhed og kvalitet uden at sende data til eksterne dommere
- Platformen er primært designet til enterprise-udviklinger
- Konfiguration og styrings-krav kan være overvældende for små applikationer
- Enterprise-styring og udviklings-konfiguration kan være kompleks
6. Galileo
Galileo er en AI-observability- og evaluering-platform, der hjælper hold med at teste generative AI-applikationer, før de udgives, overvåge dem i produktions-miljøet og gribe ind, når live-trafik krænker kvalitets- eller sikkerheds-krav. Platformen understøtter stor sprogmodel-applikationer, retrieval-forbedret generation, multimodale workflows og autonome agenter.
Galileos Luna-evaluering-modeller er designet til at score AI-outputs for dimensioner som korrekthed, hallucinations-risiko, retrieval-kvalitet, sikkerhed og instruktions-overholdelse uden at afhænge fuldstændigt af store eksterne dommer-modeller. Produktions-spor kan analyseres gennem dashboards og agent-workflow-visualiseringer, mens enterprise-kunder kan udvikle real-time-vagter, der blokerer eller omdirigerer problematiske anmodninger, før de når brugere.
Fordele og Ulemper
- Forbinder offline-evaluering med produktions-overvågning og vagter
- Understøtter agent-workflows og multimodale indgange, herunder billeder, dokumenter og lyd
- Enterprise-udviklinger kan køres på en virtuel private cloud eller på stedet
- Real-time-vagter og avancerede udviklingsmuligheder kræver Enterprise
- Mindre fokuseret på traditionel predictive model-drift end Arize eller Fiddler
- Hold kan have brug for at validere indbyggede evalueringer mod deres eget domæne-eksperter
7. W&B Weave
W&B Weave er den generative AI-observability- og evaluering-lag i den bredere Weights & Biases-platform. Den optager inputs, outputs, metadata, værktøj-kald, token-forbrug, model-omkostninger og kørselstid for stor sprogmodel-applikationer og agenter. Hold kan undersøge enkelt-spor, oprette evalueringer og overvåge produktions-kvalitet gennem dashboards og alarm.
Weave er særlig værdifuld for organisationer, der allerede bruger Weights & Biases til eksperiment-sporing, model-udvikling, artefakter og linje. AI-applikations-spor kan forbinderes med modellerne, prompts, datasæt og eksperimenter, der producerede dem, hvilket giver hold en mere komplet visning af maskinlærings-livscyklussen. Platformen understøtter også OpenTelemetry-data, automatiseret omkostnings-sporing, stor sprogmodel-dommere og følsomme-data-redigering.
Fordele og Ulemper
- Forbinder agent- og LLM-observability med model-udvikling og eksperiment-sporing
- Inkluderer sporings-, evaluering-, produktions-overvågning, alarm og omkostnings-analyse
- Understøtter OpenTelemetry og større model- og ramme-integrationer
- Stærk visualisering, rapportering, datasæt- og linje-kapaciteter
- Den bredere Weights & Biases-platform kan være kompleks for hold, der kun har brug for sporings
- Weave-brug betales efter indtaget data snarere end en simpel spor-tælling
- Pro er designet til organisationer med færre end 50 ansatte
- Private-værtning og avancerede enterprise-kontroller kræver en brugerdefineret aftale
8. Datadog Agent Observability
Datadog (DDOG ) Agent Observability udvider Datadogs applikations- og infrastruktur-overvågnings-platform til stor sprogmodel-applikationer og autonome agenter. Den sporer model-anmodninger, retrieval-operationer, værktøj-kald og multi-trins-workflows, mens den overvåger latency, fejl, token-forbrug, estimeret omkostning og produktions-kvalitet.
Den primære fordel er korrelation. Hold kan undersøge en ukorrekt eller langsom AI-besked sammen med applikations-overvågnings-spor, logfiler, infrastruktur-metrikker, cloud-omkostninger og grafikprocessor-brug. Datadog tilbyder også automatiseret emne-klyngning gennem Patterns, følsomme-data-scanning, prompt-injektions-detektion, dashboards og modne alarm-funktioner. Det er særlig overbevisende for organisationer, der standardiserer på Datadog.
Fordele og Ulemper
- Korrelaterer agent-adfærd med applikations-, infrastruktur-, log- og GPU-telemetri
- Stærke produktions-dashboards, alarm, incident-svar og sikkerheds-integrationer
- Sporer latency, fejl, tokens og estimeret omkostning på spor- og span-niveau
- Patterns automatisk klynger produktions-prompts og svar i emner
- Stor spor-volumen og langvarig opbevaring kræver omhyggelig data-styring
- Tilbyder mindre evaluering-eksperimenter end platforme, der er centreret omkring AI-kvalitets-testning
- Leverer den største værdi til organisationer, der allerede bruger Datadog-økosystemet
9. HoneyHive
HoneyHive er en OpenTelemetry-naturlig overvågnings- og evaluering-platform, der er specialiseret i produktions-AI-agenter. Den optager komplette agent-traektorier, model-interaktioner, værktøj-kald, retrieval-operationer og applikations-metadata, og visualiserer komplekse workflows som rettede grafer, der hjælper hold med at identificere, hvor fejl kaskader gennem et system.
Platformen forbinder overvågning med online-evaluering, brugerfeedback, alarm og datasæt-oprettelse. Hold kan overvåge omkostning, latency, nøjagtighed og sikkerheds-metrikker, sende fejl-spor til domæne-eksperter til gennemgang, og konvertere produktions-problemer til evaluering-datasæt. HoneyHive tilbyder også AI-assisteret rod-årsags-analyse og understøtter cloud-, hybrid- eller selv-værtning af enterprise-udviklinger.
Fordele og Ulemper
- Specialiseret i sporings- og evaluering af komplekse produktions-agenter
- OpenTelemetry-naturlig og model- og ramme-uafhængig
- Agent-graf-visualiseringer gør multi-trins-fejl lettere at forstå
- Kombinerer online-evaluering, alarm, feedback og menneskelig gennemgang-workflows
- Inkluderer en komplet overvågnings- og evaluering-workflow for udvikling-hold
- Nyere og mindre bredt antaget end de største platforme på denne liste
- Mindre egnet til traditionel predictive model-overvågning og data-drift
- Traditionel predictive-model-overvågning kan kræve en anden platform
10. Evidently AI
Evidently AI er en Apache 2.0 open-source-ramme til evaluering, testning og overvågning af predictive maskinlærings-modeller, stor sprogmodel-applikationer, retrieval-systemer og autonome agenter. Den kan bruges som en Python-bibliotek til lokal analyse eller som en del af en selv-værtning-overvågnings-platform.
Rammen inkluderer over 100 indbyggede metrikker, der dækker model-præstation, data-kvalitet, data-drift, retrieval-relevans, faktualitet, sikkerhed, følsomme-data-eksponering og andre AI-kvalitets-dimensioner. Hold kan oprette brugerdefinerede evalueringer, generere syntetiske og modstandsforsøg-data, producere visuelle rapporter og køre løbende checks i produktions-miljøet. Dens kombination af traditionel ML-overvågning og generativ AI-evaluering gør den til en fleksibel mulighed for tekniske hold, der foretrer open-infrastruktur.
Fordele og Ulemper
- Fully open-source under Apache 2.0-licensen
- Understøtter predictive ML, LLM-applikationer, RAG-systemer og AI-agenter
- Inkluderer over 100 metrikker og en fleksibel brugerdefineret evaluering-grænseflade
- Stærke kapaciteter til data-kvalitet, præstation og drift-overvågning
- Let nok til at bruge i notesbøger, pipelines, tests eller selv-værtning-overvågning
- Kræver ingeniør-arbejde til at udvikle og operere som en produktions-overvågnings-system
- Mere Python-centreret end fuldt managede udvikler-platforme
- Ikke den samme turnkey-enterprise-incident-workflow som Datadog eller Fiddler
- Selv-værtning kræver hold til at operere deres egen infrastruktur, lagring og alarm
Hvordan Vælger du den Rette AI Observability-platform
Den første beslutning er, om organisationen har brug for at overvåge predictive modeller, generative AI-applikationer, autonome agenter eller en kombination af alle tre. Nogle platforme tilbyder bred dækning på tværs af traditionel maskinlæring og generative systemer, mens andre specialiserer sig i sporings af stor sprogmodel-applikationer, evaluering af agent-adfærd eller overvågning af produktions-kvalitet.
Hold bør undersøge, hvordan hver platform forbinder overvågning med kontinuerlig forbedring. Sporings kan afsløre, hvor en applikation har brugt tid, forbrugt tokens, valgt et værktøj eller mødt en fejl, men det kan ikke uafhængigt bestemme, om det endelige resultat var korrekt. Stærke platforme understøtter online- og offline-evaluering, brugerdefinerede metrikker, menneskelig gennemgang, datasæt-oprettelse, eksperimenter og automatiseret regression-testning. Organisationer med formelle udgivelses-processer kan også have brug for kontinuerlig integration-kontroller, der forhindrer lavere-kvalitets-prompts, modeller eller workflows fra at nå produktions-miljøet.
Udvikling og data-kontrol er lige så vigtige. Open-source-platforme kan tilbyde større fleksibilitet og infrastruktur-kontrol, mens managede enterprise-produkter kan reducere operativt overhæng og tilbyde stærkere sikkerhed, understøttelse og styrings-funktioner. Købere bør verificere, hvor følsomme prompts og outputs er gemt, om data kan redigeres, før det indtages, hvor længe spor er opbevaret, og om evalueringer sender information til eksterne modeller.
Leverandører kan opkræve gebyr efter spor, spans, sæder, indtaget data, evalueringsscores, opbevaret lager eller en kombination af disse enheder. Hold bør estime brug med realistiske workflows og inkludere opbevaring, evalueringer, model-dommere-gebyrer, infrastruktur og understøttelse i beregningen.
Der er ingen enkelt platform, der er bedst for hver organisation. Det stærkeste valg afhænger af de typer AI-systemer, der overvåges, dybden af sporings og evaluering, der kræves, udviklings-præferencer, eksisterende udviklings-infrastruktur og niveauet af styring, der kræves. Hold bør prioritere platforme, der gør det let at identificere fejl, forstå deres årsager, teste mulige korrektioner og bekræfte, at kvaliteten forbliver stabil efter udviklingen.
FAQ: AI Observability-værktøjer
Hvad er forskellen mellem AI-overvågning og AI-observability?
Overvågning sporer foruddefinerede signaler som latency, fejl, token-forbrug, omkostning og evalueringsscores. Observability giver de detaljerede spor, kontekst og relationer, der kræves til at undersøge uventet adfærd, der ikke var forudset, da en dashboard eller alarm blev oprettet. De fleste moderne platforme kombinerer begge funktioner.
Hvad skal en AI-observability-platform spore?
En stærk platform skal optage prompts, model-responser, retrieval-trin, agent-beslutninger, latency, token-forbrug, estimeret omkostning, fejl, brugerfeedback og kvalitets- eller sikkerheds-evalueringer. Den skal også bevare nok metadata til at sammenligne præstation på tværs af brugere, applikations-versioner, modeller, datasæt og udviklings-miljøer.
Er der open-source AI-observability-værktøjer tilgængelige?
Ja. Flere open-source-rammer tilbyder sporings, evaluering, prompt-analyse, data-kvalitets-overvågning og model-præstations-sporing. Nogle fokuserer primært på generative AI og agent-workflows, mens andre også understøtter predictive modeller og data-drift. Open-source-udvikling kan tilbyde større kontrol, men hold forbliver ansvarlige for infrastruktur, skala, opgraderinger, sikkerhed og lagring.
Kan traditionel applikations-overvågning erstatte AI-observability?
Traditionel applikations-overvågning forbliver nyttig til infrastruktur-sundhed, service-fejl, tilgængelighed og latency. Disse signaler er stadig vigtige, men de kan ikke uafhængigt bestemme, om en AI-output er korrekt, et retrieval-system har valgt den korrekte bevis, eller en agent har foretaget en rimelig række af beslutninger. Organisationer kan bruge en fuld-stack-overvågnings-platform, der inkluderer AI-specifikke funktioner, eller kombinere konventionel applikations-overvågning med en dedikeret AI-observability-lag.
Hvorfor er evalueringer vigtige for AI-observability?
Et spor forklarer, hvordan en AI-applikation producerede en output. En evaluering måler, om outputtet opfyldte de krævede kvalitets-, sikkerheds- eller forretnings-standarder. At kombinere de to giver hold mulighed for at lokalisere årsagen til en fejl, teste en korrektion, sammenligne alternative modeller eller prompts og overvåge, om det samme problem returnerer i produktions-miljøet.
