Laminar macht Agentenläufe sichtbar statt nur protokolliert

Worum es geht

Laminar ist eine Open-Source-Plattform fuer Observability und Evaluation von AI-Agenten. Das Tool adressiert ein sehr konkretes Problem: Sobald ein Agent mehrere Schritte, Tools, Browseraktionen oder Unteragenten nutzt, reicht ein normales Logfile oft nicht mehr aus.

Die Plattform beschreibt sich als offen, selbst hostbar und Apache-2.0-lizenziert. Auf der Produktseite und in der Dokumentation nennt Laminar Integrationen fuer OpenAI Agents SDK, Claude Agent SDK, Vercel AI SDK, LangChain, OpenHands SDK, Browser Use, Stagehand, Playwright, LiteLLM, Mastra und Pydantic AI.

Was Laminar tatsächlich macht

Laminar zeichnet Agentenlaeufe als Traces auf. Entwickler koennen sehen, welche Eingabe ein Agent bekam, welche Modellantworten entstanden, welche Tools aufgerufen wurden, welche Kosten und Latenzen anfielen und wo ein Schritt scheiterte. Dazu kommen Evaluations, SQL-Abfragen, Dashboards, Labeling Queues und die Moeglichkeit, einen Agentenlauf von einem bestimmten Punkt erneut auszufuehren.

Besonders praktisch ist der Fokus auf Agenten statt nur auf Chatbots. Wenn ein Browser-Agent eine Website falsch ausliest, ein RAG-Agent eine Quelle ignoriert oder ein Code-Agent eine riskante Aktion vorschlaegt, braucht das Team eine Timeline. Laminar versucht genau diese Timeline lesbar zu machen.

Warum das wichtig ist

AI-Agenten wirken oft ueberzeugend, bis sie in echten Workflows scheitern. Das Problem ist dann nicht nur das Ergebnis, sondern die Frage: Wo ist der Fehler entstanden? War der Prompt schlecht, das Modell ungeeignet, der Tool-Call falsch, die Datenquelle leer oder die Freigabe zu breit?

Forschung wie AgentSight beschreibt, dass klassische Observability haeufig entweder High-Level-Intent oder Low-Level-Systemaktionen sieht, aber nicht beides sauber verbindet. Laminar positioniert sich pragmatisch in dieser Luecke: Es will Teams keine neue Agentenplattform aufzwingen, sondern die bestehenden SDKs und Frameworks beobachtbar machen.

Einfach erklärt

Stell dir eine Paketlieferung vor. Ein normales Log sagt: Das Paket kam nicht an. Laminar ist eher wie eine Sendungsverfolgung mit Stationen: Lager, Fahrer, falsche Adresse, erneuter Zustellversuch. Erst mit dieser Kette kann man den echten Fehler beheben.

Praktisches Beispiel

Ein Support-Team baut einen Agenten, der pro Tag 500 Tickets zusammenfasst, Kundendaten aus einem internen Tool abruft und Antwortentwuerfe erstellt. In 20 Faellen pro Woche zitiert der Agent falsche Vertragsdaten. Ohne Tracing sieht das Team nur das Endergebnis. Mit Laminar kann es pruefen: Welcher Tool-Call lieferte die Daten? Welche Quelle wurde genutzt? Trat der Fehler nur bei einem Kundensegment auf? Danach kann das Team eine Evaluation bauen, die genau diesen Fall vor dem naechsten Release testet.

Einordnung und Grenzen

Erstens ist Observability keine Garantie fuer korrekte Agenten. Laminar zeigt Fehlerwege, aber es verhindert sie nicht automatisch.

Zweitens braucht das Tool Disziplin beim Instrumentieren. Wer Agenten ohne klare Spans, Metadaten und Eval-Ziele betreibt, bekommt zwar mehr Daten, aber nicht unbedingt bessere Entscheidungen.

Drittens koennen Traces sensible Inhalte enthalten: Prompts, Kundendaten, Tool-Ausgaben oder interne Dokumente. Self-Hosting und Redaction sind deshalb nicht nur Komfort, sondern Governance-Themen.

Der sinnvolle Test ist ein Agent, der bereits heute regelmaessig scheitert: zwei Wochen Traces sammeln, drei Fehlerklassen definieren und danach eine Evaluation in CI oder Staging verankern.

SEO- und GEO-Schlüsselbegriffe

Laminar, lmnr-ai, AI agent observability, LLM tracing, OpenAI Agents SDK, Claude Agent SDK, LangChain, Browser Use, OpenHands, OpenTelemetry, AI evaluations, agent debugging