Foglamp 教學：繁中完整上手指南（功能、免費版、實測）

讀完這篇 Foglamp 教學，你會知道怎麼把這套 AI 代理可觀測性工具接進專案，看懂每一筆 LLM 呼叫的成本、延遲跟輸出品質，不再對著跑起來的 AI 代理兩眼一抹黑。

AI 開發正在從單純的內容生成，轉向能自主執行任務的「AI Agent」。當代理開始串接多個模型、自己做決策，開發者常常搞不清楚一件事：這個代理到底花了多少錢、延遲多久、有沒有亂講話。這就是 Foglamp 教學要解決的問題。Foglamp 不是資料庫監控工具，也不是工業 IoT 邊緣平台（雖然名字很像），而是專為 Vercel AI SDK 打造的開源 AI 代理可觀測性層。它讓開發者能看清每一筆 LLM 呼叫的成本、延遲與品質，不用在代理出包後才從客訴信裡拼湊真相。

對想搞懂 Foglamp 是什麼的開發者來說，這套工具的賣點是不用手動串接 span，就能取得完整的巢狀追蹤（nested traces）與代理層級的彙總（rollup）。設定好之後，Dashboard 會即時顯示每筆呼叫的 token 消耗、執行時間跟評估分數（evals）。本文會講解 Foglamp 怎麼用、免費層的額度限制，以及是否有中文介面，幫你少走一些冤枉路。

查看相關日報

Foglamp 是什麼？核心概念與價值

傳統監控工具盯的是 CPU、記憶體這類硬體指標，但 AI 代理的運作邏輯是「呼叫－回應」循環，真正該盯的是成本、延遲、token 消耗跟輸出品質。Foglamp 官網把自己定位為「AI 代理缺失的可觀測性層」，核心賣點是「兩行 instrumentation」——開發者不用大動底層架構，加幾行程式碼，Foglamp 就能自動攔截並記錄 generateText 或 streamText 呼叫。

這類工具為什麼重要，官網用了一個具體的情境：一個客服 AI 代理，第一週上線運作正常；第三週因為模型或 prompt 的變化，成本翻倍、回答品質下降，甚至開始編造已經取消的退款政策、捏造不存在的訂單編號。等到客服頻道被投訴洗版，或社群上開始有人截圖吐槽，往往已經來不及止血。

Foglamp 想解決的就是這種「霧裡看花」的狀態——代理在跑，但你看不到它花了多少錢、花了多少時間、說了什麼。Dashboard 會把一次代理執行拆成 plan、search_docs、generateText、reply 等步驟，每一步的 cost、latency、tokens、evals 分數都攤開給你看。

官網列出的信任客戶／核心功能模組包含 M TIM、Option Option、LKPR、mainline、KA'A、LVargas 等名稱，但官網並未進一步說明這些模組各自對應的功能細節，實際用途建議以官方文件為準。

事前準備：環境需求與安裝前置

Foglamp 的核心是「接進 Vercel AI SDK 專案」，也就是說它主要鎖定 Node.js／TypeScript 生態的 AI 應用，而非泛用的 Python 監控工具。安裝與設定的細節，包括是否需要 Docker、是否有獨立的 Python SDK，官網公開資訊有限，實際步驟請以官方文件為準，避免照抄網路上未經查證的教學指令。

Foglamp 支援平台方面，官方稱可整合 Slack，適合把告警通知導到團隊常用的協作頻道，即時收到異常回報。

在動手前，建議先確認你的專案本身是否使用 Vercel AI SDK，這是 Foglamp 目前訴求的整合對象。若你的技術棧不是這個組合，實際相容性請先查閱官網文件再評估是否導入。

Step 1：開始使用 Foglamp

Foglamp 官網提供的上手方式，是把一段設定用的 prompt 交給 Claude Code 或 Codex 這類程式碼代理，讓它自動掃描你的專案、找出 AI 呼叫的位置，並把 Foglamp 接進去，開發者再自行檢查 diff 確認改動是否合理。

具體流程大致是這樣：

1. 複製官方提供的 agent prompt：官網首頁有一個「Copy agent prompt」按鈕，一鍵複製設定用的提示詞。
2. 交給你的程式碼代理執行：把 prompt 貼給 Claude Code、Codex 或類似工具，讓它自動找出專案中呼叫 LLM 的地方並接上 Foglamp。
3. 檢查並確認變更：程式碼代理會生成一份 diff，你需要人工檢查它改了哪些檔案、加了哪些程式碼，確認無誤後再套用。

這個流程省去了手動翻文件、一行一行找程式碼插入點的麻煩，但實際的安裝指令、SDK 名稱、設定檔格式，官網並未完整公開，建議直接到 Foglamp 官網取得最新版的 prompt 與文件，而不要依賴第三方教學裡的指令。

Step 2：接上專案後你會看到什麼

完成設定後，打開 Foglamp 的 Dashboard，畫面會呈現每一次代理執行的完整拆解。以官網展示的一個客服代理範例來看，一次執行會列出 plan、search_docs、generateText、reply 這幾個步驟，並標示：

• Cost：這次呼叫花了多少錢（官網範例顯示 $0.0041）
• Latency：執行花了多久（官網範例顯示 2.3 秒）
• Tokens：輸入輸出總共用了多少 token（官網範例顯示 1,842）
• Evals：品質評估分數（官網範例顯示 相當比例）

這種拆解方式的價值在於，你不只看到「代理最後回了什麼」，還能往回追蹤是哪一步花錢最多、哪一步拖慢了整體延遲。如果某次呼叫的成本或延遲突然異常，可以直接點進該筆記錄查看詳細的 trace，定位問題出在哪個環節。

實際 Dashboard 的操作介面、圖表呈現方式，建議直接參考官方文件或註冊帳號實際操作體驗，本文不做未經驗證的介面細節描述。

Step 3：免費層與付費方案怎麼選

根據 Foglamp 官網定價頁，方案分成三層：

Free（永久免費）：官網標示每月 10,000 個 spans、資料保留 3 天、1 個專案、1 條告警規則、5 個 evals，代理數量、workflow 數量、trace／session 數量與團隊成員數皆為無限制。

Pro（官網標示每月 $49，熱門方案）：spans 提升到每月 1,000,000 個、資料保留 14 天、5 個專案、10 條告警規則、20 個 evals，並加入 Foggy AI 助理、Email 與 Slack 告警整合、優先支援等功能。

Enterprise（客製化定價）：spans、專案數、告警、evals 皆可客製，資料保留 90 天以上，並提供 SSO／SAML、稽核紀錄、專屬支援與 SLA。詳細報價需聯繫官方業務。

小型專案或個人測試，免費層的每月 10,000 spans、3 天保留期通常夠用。一旦代理呼叫量上升、需要更長的歷史資料來追蹤問題，或需要 Email／Slack 告警與優先支援，才需要考慮升級到 Pro。企業級的合規需求（SSO、稽核紀錄）則要走 Enterprise，直接找官方業務談。

常見問題 FAQ

Foglamp 免費層有哪些限制？

根據官網定價頁，免費層每月提供 10,000 個 spans、資料保留期 3 天、1 個專案、1 條告警規則與 5 個 evals，但代理數量、workflow 與 trace 數量不設限。免費層不包含 Foggy AI 助理、Email／Slack 告警整合與優先支援，這些功能只在 Pro（官網標示每月 $49）以上的方案提供。若你的呼叫量或告警需求超出這個範圍，就得考慮升級。

Foglamp 有中文介面嗎？

官網目前呈現的介面與文件皆為英文，並未提供中文版本的公開資訊。若你的團隊需要中文介面或在地化支援，建議直接聯繫官方確認是否有相關規劃，不要預設會有現成的中文翻譯包。

Foglamp 跟一般資料庫監控工具差在哪？

Foglamp 不是拿來存資料的資料庫，也不是監控資料庫效能的工具，而是針對 AI 代理呼叫行為設計的可觀測性層。它盯的是每次 LLM 呼叫的成本、延遲、token 消耗與輸出品質，並用巢狀追蹤把一次代理執行拆解成多個步驟，這是傳統資料庫監控工具不會做的事。

下一步：延伸學習與資源

這篇 Foglamp 教學走過了它要解決的問題、核心概念、上手方式，以及免費層與付費方案的差異。如果你的專案是用 Vercel AI SDK 打造的 AI 代理，且正苦於搞不清楚每次呼叫的成本與品質，這類可觀測性層值得評估。

實際安裝步驟、SDK 細節、Dashboard 操作方式，建議以 Foglamp 官方網站與文件為準，本文提到的公開資訊會隨官方更新而改變，遇到落差時以官網當下顯示的內容為主。

免責聲明：本文依官方公開資料整理撰寫，非合作推廣。工具品質與安全性請讀者自行評估，使用前建議查證官方最新資訊。