Cuando empezamos a usar Claude Code, Codex, OpenHands o agentes propios, todos descubrimos el mismo problema: cuando algo sale mal, no sabemos exactamente por qué.
Vemos el resultado final. No vemos:
- qué herramientas llamó el agente,
- cuánto costó cada paso,
- qué contexto utilizó,
- cuánto demoró cada operación,
- dónde apareció el error.
Laminar es un proyecto open source que intenta resolver precisamente eso. Es una plataforma de observabilidad para agentes y aplicaciones basadas en LLMs que permite registrar, visualizar y analizar ejecuciones completas de IA.
Y aunque el concepto puede sonar enterprise, la realidad es bastante más simple: si alguna vez te preguntaste ”¿qué hizo exactamente mi agente para llegar a esta respuesta?”, Laminar probablemente sea la herramienta que estabas buscando.
¿Qué problemas resuelve?
Supongamos que tenés un agente que:
- recibe una solicitud,
- consulta una base vectorial,
- llama OpenAI o Anthropic,
- ejecuta herramientas,
- genera una respuesta.
Si el resultado es malo, normalmente solo ves el output final.
Laminar permite inspeccionar:
- cada llamada al modelo,
- prompts y respuestas,
- consumo de tokens,
- costos,
- herramientas utilizadas,
- latencias,
- relaciones entre subagentes,
- trazas completas de ejecución.
En otras palabras: transforma una caja negra en algo que realmente podés analizar.
Casos de uso reales
1. Claude Code y agentes de desarrollo
Si estás usando Claude Code o cualquier coding agent, probablemente quieras responder preguntas como:
- ¿Qué archivos inspeccionó?
- ¿Qué herramientas ejecutó?
- ¿Cuánto tiempo gastó en cada paso?
- ¿Dónde se produjo el error?
Laminar registra la ejecución completa y permite navegarla visualmente.
2. Sistemas multiagente
Muchos equipos ya trabajan con arquitecturas compuestas por:
- Planner
- Researcher
- Coder
- Reviewer
Cuando el resultado final es incorrecto, descubrir cuál de los agentes se equivocó puede ser complicado.
Laminar permite visualizar la interacción completa entre agentes dentro de una única traza.
3. Control de costos
Una de las funcionalidades más prácticas.
Laminar captura automáticamente:
- Input tokens
- Output tokens
- Modelo utilizado
- Costos estimados
- Duración de cada llamada
Esto permite identificar rápidamente prompts o workflows particularmente caros.
Si alguna vez te sorprendió una factura de OpenAI o Anthropic, ya entendés por qué esto importa.
4. Debugging de herramientas
Los agentes modernos dependen cada vez más de herramientas externas:
- APIs
- MCP Servers
- Bases de datos
- Sistemas internos
Cuando una herramienta devuelve datos inesperados o genera una excepción, Laminar permite identificar exactamente dónde ocurrió el problema y qué información recibió el agente en ese momento.
Instalación Self-Hosted
La forma más rápida de comenzar es mediante Docker Compose.
git clone https://github.com/lmnr-ai/lmnr
cd lmnr
docker compose up -d
Una vez iniciado, la interfaz queda disponible en:
http://localhost:5667
Para despliegues más completos, el repositorio también incluye configuraciones orientadas a producción.
Instalación del SDK para TypeScript
npm add @lmnr-ai/lmnr
Inicialización básica:
import { Laminar } from "@lmnr-ai/lmnr";
Laminar.initialize({
projectApiKey: process.env.LMNR_PROJECT_API_KEY,
});
A partir de ese momento, las trazas comenzarán a registrarse automáticamente.
Instalación del SDK para Python
pip install "lmnr[all]"
Inicialización:
from lmnr import Laminar
import os
Laminar.initialize(
project_api_key=os.environ["LMNR_PROJECT_API_KEY"]
)
Para instalaciones self-hosted:
Laminar.initialize(
project_api_key="<KEY>",
base_url="http://localhost",
http_port=8000,
grpc_port=8001,
)
Instrumentando funciones propias
Una característica particularmente útil es el decorador @observe.
from lmnr import observe
@observe()
def process_request():
...
Cada ejecución queda registrada como un span dentro de la traza general.
Esto permite combinar:
- llamadas a modelos,
- herramientas,
- lógica de negocio,
- funciones internas,
en una única visualización.
Integraciones disponibles
Laminar ya ofrece integraciones para:
- OpenAI
- Anthropic
- LangChain
- LangGraph
- AI SDK
- Browser Use
- Playwright
- Stagehand
- OpenHands
- Frameworks modernos de agentes
Por lo tanto, la mayoría de los equipos pueden incorporarlo sin cambios importantes en su stack actual.
Lo más interesante
Hace unos años la observabilidad era algo que asociábamos a:
- Kubernetes
- APIs
- Microservicios
- Infraestructura cloud
Hoy está apareciendo una categoría completamente nueva:
observabilidad para agentes.
Y tiene sentido.
Los agentes modernos ya no son simplemente una llamada a un modelo. Ejecutan herramientas, consultan sistemas externos, coordinan subagentes y mantienen contexto durante períodos prolongados.
A medida que esa complejidad aumenta, también aumenta la necesidad de entender qué está ocurriendo internamente.
Laminar es uno de los proyectos open source más interesantes que están apareciendo en este espacio porque no intenta construir otro framework ni otro modelo.
Su único objetivo es responder una pregunta que todos terminamos haciéndonos tarde o temprano:
¿Qué hizo exactamente mi agente para llegar a este resultado?
Y cuando los agentes empiezan a trabajar durante horas, coordinar múltiples herramientas y consumir miles de tokens por sesión, esa respuesta puede ser mucho más valiosa que cualquier benchmark.