자동화된 연구 산출물 — 업스트림 프로젝트가 아님.

이 저장소는 Université Laval의 석사 논문에서 게시된 GitHub Actions 워크플로우 취약점 재현을 위해 자동화된 하네스가 구축한 일회용 실험실입니다. 이는 커밋 8529a7746ce2cae946bd2346cb3792c22f86cbee(2026-02-24) 시점의 openlit/openlit에 대한 축어적 스냅샷이며, 해당 프로젝트의 자체 라이선스에 따라 재배포되며, 해당 라이선스 파일은 이 스냅샷에 변경 없이 포함되어 있습니다.

업스트림 프로젝트는 관여하지 않으며, 결코 공격 대상이 아니며, 여기서 연구된 취약점은 이미 공개된 상태입니다. 이 저장소의 모든 시크릿과 변수는 무작위로 생성된 더미 값입니다 — 실제 자격 증명은 존재하지 않습니다. 액션 참조와 러너 이미지는 2026-02-24에 확인된 값으로 고정되어 있습니다. 스냅샷에 적용된 모든 변경 사항은 하네스 출력의 pinning.md를 참조하세요.

질문 또는 이의 제기: [email protected]

Observability, Evaluations, Guardrails, Prompts, Vault, Playground, FleetHub

AI 엔지니어링을 위한 오픈 소스 플랫폼

문서 | 빠른 시작 | Python SDK | Typescript SDK |

❤️ 이 프로젝트 후원하기 ❤️

https://github.com/user-attachments/assets/6909bf4a-f5b4-4060-bde3-95e91fa36168

OpenLIT을 사용하면 특히 생성형 AI와 LLM을 위한 AI 개발 워크플로우를 간소화할 수 있습니다. LLM 실험, 프롬프트 구성 및 버전 관리, API 키의 안전한 처리와 같은 필수 작업을 간소화합니다. 단 한 줄의 코드로 OpenTelemetry 네이티브 관측 가능성을 활성화하여 LLM, 벡터 데이터베이스, GPU를 포함한 풀스택 모니터링을 제공할 수 있습니다. 이를 통해 개발자는 테스트에서 프로덕션으로 원활하게 전환하며 AI 기능과 애플리케이션을 자신 있게 구축할 수 있습니다.

이 프로젝트는 OpenTelemetry 커뮤니티와 함께 Semantic Conventions을 준수하고 유지하며, 관측 가능성 분야의 최신 표준에 맞춰 지속적으로 업데이트합니다.

⚡ 기능

• 📈 분석 대시보드: 메트릭, 비용, 사용자 상호작용을 추적하는 상세 대시보드로 AI 애플리케이션의 상태와 성능을 모니터링하여 전반적인 효율성을 명확하게 파악할 수 있습니다.

• 🔌 OpenTelemetry 네이티브 관측 가능성 SDK: 기존 관측 가능성 도구에 트레이스와 메트릭을 전송하는 벤더 중립적 SDK입니다.

• 💲 커스텀 및 파인튜닝 모델 비용 추적: 정확한 예산 책정을 위해 커스텀 가격 파일을 사용하여 특정 모델에 대한 비용 추정을 맞춤화합니다.

• 🐛 예외 모니터링 대시보드: 전용 모니터링 대시보드에서 일반적인 예외와 오류를 추적하여 문제를 신속하게 발견하고 해결합니다.

• 💭 프롬프트 관리: Prompt Hub를 사용하여 프롬프트를 관리하고 버전을 지정하여 여러 애플리케이션에서 일관되고 쉽게 접근할 수 있도록 합니다.

• 🔑 API 키 및 시크릿 관리: API 키와 시크릿을 중앙에서 안전하게 관리하여 안전하지 않은 관행을 방지합니다.

• 🎮 다양한 LLM 실험: OpenGround를 사용하여 다양한 LLM을 나란히 탐색, 테스트, 비교할 수 있습니다.

• 🚀 OpAMP 관리를 위한 Fleet Hub: 보안 TLS 통신을 통해 OpAMP(Open Agent Management Protocol)를 사용하여 인프라 전반의 OpenTelemetry Collector를 중앙에서 관리하고 모니터링합니다.

🚀 LLM 관측 가능성 시작하기```mermaid

flowchart TB; subgraph " " direction LR; subgraph " " direction LR; OpenLIT_SDK[OpenLIT SDK] -->|Sends Traces & Metrics| OTC[OpenTelemetry Collector]; OTC -->|Stores Data| ClickHouseDB[ClickHouse]; end subgraph " " direction RL; OpenLIT_UI[OpenLIT] -->|Pulls Data| ClickHouseDB; end end

### 1단계: OpenLIT 스택 배포

1. OpenLIT 저장소 Git 클론

   명령줄 또는 터미널을 열고 다음을 실행하세요:   ```shell
   git clone [email protected]:openlit/openlit.git

2. Docker를 사용한 자체 호스팅

   다음 명령어로 OpenLIT을 배포하고 실행합니다: ```shell docker compose up -d

Kubernetes에서 Helm을 사용하여 설치하는 방법에 대한 지침은 Kubernetes Helm 설치 가이드를 참조하세요.

2단계: OpenLIT SDK 설치

명령줄 또는 터미널을 열고 다음을 실행하세요:```bash pip install openlit

> TypeScript SDK 사용 방법에 대한 지침은 [TypeScript SDK 설치 가이드](https://github.com/openlit/openlit/tree/main/sdk/typescript#-installation)를 참조하세요.

### 3단계: 애플리케이션에서 OpenLIT 초기화

AI 애플리케이션에 OpenLIT을 통합하려면 코드에 다음 줄을 추가하세요.```python
import openlit

openlit.init()

아래와 같이 텔레메트리 데이터 대상을 구성합니다:

💡 정보: otlp_endpoint 또는 OTEL_EXPORTER_OTLP_ENDPOINT가 제공되지 않으면 OpenLIT SDK는 추적을 콘솔에 직접 출력하며, 이는 개발 단계에서 권장됩니다.

예시

</details>

---

<details>

---

<summary>환경 변수를 사용한 초기화</summary>

애플리케이션 코드에 다음 두 줄을 추가하세요:  ```python
import openlit

openlit.init()

</details>

---

### 4단계: 시각화 및 최적화

이제 Observability 데이터가 수집되어 OpenLIT으로 전송되었으므로, 다음 단계는 이 데이터를 시각화하고 분석하여 AI 애플리케이션의 성능과 동작에 대한 인사이트를 얻고 개선 영역을 파악하는 것입니다.

브라우저에서 `127.0.0.1:3000`의 OpenLIT으로 이동하여 탐색을 시작하세요. 기본 자격 증명으로 로그인할 수 있습니다:

- **이메일**: `[email protected]`
- **비밀번호**: `openlituser`

![](https://raw.githubusercontent.com/openlit/.github/main/profile/assets/openlit-client-1.png?raw=true)
![](https://raw.githubusercontent.com/openlit/.github/main/profile/assets/openlit-client-2.png?raw=true)

## 📦 지원 통합

OpenLIT은 단 한 줄의 코드로 **44개 이상의 LLM 제공업체, AI 프레임워크 및 벡터 데이터베이스**를 자동 계측합니다. 각 통합은 [OpenTelemetry-네이티브](https://opentelemetry.io/) 트레이스와 메트릭을 생성합니다. 통합 문서를 보려면 카드를 클릭하세요.

<sub>
<img src="https://img.shields.io/badge/Python-3776AB?logo=python&amp;logoColor=white&amp;style=flat-square" height="16"> Python SDK &nbsp;&nbsp;
<img src="https://img.shields.io/badge/TypeScript-3178C6?logo=typescript&amp;logoColor=white&amp;style=flat-square" height="16"> TypeScript SDK
</sub>

### LLM 제공업체