Als een chatbot slechte antwoorden begint te geven, is je eerste reflex vaak om de prompt te controleren. Dat werkt prima voor één LLM-call. Het houdt op met werken zodra de applicatie een agent is die tool-calls doet.
Die ontbrekende context is precies wat LLM-observabilityplatforms proberen te bieden. Het zijn geen traditionele monitoringtools voor applicaties. Een traditioneel hulpmiddel vertelt je iets over latency en foutpercentages. Een LLM-observabilityplatform laat je zien welke tool-call een slecht resultaat teruggaf en of een promptwijziging de outputkwaliteit verbeterde.
Zowel Langfuse als LangSmith dekken tracing, evaluatie en promptbeheer, en beide kregen grote updates begin 2026. Ze zijn echter niet inwisselbaar. Het verschil komt neer op deployvereisten, je techstack en hoe je team evaluaties uitvoert.
Kort antwoord: Langfuse past bij teams die open-source self-hosting, databewaring onder eigen beheer of een stack buiten LangChain nodig hebben. LangSmith past bij teams die een framework-agnostisch platform willen met geïntegreerde observability, evaluatie, debugging en productie-workflows voor LLM-applicaties. Als geen van beide voorwaarden geldt, zou ik naar de prijs kijken.
Wat zijn Langfuse en LangSmith?
In grote lijnen maken beide producten LLM-applicaties observeerbaar, testbaar en debugbaar. Dit is wat elk van beide is.
Overzicht van de positionering van Langfuse versus LangSmith. Afbeelding door de auteur.
Wat is Langfuse?
Langfuse is een open-source LLM-engineeringplatform dat in 2023 is gelanceerd. Het dekt tracing, promptbeheer, evaluatie (LLM-as-judge, menselijke annotatie en op code gebaseerde checks), dataset-experimenten en monitoring van kosten en latency. Het kernproduct in open source heeft een MIT-licentie.
In januari 2026 kondigde ClickHouse een Series D van $400 miljoen aan en nam Langfuse over. Langfuse is nu onderdeel van ClickHouse, de kolomgeoriënteerde database die al de Langfuse-backend aandreef. De MIT-licentie en open-source-identiteit werden destijds als ongewijzigd bevestigd.
Langfuse draait als beheerde cloudservice met regio’s in de VS, EU en Japan, of als self-hosted open-source-instantie zonder softwarelicentiekosten.
Wat is LangSmith?
LangSmith is een framework-agnostisch observability- en evaluatieplatform, gebouwd door LangChain Inc., het team achter LangChain, LangGraph en Deep Agents. Het platform is propriëtair en closed source. LangChain haalde in oktober 2025 $125 miljoen op bij een waardering van $1,25 miljard.
De belangrijkste mogelijkheden zijn tracing over een applicatierun, visueel debuggen, geautomatiseerde evaluaties, productie-monitoring en promptbeheer via Prompt Hub en de Playground. In mei 2026 lanceerde LangChain SmithDB, een op Rust gebaseerde datalaag die nu 100% van de US Cloud-ingestie van LangSmith afhandelt. SmithDB is ontworpen voor de unieke datapayloads die LLM-applicaties genereren en brengt de P50-laadtijd van trace trees terug naar 92 milliseconden en full-text search naar 400 milliseconden.
LangSmith is beschikbaar als beheerde cloudservice, als BYOC-implementatie (Bring Your Own Cloud) met data in de VPC van de klant, of als self-hosted Enterprise-implementatie. LangChain kondigde ook aan dat self-hosted LangSmith bring-your-own-key (BYOK) zal ondersteunen voor Engine, de in-platform agent om fouten in LLM-applicaties te vinden en te verhelpen.
Open source vs. beheerde SaaS
Het kernverschil tussen de twee platforms is niet “open source versus niet open source”. Het echte verschil is controle en portabiliteit aan de ene kant, en beheerde workflows aan de andere kant. Met Langfuse kun je de stack op je eigen infrastructuur draaien zonder licentiekosten. LangSmith biedt beheerde cloud, BYOC en self-hosted deployments, met diepgaande native ondersteuning voor LangChain, LangGraph en Deep Agents, maar zonder verplichting om die frameworks te gebruiken.
Eén update verandert hoe je deze vergelijking zou moeten bekijken: LangSmith ondersteunt nu OpenTelemetry-tracing via het langsmith[otel]-pakket en de LANGSMITH_OTEL_ENABLED=true-omgevingsvariabele. Dit is één van de manieren waarop teams LangSmith kunnen gebruiken met niet-LangChain-applicaties.
Hier staan de twee platforms structureel:
|
Dimensie
|
Langfuse
|
LangSmith
|
|
Sourcemodel
|
Open source (MIT)
|
Propriëtair, closed source
|
|
Self-hosting
|
Gratis MIT self-hosting; enterprise-controls betaald
|
Enterprisecontract vereist
|
|
Frameworkbenadering
|
Werkt over frameworks heen; brede integraties; OTel-native
|
Werkt over frameworks heen; OTel-ondersteuning
|
|
Data soevereiniteit
|
Volledig; air-gapped deployment mogelijk
|
Hybride en self-hosted voor Enterprise-klanten
|
|
Backenddatabase
|
ClickHouse
|
SmithDB (Rust/DataFusion)
|
|
Prijsmodel
|
Unit-gebaseerd (traces + observaties + scores)
|
Seat-gebaseerd plus trace-gebaseerd met twee retentieniveaus
|
|
Compliance
|
SOC 2 Type II, ISO 27001, AVG, HIPAA
|
SOC 2 Type II, AVG, HIPAA
|
De rest van het artikel licht toe wat die verschillen in de praktijk betekenen.
Tracing en observability
Bij tracing beginnen de producten uit elkaar te lopen. Beide leggen LLM-calls, tool-calls en gerelateerde metadata vast, maar agent-workflows maken de verschillen sneller zichtbaar dan eenvoudige prompt-antwoordapps.
Request-tracing
Langfuse bouwt hiërarchische traces die LLM-calls, tool-aanroepen, embeddings en retrievalstappen vastleggen. Je kunt filteren op gebruiker, sessie, kosten, latency of aangepaste metadata. In mei 2026 voegde Langfuse full-text search toe, ondersteund door de native FTS-engine van ClickHouse, waardoor zoekopdrachten die eerder bijna 20 seconden duurden, werden teruggebracht tot onder een halve seconde.
LangSmith legt elke LLM-call en tool-gebruik vast als een inspecteerbare run tree. Nu SmithDB alle US Cloud-ingestie afhandelt, laden trace trees op P50 in 92 milliseconden. LangSmith bevat ook unsupervised topic clustering, dat traces groepeert op gedetecteerd thema en teams een startpunt geeft wanneer ze geen idee hebben wat er mis is.
Zichtbaarheid van agent-workflows
Langfuse voegde in november 2025 Agent Graphs toe, die de uitvoeringsstroom van multi-step agents visualiseren door de grafiekstructuur af te leiden uit observatietimings en nesting. Het werkt met elk geïnstrumenteerd framework, met native ondersteuning voor LangGraph. Tegelijkertijd werd een Trace Log View toegevoegd, die een vlakke stroom van agentstappen geeft voor workflows met veel lussen of vertakkingen.
Langfuse-agentgrafiek voor LangGraph-uitvoering. Afbeelding door de auteur.
LangSmith’s LangGraph-tracing legt elke node, edge en statusovergang in een run vast met nul configuratie buiten het zetten van een omgevingsvariabele. LangSmith Studio laat je stap voor stap door de agentuitvoering gaan, de status bij elke node inspecteren en een trace opnieuw afspelen met een ander model of een andere prompt. In een LangGraph-applicatie geeft dit meer context dan een generieke trace tree.In september 2026 bracht LangSmith Trajectories uit, waarmee traces eenvoudiger te debuggen zijn en op te nemen in feedbackloops met inhoudsexperts.
LangSmith-tracetree voor agent-workflow. Afbeelding door de auteur.
Productiemonitoring
Voor productiemonitoring houden beide platforms latency, tokengebruik, kosten en foutpercentages bij. LangSmith bevat PagerDuty- en webhook-alerting voor productie-incidenten, plus monitoringworkflows gekoppeld aan traces en evaluaties. Langfuse bevat uitgavenalerts met configureerbare drempels. Op dit niveau lijken de monitoringfuncties op elkaar.
Offline en online evaluatie
Tracing vertelt je wat er gebeurde. Evaluatie vertelt je of het goed was. In de praktijk zijn deze tools nuttiger wanneer evaluatie onderdeel is van de workflow, niet een checklist vóór de lancering.
LLM-as-a-judge en code-evaluators
Langfuse’s LLM-as-judge werd in juni 2025 volledig open source onder MIT. Elke self-hosted gebruiker op v3.65.0 of later krijgt dit zonder commerciële licentie. In mei 2026 bracht Langfuse Code Evaluators uit: Python- of TypeScript-evaluate-functies die je direct in de Langfuse-UI schrijft. Deze voeren deterministische checks uit, zoals JSON-schemavalidatie, regex-validatie of verificatie van toolargumenten, zonder tokencost of een judge-modelcall.
LangSmith biedt configureerbare LLM-as-judge-evaluators met Boolean-, Categorical- en Continuous-feedbacktypen, plus ingebouwde templates voor Security, Safety en Quality. Het ondersteunt ook few-shot correction, waarbij door mensen gelabelde correcties op evaluatoruitvoer terugvloeien als few-shotvoorbeelden om de calibratie van de evaluator in de tijd te verbeteren.
Datasets, experimenten en menselijke annotatie
Offline evaluatie werkt in beide platforms via datasets en side-by-side vergelijking van experimenten. Langfuse voegde in november 2025 Score Analytics toe om evaluatoralignement te meten over precision, recall, F1, kosten en accuratesse. Baselinevergelijking, ook november 2025, laat je een specifieke run markeren als referentiepunt en regressies ertegen signaleren.
Langfuse’s GitHub Actions CI/CD-integratie, uitgebracht in mei 2026 via de langfuse/experiment-action, laat een workflow falen wanneer experimentscores onder een drempel zakken. Daarmee wordt evaluatie een deploy-gate in plaats van een review na de release.
Langfuse-evaluatielus met GitHub Actions. Afbeelding door de auteur.
De evaluatie-setup van LangSmith kent één factureringsgedrag om vroeg te benoemen: evaluators die feedback aan traces toevoegen, kunnen die traces upgraden naar extended retention. Zoals ik in de prijzensectie toelicht, verandert dat de kosten van evaluatieworkflows.
Promptversiebeheer, deployment en A/B-testen
Promptbeheer is hier meer dan versiegeschiedenis. De workflow is: itereren in een sandbox, testen tegen een dataset, promoten naar productie en netjes terugdraaien als er iets stukgaat.
Langfuse kent elke promptversie een versie-ID toe en gebruikt labels zoals production en staging om te bepalen welke versie live is. Het wijzigen van een label in de UI is hoe je deployt of terugdraait. Prompts worden client-side gecachet door de SDK, zodat er geen latency wordt toegevoegd aan productie-calls wanneer de SDK de actieve versie ophaalt. Met Protected labels kunnen beheerders beperken welke rollen het production-label mogen aanpassen, wat uitmaakt als je met verschillende toegangsniveaus werkt.
LangSmith beheert prompts via Prompt en Context Hub met commit-hash versiebeheer om exact op versies te pinnen via code. De Prompt Hub bevat een communitybibliotheek die Langfuse niet weerspiegelt. A/B-testen via dataset-experimenten is op beide platforms beschikbaar.
In deze categorie liggen de twee producten dichter bij elkaar dan bij hosting, prijzen of framework-setup.
Langfuse vs. LangSmith voor agent-applicaties
Agents dreven het afgelopen jaar veel van het functionele werk op beide platforms. Waar de agent is gebouwd, is hier bepalend.
Langfuse toont beschikbare tools, markeert welke tools zijn aangeroepen en laat argumenten en call-ID’s zien. Uitgebreide observatietypen onderscheiden tool-calls, embeddings en guardrail-calls in de traceweergave. Zoals ik eerder noemde, kunnen Code Evaluators ook toolargumenten verifiëren aan de hand van een schema. De MCP-server werd in mei 2026 uitgebreid tot 15 toolcategorieën, zodat agents in Claude Code, Cursor of OpenAI Codex Langfuse-data programmatisch kunnen bevragen.
Het LangGraph-punt uit de tracingsectie komt hier terug. De agentondersteuning van LangSmith omvat statusinspectie bij elke node, trace-replay met alternatieve modellen en LangSmith Studio voor visueel stap-voor-stap debuggen. Het engineeringteam van Monte Carlo, dat een productiesysteem met honderden subagents draait, noemde deze zero-setup LangGraph-integratie als een belangrijke reden voor hun keuze.
Voor agents gebouwd met CrewAI, Pydantic AI of andere multi-agentframeworks heeft Langfuse bredere native instrumentatie en is vaak minder handmatige setup nodig.
Framework- en SDK-integraties
Langfuse vermeldt brede integraties over modelproviders, frameworks, gateways, no-codetools, analytics en ontwikkelaarstools. Frameworks zijn onder meer LangChain, LangGraph, OpenAI Agents SDK, Pydantic AI, CrewAI, AutoGen, DSPy, Haystack, LlamaIndex en andere. Het platform is op SDK-niveau OpenTelemetry-native.
De native SDK’s van LangSmith dekken Python, TypeScript, Go en Java. Buiten LangChain, LangGraph en Deep Agents werkt het met de OpenAI SDK, Anthropic SDK, Vercel AI SDK, LlamaIndex, maatwerkimplementaties en OpenTelemetry. Dat betekent dat het geen tracingtool is die alleen voor LangChain werkt.
De praktische vraag is niet alleen of een framework wordt ondersteund, want de meeste populaire frameworks werken met beide platforms. Het is hoeveel instrumentatie je zelf moet schrijven.
Langfuse open source vs. LangSmith Enterprise
Self-hosting verandert het operationele en complianceplaatje meer dan de meeste functiecategorieën doen.
Self-hosting van Langfuse is gratis onder MIT. Docker Compose werkt voor development of evaluatie; productie-deployments gebruiken meestal Kubernetes met Helm op GKE, EKS of AKS. De stack omvat ClickHouse, PostgreSQL, Redis en S3-compatibele storage, met een aanbevolen minimale VM van 4 cores en 16 GiB RAM. De softwarelicentie kost niets, maar je team beheert de infrastructuur en operatie. De betaalde self-hosted Enterprise Edition voegt dedicated support, auditlogs, SCIM en SLA’s toe.
Qua compliance heeft Langfuse Cloud SOC 2 Type II, ISO 27001, AVG en HIPAA-certificeringen. LangSmith Cloud heeft SOC 2 Type II, AVG en HIPAA. ISO 27001 staat niet vermeld voor LangSmith. Als inkoop dat vinkje eist, is dat een concreet verschil.
Self-hosting van LangSmith vereist een Enterprisecontract. Er is geen open-source, gratis self-hostingpad beschikbaar. Drie deploymentmodellen (Cloud, Bring-Your-Own-Cloud (BYOC) en Self-hosted) vallen allemaal onder de Enterprise-paraplu. SmithDB is beschikbaar voor alle hostingmethoden.
Langfuse vs. LangSmith prijzen
De kopprijzen vertellen niet het hele verhaal.
Prijzen veranderen in deze categorie ook vaak. De onderstaande cijfers weerspiegelen de officiële pagina’s die ik in juni 2026 heb gecontroleerd, maar raadpleeg de actuele prijspagina’s voordat je rond een van beide platforms budgetteert.
Langfuse-prijzen
Langfuse Cloud rekent per unit: één unit is één trace, één observatie of één score. De formule is Units = Traces + Observations + Scores, dus een agent-run met veel tools kan meer kosten dan een eenvoudige prompt-antwoordtrace. Het gratis Hobby-abonnement bevat 50.000 units per maand, 30 dagen retentie en twee gebruikers. Core kost $29/maand met 100.000 inbegrepen units, onbeperkte gebruikers en 90 dagen retentie. Pro is $199/maand met 3 jaar datatoegang en compliancecertificeringen. Enterprise begint bij $2.499/maand met volumekorting op maat. Overage start bij $8 per 100.000 extra units.
Zoals ik eerder noemde, heeft self-hosted Langfuse geen softwarelicentiekosten. SCIM, auditlogs en enterprise-support vereisen een commerciële licentie.
LangSmith-prijzen
LangSmith rekent per seat en per trace. Het Developer-abonnement is gratis met 5.000 traces per maand, één seat en 14 dagen retentie. Plus kost $39 per seat per maand met 10.000 basistraces inbegrepen. Basistraces hebben 14 dagen retentie; extended traces bewaren data 400 dagen en kosten meer. Een team van vijf op Plus betaalt $195/maand aan seats vóór trace-overage. Enterprise-prijzen zijn maatwerk.
Mechaniek van dataretentie
Zoals ik eerder noemde, wordt extended retention automatisch geactiveerd wanneer evaluators feedback toevoegen aan traces. Lees de facturatiedocumentatie van LangSmith over auto-extended retention voordat je evaluatiepijplijnen opzet.
Die details zijn belangrijk, omdat kleine verschillen in tracediepte, evaluatorgebruik en retentie de maandelijkse rekening kunnen veranderen.
Vergelijkingstabel Langfuse vs. LangSmith
Zoals ik eerder noemde, zijn de belangrijkste verschillen eigenaarschap, framework-fit, evaluatieworkflow en prijs. De tabel hieronder vat die punten samen vóór de laatste beslissingssecties.
|
Functie
|
Langfuse
|
LangSmith
|
|
Open source
|
Ja (MIT)
|
Nee (propriëtair)
|
|
Self-hosting
|
Gratis MIT self-hosting; enterprise-controls betaald
|
Enterprisecontract vereist
|
|
Evaluatie
|
LLM-as-judge (MIT), code-evaluators, menselijke annotatie, CI/CD
|
LLM-as-judge, menselijke annotatie, online evaluators, few-shot correction
|
|
Promptbeheer
|
Labelgebaseerde deployment, SDK-caching, promptcomposability
|
Commit-hash versiebeheer, community Prompt Hub
|
|
Ecosysteem
|
Brede integraties, OTel-native, werkt over frameworks heen
|
Werkt over frameworks heen; OTel-ondersteuning
|
|
Agentondersteuning
|
Agent Graphs, Trace Log View, Code Evaluators, MCP-server
|
LangSmith Studio, native LangGraph-tracing, statusinspectie
|
|
Compliance
|
SOC 2 Type II, ISO 27001, AVG, HIPAA
|
SOC 2 Type II, AVG, HIPAA
|
|
Prijsmodel
|
Unit-gebaseerd; onbeperkte gebruikers op betaalde plannen
|
Seat-gebaseerd + trace-gebaseerd; twee retentieniveaus
|
|
Fit
|
Datasoevereiniteit, niet-LangChain-stacks, CI/CD-evaluatie
|
LangGraph-teams, voorkeur voor beheerde SaaS
|
Eerst, wat mij betreft: focus niet alleen op tracing. Tracing vertelt je wat er gebeurde, maar evaluatie vertelt je of de output goed was. Als je kiest op basis van alleen tracevisualisatie, hanteer je het verkeerde criterium.
Ten tweede: let op de prijsmechaniek. Zoals hierboven behandeld, groeien de kosten van Langfuse mee met tracediepte, terwijl de extended retention van LangSmith de kosten van geautomatiseerde evaluatie kan veranderen. Reken dit door vóór productie.
Ten derde: self-hosting betekent niet hetzelfde bij beide producten. De self-hostingsectie hierboven laat zien waarom. Als datasoevereiniteit een harde eis is, kan dat verschil de doorslag geven.
Tot slot: beslis niet uitsluitend op framework-compatibiliteit. Beide platforms ondersteunen meerdere applicatiestacks, en stacks veranderen. Deployvereisten en evaluatieworkflows zijn later lastiger te wisselen.
Wanneer kies je voor Langfuse
Op basis van de bovenstaande trade-offs past Langfuse beter wanneer:
- Je team native integraties wil voor frameworks zoals CrewAI, Pydantic AI, LlamaIndex, of directe API-calls naar OpenAI of Anthropic.
- Datasoevereiniteit niet onderhandelbaar is en LLM-inputs, -outputs en traces op je eigen infrastructuur moeten blijven.
- Je team CI/CD-geïntegreerde evaluatie wil met geautomatiseerde regressiepoorten via GitHub Actions.
- Je voorspelbare kosten nodig hebt voor een groeiend team, omdat betaalde Cloud-plannen onbeperkte gebruikers bevatten.
Wanneer kies je voor LangSmith
Op basis van dezelfde trade-offs past LangSmith beter wanneer:
- Je een model- en framework-agnostisch platform wilt voor observability, evaluatie, debugging en productiemonitoring over LLM-applicaties, met extra diepe ondersteuning voor LangChain-frameworks.
- Je team een beheerd platform wil dat de volledige agentverbeteringslus ondersteunt.
- Je een zeer performante database wilt voor je tracedata die je kunt deployen op je voorkeursinfrastructuur
- Je behoeften verder reiken dan observability, naar het bredere platform van LangSmith, inclusief evaluatie, productiemonitoring, agentserver en LLM Gateway.
- Je traces, datasets, experimenten, online evaluaties, menselijke feedback en productiemonitoring in één workflow verbonden wilt hebben.
Conclusie
Langfuse en LangSmith lossen allebei een reëel probleem op en zijn het afgelopen jaar flink veranderd. Op dit punt is de trade-off duidelijk.
De beslissing draait niet om welk platform meer functies heeft. Het is de afweging tussen eigenaarschap en ecosysteem van eerder. Heb je een open-source pad nodig met directe controle over je datastack, of wil je een beheerd platform met geïntegreerde observability, evaluatie en productie-workflows?
Eén kanttekening voordat je beslist: beide platforms veranderen vaak. Check de changelogs voordat je je vastlegt.
Voor achtergrond bij het LangChain-ecosysteem, zie onze LangChain vs. LangGraph vs. LangSmith vs. LangFlow-tutorial.
Als een chatbot slechte antwoorden begint te geven, is je eerste reflex vaak om de prompt te controleren. Dat werkt prima voor één LLM-call. Het houdt op met werken zodra de applicatie een agent is die tool-calls doet.
Die ontbrekende context is precies wat LLM-observabilityplatforms proberen te bieden. Het zijn geen traditionele monitoringtools voor applicaties. Een traditioneel hulpmiddel vertelt je iets over latency en foutpercentages. Een LLM-observabilityplatform laat je zien welke tool-call een slecht resultaat teruggaf en of een promptwijziging de outputkwaliteit verbeterde.
Zowel Langfuse als LangSmith dekken tracing, evaluatie en promptbeheer, en beide kregen grote updates begin 2026. Ze zijn echter niet inwisselbaar. Het verschil komt neer op deployvereisten, je techstack en hoe je team evaluaties uitvoert.
Kort antwoord: Langfuse past bij teams die open-source self-hosting, databewaring onder eigen beheer of een stack buiten LangChain nodig hebben. LangSmith past bij teams die een framework-agnostisch platform willen met geïntegreerde observability, evaluatie, debugging en productie-workflows voor LLM-applicaties. Als geen van beide voorwaarden geldt, zou ik naar de prijs kijken.
Wat zijn Langfuse en LangSmith?
In grote lijnen maken beide producten LLM-applicaties observeerbaar, testbaar en debugbaar. Dit is wat elk van beide is.
Overzicht van de positionering van Langfuse versus LangSmith. Afbeelding door de auteur.
Wat is Langfuse?
Langfuse is een open-source LLM-engineeringplatform dat in 2023 is gelanceerd. Het dekt tracing, promptbeheer, evaluatie (LLM-as-judge, menselijke annotatie en op code gebaseerde checks), dataset-experimenten en monitoring van kosten en latency. Het kernproduct in open source heeft een MIT-licentie.
In januari 2026 kondigde ClickHouse een Series D van $400 miljoen aan en nam Langfuse over. Langfuse is nu onderdeel van ClickHouse, de kolomgeoriënteerde database die al de Langfuse-backend aandreef. De MIT-licentie en open-source-identiteit werden destijds als ongewijzigd bevestigd.
Langfuse draait als beheerde cloudservice met regio’s in de VS, EU en Japan, of als self-hosted open-source-instantie zonder softwarelicentiekosten.
Wat is LangSmith?
LangSmith is een framework-agnostisch observability- en evaluatieplatform, gebouwd door LangChain Inc., het team achter LangChain, LangGraph en Deep Agents. Het platform is propriëtair en closed source. LangChain haalde in oktober 2025 $125 miljoen op bij een waardering van $1,25 miljard.
De belangrijkste mogelijkheden zijn tracing over een applicatierun, visueel debuggen, geautomatiseerde evaluaties, productie-monitoring en promptbeheer via Prompt Hub en de Playground. In mei 2026 lanceerde LangChain SmithDB, een op Rust gebaseerde datalaag die nu 100% van de US Cloud-ingestie van LangSmith afhandelt. SmithDB is ontworpen voor de unieke datapayloads die LLM-applicaties genereren en brengt de P50-laadtijd van trace trees terug naar 92 milliseconden en full-text search naar 400 milliseconden.
LangSmith is beschikbaar als beheerde cloudservice, als BYOC-implementatie (Bring Your Own Cloud) met data in de VPC van de klant, of als self-hosted Enterprise-implementatie. LangChain kondigde ook aan dat self-hosted LangSmith bring-your-own-key (BYOK) zal ondersteunen voor Engine, de in-platform agent om fouten in LLM-applicaties te vinden en te verhelpen.
Open source vs. beheerde SaaS
Het kernverschil tussen de twee platforms is niet “open source versus niet open source”. Het echte verschil is controle en portabiliteit aan de ene kant, en beheerde workflows aan de andere kant. Met Langfuse kun je de stack op je eigen infrastructuur draaien zonder licentiekosten. LangSmith biedt beheerde cloud, BYOC en self-hosted deployments, met diepgaande native ondersteuning voor LangChain, LangGraph en Deep Agents, maar zonder verplichting om die frameworks te gebruiken.
Eén update verandert hoe je deze vergelijking zou moeten bekijken: LangSmith ondersteunt nu OpenTelemetry-tracing via het
langsmith[otel]-pakket en deLANGSMITH_OTEL_ENABLED=true-omgevingsvariabele. Dit is één van de manieren waarop teams LangSmith kunnen gebruiken met niet-LangChain-applicaties.Hier staan de twee platforms structureel:
Dimensie
Langfuse
LangSmith
Sourcemodel
Open source (MIT)
Propriëtair, closed source
Self-hosting
Gratis MIT self-hosting; enterprise-controls betaald
Enterprisecontract vereist
Frameworkbenadering
Werkt over frameworks heen; brede integraties; OTel-native
Werkt over frameworks heen; OTel-ondersteuning
Data soevereiniteit
Volledig; air-gapped deployment mogelijk
Hybride en self-hosted voor Enterprise-klanten
Backenddatabase
ClickHouse
SmithDB (Rust/DataFusion)
Prijsmodel
Unit-gebaseerd (traces + observaties + scores)
Seat-gebaseerd plus trace-gebaseerd met twee retentieniveaus
Compliance
SOC 2 Type II, ISO 27001, AVG, HIPAA
SOC 2 Type II, AVG, HIPAA
De rest van het artikel licht toe wat die verschillen in de praktijk betekenen.
Tracing en observability
Bij tracing beginnen de producten uit elkaar te lopen. Beide leggen LLM-calls, tool-calls en gerelateerde metadata vast, maar agent-workflows maken de verschillen sneller zichtbaar dan eenvoudige prompt-antwoordapps.
Request-tracing
Langfuse bouwt hiërarchische traces die LLM-calls, tool-aanroepen, embeddings en retrievalstappen vastleggen. Je kunt filteren op gebruiker, sessie, kosten, latency of aangepaste metadata. In mei 2026 voegde Langfuse full-text search toe, ondersteund door de native FTS-engine van ClickHouse, waardoor zoekopdrachten die eerder bijna 20 seconden duurden, werden teruggebracht tot onder een halve seconde.
LangSmith legt elke LLM-call en tool-gebruik vast als een inspecteerbare run tree. Nu SmithDB alle US Cloud-ingestie afhandelt, laden trace trees op P50 in 92 milliseconden. LangSmith bevat ook unsupervised topic clustering, dat traces groepeert op gedetecteerd thema en teams een startpunt geeft wanneer ze geen idee hebben wat er mis is.
Zichtbaarheid van agent-workflows
Langfuse voegde in november 2025 Agent Graphs toe, die de uitvoeringsstroom van multi-step agents visualiseren door de grafiekstructuur af te leiden uit observatietimings en nesting. Het werkt met elk geïnstrumenteerd framework, met native ondersteuning voor LangGraph. Tegelijkertijd werd een Trace Log View toegevoegd, die een vlakke stroom van agentstappen geeft voor workflows met veel lussen of vertakkingen.
Langfuse-agentgrafiek voor LangGraph-uitvoering. Afbeelding door de auteur.
LangSmith’s LangGraph-tracing legt elke node, edge en statusovergang in een run vast met nul configuratie buiten het zetten van een omgevingsvariabele. LangSmith Studio laat je stap voor stap door de agentuitvoering gaan, de status bij elke node inspecteren en een trace opnieuw afspelen met een ander model of een andere prompt. In een LangGraph-applicatie geeft dit meer context dan een generieke trace tree.In september 2026 bracht LangSmith Trajectories uit, waarmee traces eenvoudiger te debuggen zijn en op te nemen in feedbackloops met inhoudsexperts.
LangSmith-tracetree voor agent-workflow. Afbeelding door de auteur.
Productiemonitoring
Voor productiemonitoring houden beide platforms latency, tokengebruik, kosten en foutpercentages bij. LangSmith bevat PagerDuty- en webhook-alerting voor productie-incidenten, plus monitoringworkflows gekoppeld aan traces en evaluaties. Langfuse bevat uitgavenalerts met configureerbare drempels. Op dit niveau lijken de monitoringfuncties op elkaar.
Offline en online evaluatie
Tracing vertelt je wat er gebeurde. Evaluatie vertelt je of het goed was. In de praktijk zijn deze tools nuttiger wanneer evaluatie onderdeel is van de workflow, niet een checklist vóór de lancering.
LLM-as-a-judge en code-evaluators
Langfuse’s LLM-as-judge werd in juni 2025 volledig open source onder MIT. Elke self-hosted gebruiker op v3.65.0 of later krijgt dit zonder commerciële licentie. In mei 2026 bracht Langfuse Code Evaluators uit: Python- of TypeScript-
evaluate-functies die je direct in de Langfuse-UI schrijft. Deze voeren deterministische checks uit, zoals JSON-schemavalidatie, regex-validatie of verificatie van toolargumenten, zonder tokencost of een judge-modelcall.LangSmith biedt configureerbare LLM-as-judge-evaluators met Boolean-, Categorical- en Continuous-feedbacktypen, plus ingebouwde templates voor Security, Safety en Quality. Het ondersteunt ook few-shot correction, waarbij door mensen gelabelde correcties op evaluatoruitvoer terugvloeien als few-shotvoorbeelden om de calibratie van de evaluator in de tijd te verbeteren.
Datasets, experimenten en menselijke annotatie
Offline evaluatie werkt in beide platforms via datasets en side-by-side vergelijking van experimenten. Langfuse voegde in november 2025 Score Analytics toe om evaluatoralignement te meten over precision, recall, F1, kosten en accuratesse. Baselinevergelijking, ook november 2025, laat je een specifieke run markeren als referentiepunt en regressies ertegen signaleren.
Langfuse’s GitHub Actions CI/CD-integratie, uitgebracht in mei 2026 via de
langfuse/experiment-action, laat een workflow falen wanneer experimentscores onder een drempel zakken. Daarmee wordt evaluatie een deploy-gate in plaats van een review na de release.Langfuse-evaluatielus met GitHub Actions. Afbeelding door de auteur.
De evaluatie-setup van LangSmith kent één factureringsgedrag om vroeg te benoemen: evaluators die feedback aan traces toevoegen, kunnen die traces upgraden naar extended retention. Zoals ik in de prijzensectie toelicht, verandert dat de kosten van evaluatieworkflows.
Promptversiebeheer, deployment en A/B-testen
Promptbeheer is hier meer dan versiegeschiedenis. De workflow is: itereren in een sandbox, testen tegen een dataset, promoten naar productie en netjes terugdraaien als er iets stukgaat.
Langfuse kent elke promptversie een versie-ID toe en gebruikt labels zoals
productionenstagingom te bepalen welke versie live is. Het wijzigen van een label in de UI is hoe je deployt of terugdraait. Prompts worden client-side gecachet door de SDK, zodat er geen latency wordt toegevoegd aan productie-calls wanneer de SDK de actieve versie ophaalt. Met Protected labels kunnen beheerders beperken welke rollen hetproduction-label mogen aanpassen, wat uitmaakt als je met verschillende toegangsniveaus werkt.LangSmith beheert prompts via Prompt en Context Hub met commit-hash versiebeheer om exact op versies te pinnen via code. De Prompt Hub bevat een communitybibliotheek die Langfuse niet weerspiegelt. A/B-testen via dataset-experimenten is op beide platforms beschikbaar.
In deze categorie liggen de twee producten dichter bij elkaar dan bij hosting, prijzen of framework-setup.
Langfuse vs. LangSmith voor agent-applicaties
Agents dreven het afgelopen jaar veel van het functionele werk op beide platforms. Waar de agent is gebouwd, is hier bepalend.
Langfuse toont beschikbare tools, markeert welke tools zijn aangeroepen en laat argumenten en call-ID’s zien. Uitgebreide observatietypen onderscheiden tool-calls, embeddings en guardrail-calls in de traceweergave. Zoals ik eerder noemde, kunnen Code Evaluators ook toolargumenten verifiëren aan de hand van een schema. De MCP-server werd in mei 2026 uitgebreid tot 15 toolcategorieën, zodat agents in Claude Code, Cursor of OpenAI Codex Langfuse-data programmatisch kunnen bevragen.
Het LangGraph-punt uit de tracingsectie komt hier terug. De agentondersteuning van LangSmith omvat statusinspectie bij elke node, trace-replay met alternatieve modellen en LangSmith Studio voor visueel stap-voor-stap debuggen. Het engineeringteam van Monte Carlo, dat een productiesysteem met honderden subagents draait, noemde deze zero-setup LangGraph-integratie als een belangrijke reden voor hun keuze.
Voor agents gebouwd met CrewAI, Pydantic AI of andere multi-agentframeworks heeft Langfuse bredere native instrumentatie en is vaak minder handmatige setup nodig.
Framework- en SDK-integraties
Langfuse vermeldt brede integraties over modelproviders, frameworks, gateways, no-codetools, analytics en ontwikkelaarstools. Frameworks zijn onder meer LangChain, LangGraph, OpenAI Agents SDK, Pydantic AI, CrewAI, AutoGen, DSPy, Haystack, LlamaIndex en andere. Het platform is op SDK-niveau OpenTelemetry-native.
De native SDK’s van LangSmith dekken Python, TypeScript, Go en Java. Buiten LangChain, LangGraph en Deep Agents werkt het met de OpenAI SDK, Anthropic SDK, Vercel AI SDK, LlamaIndex, maatwerkimplementaties en OpenTelemetry. Dat betekent dat het geen tracingtool is die alleen voor LangChain werkt.
De praktische vraag is niet alleen of een framework wordt ondersteund, want de meeste populaire frameworks werken met beide platforms. Het is hoeveel instrumentatie je zelf moet schrijven.
Langfuse open source vs. LangSmith Enterprise
Self-hosting verandert het operationele en complianceplaatje meer dan de meeste functiecategorieën doen.
Self-hosting van Langfuse is gratis onder MIT. Docker Compose werkt voor development of evaluatie; productie-deployments gebruiken meestal Kubernetes met Helm op GKE, EKS of AKS. De stack omvat ClickHouse, PostgreSQL, Redis en S3-compatibele storage, met een aanbevolen minimale VM van 4 cores en 16 GiB RAM. De softwarelicentie kost niets, maar je team beheert de infrastructuur en operatie. De betaalde self-hosted Enterprise Edition voegt dedicated support, auditlogs, SCIM en SLA’s toe.
Qua compliance heeft Langfuse Cloud SOC 2 Type II, ISO 27001, AVG en HIPAA-certificeringen. LangSmith Cloud heeft SOC 2 Type II, AVG en HIPAA. ISO 27001 staat niet vermeld voor LangSmith. Als inkoop dat vinkje eist, is dat een concreet verschil.
Self-hosting van LangSmith vereist een Enterprisecontract. Er is geen open-source, gratis self-hostingpad beschikbaar. Drie deploymentmodellen (Cloud, Bring-Your-Own-Cloud (BYOC) en Self-hosted) vallen allemaal onder de Enterprise-paraplu. SmithDB is beschikbaar voor alle hostingmethoden.
Langfuse vs. LangSmith prijzen
De kopprijzen vertellen niet het hele verhaal.
Prijzen veranderen in deze categorie ook vaak. De onderstaande cijfers weerspiegelen de officiële pagina’s die ik in juni 2026 heb gecontroleerd, maar raadpleeg de actuele prijspagina’s voordat je rond een van beide platforms budgetteert.
Langfuse-prijzen
Langfuse Cloud rekent per unit: één unit is één trace, één observatie of één score. De formule is
Units = Traces + Observations + Scores, dus een agent-run met veel tools kan meer kosten dan een eenvoudige prompt-antwoordtrace. Het gratis Hobby-abonnement bevat 50.000 units per maand, 30 dagen retentie en twee gebruikers. Core kost $29/maand met 100.000 inbegrepen units, onbeperkte gebruikers en 90 dagen retentie. Pro is $199/maand met 3 jaar datatoegang en compliancecertificeringen. Enterprise begint bij $2.499/maand met volumekorting op maat. Overage start bij $8 per 100.000 extra units.Zoals ik eerder noemde, heeft self-hosted Langfuse geen softwarelicentiekosten. SCIM, auditlogs en enterprise-support vereisen een commerciële licentie.
LangSmith-prijzen
LangSmith rekent per seat en per trace. Het Developer-abonnement is gratis met 5.000 traces per maand, één seat en 14 dagen retentie. Plus kost $39 per seat per maand met 10.000 basistraces inbegrepen. Basistraces hebben 14 dagen retentie; extended traces bewaren data 400 dagen en kosten meer. Een team van vijf op Plus betaalt $195/maand aan seats vóór trace-overage. Enterprise-prijzen zijn maatwerk.
Mechaniek van dataretentie
Zoals ik eerder noemde, wordt extended retention automatisch geactiveerd wanneer evaluators feedback toevoegen aan traces. Lees de facturatiedocumentatie van LangSmith over auto-extended retention voordat je evaluatiepijplijnen opzet.
Die details zijn belangrijk, omdat kleine verschillen in tracediepte, evaluatorgebruik en retentie de maandelijkse rekening kunnen veranderen.
Vergelijkingstabel Langfuse vs. LangSmith
Zoals ik eerder noemde, zijn de belangrijkste verschillen eigenaarschap, framework-fit, evaluatieworkflow en prijs. De tabel hieronder vat die punten samen vóór de laatste beslissingssecties.
Functie
Langfuse
LangSmith
Open source
Ja (MIT)
Nee (propriëtair)
Self-hosting
Gratis MIT self-hosting; enterprise-controls betaald
Enterprisecontract vereist
Evaluatie
LLM-as-judge (MIT), code-evaluators, menselijke annotatie, CI/CD
LLM-as-judge, menselijke annotatie, online evaluators, few-shot correction
Promptbeheer
Labelgebaseerde deployment, SDK-caching, promptcomposability
Commit-hash versiebeheer, community Prompt Hub
Ecosysteem
Brede integraties, OTel-native, werkt over frameworks heen
Werkt over frameworks heen; OTel-ondersteuning
Agentondersteuning
Agent Graphs, Trace Log View, Code Evaluators, MCP-server
LangSmith Studio, native LangGraph-tracing, statusinspectie
Compliance
SOC 2 Type II, ISO 27001, AVG, HIPAA
SOC 2 Type II, AVG, HIPAA
Prijsmodel
Unit-gebaseerd; onbeperkte gebruikers op betaalde plannen
Seat-gebaseerd + trace-gebaseerd; twee retentieniveaus
Fit
Datasoevereiniteit, niet-LangChain-stacks, CI/CD-evaluatie
LangGraph-teams, voorkeur voor beheerde SaaS
Fouten bij het kiezen van een LLM-observabilityplatform
Eerst, wat mij betreft: focus niet alleen op tracing. Tracing vertelt je wat er gebeurde, maar evaluatie vertelt je of de output goed was. Als je kiest op basis van alleen tracevisualisatie, hanteer je het verkeerde criterium.
Ten tweede: let op de prijsmechaniek. Zoals hierboven behandeld, groeien de kosten van Langfuse mee met tracediepte, terwijl de extended retention van LangSmith de kosten van geautomatiseerde evaluatie kan veranderen. Reken dit door vóór productie.
Ten derde: self-hosting betekent niet hetzelfde bij beide producten. De self-hostingsectie hierboven laat zien waarom. Als datasoevereiniteit een harde eis is, kan dat verschil de doorslag geven.
Tot slot: beslis niet uitsluitend op framework-compatibiliteit. Beide platforms ondersteunen meerdere applicatiestacks, en stacks veranderen. Deployvereisten en evaluatieworkflows zijn later lastiger te wisselen.
Wanneer kies je voor Langfuse
Op basis van de bovenstaande trade-offs past Langfuse beter wanneer:
Wanneer kies je voor LangSmith
Op basis van dezelfde trade-offs past LangSmith beter wanneer:
Conclusie
Langfuse en LangSmith lossen allebei een reëel probleem op en zijn het afgelopen jaar flink veranderd. Op dit punt is de trade-off duidelijk.
De beslissing draait niet om welk platform meer functies heeft. Het is de afweging tussen eigenaarschap en ecosysteem van eerder. Heb je een open-source pad nodig met directe controle over je datastack, of wil je een beheerd platform met geïntegreerde observability, evaluatie en productie-workflows?
Eén kanttekening voordat je beslist: beide platforms veranderen vaak. Check de changelogs voordat je je vastlegt.
Voor achtergrond bij het LangChain-ecosysteem, zie onze LangChain vs. LangGraph vs. LangSmith vs. LangFlow-tutorial.