Merci — je réponds à votre question sur l’open source pour Agent Insights et je vous explique comment coder une version équivalente si nécessaire. Résumé direct • Le code complet d’Agent Insights (l’UI, le stockage/analyse centralisés et la vue « Agent insights » du tableau de bord) n’est pas open source — c’est fourni principalement via LiveKit Cloud. • Les composants de collecte (SDK Agents open source en Python/Node.js) qui émettent métriques, événements, transcriptions et enregistrements sont disponibles et vous permettent de reconstruire une solution personnalisée. Que pouvez‑vous faire (étapes concrètes pour coder votre propre Agent Insights) 1. Activer l’enregistrement des sessions ◦ Activez l’enregistrement (

record=True

dans l’AgentSession Python) pour capturer l’audio et permettre la synchronisation avec les traces/transcriptions. 1. Consommer les événements de session ◦ Écoutez les événements fournis par

AgentSession

(ex.

agent_state_changed

,

user_input_transcribed

,

conversation_item_added

,

close

) et envoyez-les vers votre pipeline de stockage/observabilité. ◦ Exemple simple en Python :

@session.on("agent_state_changed")
     def on_state_change(state):
         # stocker l'état avec timestamp
         save_event("agent_state_changed", state, timestamp())

1. Collecter les métriques essentielles ◦ Récupérez TTFT, TTFB, latences de tour, et usage de tokens via le collecteur de métriques du SDK. ◦ Agrégez et stockez ces métriques pour construire tableaux et alertes. 1. Stocker et synchroniser les données ◦ Stockez : audio (fichiers), transcriptions, logs, traces et métriques. ◦ Utilisez un timestamp commun pour synchroniser audio ↔️ transcriptions ↔️ états/événements. ◦ Options courantes : S3/GCS pour audio, une base temps-séries ou Elasticsearch pour métriques/événements, et un stockage relationnel ou NoSQL pour métadonnées. 1. Construire l’interface de visualisation ◦ Fonctionnalités recommandées : lecteur audio, timeline temporelle (superposition des états de l’agent, transcriptions alignées, événements importants), vues de métriques et logs. ◦ Tech stack suggéré : React pour UI, un player HTML5 pour audio, librairies timeline (ex. vis-timeline) pour l’alignement temporel. 1. Export / intégration ◦ Implémentez des hooks pour exporter les sessions vers S3/GCS ou pour intégrer avec vos outils d’observabilité (OpenTelemetry, Grafana, Kibana). Points techniques et bonnes pratiques • Horodatage précis : basez‑vous sur un unique horodatage serveur pour éviter les dérives. • Privacy / conformité : chiffrez l’audio en transit et au repos si vous traitez des données sensibles. • Retention configurable : prévoyez une politique de conservation et un mécanisme d’effacement. • Instrumentation LLM : capturez l’usage de tokens pour suivi de coût et optimisation. Ressources utiles • Le SDK Agents open source (Python/Node.js) pour produire les événements et métriques. • Guides d’observabilité et exemples d’export (LiveKit) pour référence d’implémentation. Pour vous aider mieux (quelques questions rapides) • Voulez‑vous une solution hébergée (backend + stockage) ou une simple interface locale pour inspection manuelle ? • Préférez‑vous un exemple en Python ou en Node.js pour commencer ? • Avez‑vous déjà un stockage (S3, GCS, base de données) que vous souhaitez réutiliser ? Si vous me dites si vous préférez Python ou Node.js et quel type de stockage vous avez, je peux vous fournir un exemple de code minimal qui : 1) écoute les événements

AgentSession

, 2) stocke l’audio/transcriptions + métadonnées, 3) expose une petite API pour la visualisation. Sources: Streamline troubleshooting with Agent Observability | Agent session | LiveKit Documentation | Agents (Node.js) | livekit/livekit_composite | DeepWiki | Where to find your Agent Logs | LiveKit