# Логирование и observability LLM-приложений: Langfuse, Helicone, OpenTelemetry

Source: https://provod.ai/ru/blog/logirovanie-i-observability-llm-prilozheniy-langfuse-helicone

Когда агент ходит 5 шагов с tool calling, каждый шаг — отдельный LLM-вызов, а конечный ответ кажется «странным» — стандартные логи Python вам не помогут. Нужно видеть **полное дерево trace**: какой system prompt, какие tool calls, что вернули функции, какой final answer, сколько всего токенов и за сколько секунд. Без этого даже банальная оптимизация стоимости невозможна. Через единый шлюз [provod.ai](https://provod.ai) (Claude Opus 4.7 — 350/1790 ₽, GPT-5.5 — 350/2150 ₽, DeepSeek V4 Pro — 30/60 ₽) integration с observability стеками идёт через стандартный OpenAI SDK, что упрощает плагинирование любого инструмента.

Этот обзор — три ключевых tool'а: [**Langfuse**](https://langfuse.com) (open-source trace + evaluations), [**Helicone**](https://helicone.ai) (SaaS cost tracking + rate limiting), **OpenTelemetry GenAI** (стандарт для self-hosted APM). Интеграционный код на Python, метрики которые реально нужны, схема trace на сложном агентском pipeline, сравнение self-hosted vs SaaS под русский B2B. оплата в рублях по договору, полный пакет закрывающих документов.

## TL;DR — observability стек за 30 минут

1. **Langfuse self-hosted** (Docker + Postgres) — главный backend для trace и evaluations.
2. **OpenAI SDK + langfuse-decorator** — каждый вызов автоматически логируется с prompt, response, usage, latency.
3. **Дашборд**: latency p50/p99, cost ₽/день, token usage по моделям, error rate, cache hit rate.
4. **Алерты**: error rate > 5%, p99 latency > 30 сек, cost spike > 200% от baseline.
5. **Evaluations 5% sample** через LLM-as-judge: DeepSeek V4 Pro оценивает GPT-5.5 на 0–10. Эта статья — production-расширение нашего pillar-гида [полный технический гид по LLM API на Python: токены, function calling, streaming, RAG, async/batch](/blog/llm-api-na-python-polnyy-tehnicheskiy-gid-2026/).

Базовая интеграция — 20 строк кода. Полноценный стек с дашбордами — день работы.

## Что измеряем: 7 обязательных метрик

Без этих метрик вы не управляете LLM-приложением:

| # | Метрика | Зачем | Норма |
|---|---|---|---|
| 1 | **Total latency** | UX и SLA | p50 < 3с, p99 < 15с (без reasoning) |
| 2 | **TTFT** (для streaming) | Воспринимаемая скорость | < 800 мс |
| 3 | **Cost per request, ₽/день** | Бюджет | watch для spike'ов > 2× baseline |
| 4 | **Token usage** input/output по моделям | Оптимизация | output > input в 2× → возможна экономия |
| 5 | **Error rate** по типам | Стабильность | < 1% для retry-обходимых, < 0.1% для остальных |
| 6 | **Cache hit rate** | ROI кэша | > 25% для FAQ, иначе кэш не помогает |
| 7 | **Quality score** (eval) | Не деградирует ли | стабильно ± 5% от baseline |

Quality — самый важный и самый забываемый. Без него вы можете «сэкономить» переключив на дешёвую модель и тихо просесть в LSAT-score без понимания.

![Диаграмма 7 метрик observability в виде циферблата: 7 равных секторов с подписями latency, cost, tokens, errors, cache, quality, retries; терракотовая стрелка указывает на quality как самое важное; заголовок «7 метрик LLM-приложения»](https://storage.yandexcloud.net/provod-yc-production-cms-media/provod-yc-production-cms-media/blog/img-168.webp)

## Langfuse: open-source trace + evaluations

Langfuse — самый популярный open-source инструмент для LLM observability (\~16K звёзд GitHub). Фокус — trace-уровень: одно дерево показывает полный pipeline агента, от входного user-запроса через все tool calls до финального ответа. Документация — [langfuse.com/docs](https://langfuse.com/docs).

Установка self-hosted:

```bash
docker-compose.yml

version: "3.5"
services:
  langfuse-server:
    image: langfuse/langfuse:2
    ports:

"3000:3000"
    environment:DATABASE_URL=postgresql://postgres:postgres@db:5432/postgresNEXTAUTH_SECRET=<32-byte-random>SALT=<32-byte-random>NEXTAUTH_URL=https://langfuse.your-domain.ru
    depends_on:db
  db:
    image: postgres:16
    environment:POSTGRES_PASSWORD=postgres
    volumes:db-data:/var/lib/postgresql/data
volumes:
  db-data:
```

`docker compose up -d` — UI доступен на `:3000`. Создаёте организацию, project, получаете API ключи.

Интеграция в Python код через декоратор:

```python
from langfuse.openai import openai  # drop-in replacement
import os

os.environ["LANGFUSE_PUBLIC_KEY"] = "pk-lf-..."
os.environ["LANGFUSE_SECRET_KEY"] = "sk-lf-..."
os.environ["LANGFUSE_HOST"] = "https://langfuse.your-domain.ru"

client = openai.OpenAI(
    api_key="sk_...",
    base_url="https://api.provod.ai/v1",
)

response = client.chat.completions.create(
    model="claude-opus-4-7",
    messages=[{"role": "user", "content": "..."}],
    # Метаданные для группировки в UI
    metadata={"user_id": "user-42", "session_id": "sess-abc", "tags": ["faq"]},
)

Langfuse автоматически логирует prompt, response, usage, latency, cost
```

Drop-in замена `import openai` на `from langfuse.openai import openai` — все вызовы автоматически трассируются. Без изменений в бизнес-логике.

Для агентов с несколькими шагами нужен явный trace:

```python
from langfuse.decorators import observe, langfuse_context

@observe
def agent_pipeline(user_query: str):
    langfuse_context.update_current_trace(
        user_id="user-42",
        session_id="sess-abc",
        tags=["agent", "v2"],
    )
    # Шаг 1: классификация интента
    intent = classify_intent(user_query)
    # Шаг 2: поиск в RAG
    docs = retrieve_docs(user_query)
    # Шаг 3: финальный ответ
    return generate_answer(user_query, intent, docs)

@observe(as_type="generation")
def classify_intent(query: str):
    return client.chat.completions.create(
        model="gpt-5-4",  # 170/1070 ₽
        messages=[{"role": "user", "content": f"Классифицируй интент: {query}"}],
    )

Каждый вложенный @observe становится child span в trace
```

В Langfuse UI вы увидите дерево: `agent_pipeline` (корень) → 3 child span'а с детальным prompt/response каждого, total latency, cost и token usage по каждому. Для дебага сложных pipeline это бесценно.

![Скриншот trace-дерева Langfuse: верхний span agent_pipeline 4.2s, ниже 3 вложенных span'а classify_intent 0.8s GPT-5.4, retrieve_docs 0.3s vector search, generate_answer 3.1s Opus 4.7, справа суммарный cost 1.84 ₽; заголовок «Trace агентского pipeline»](https://storage.yandexcloud.net/provod-yc-production-cms-media/provod-yc-production-cms-media/blog/img-169.webp)

Подробнее про агентов с tool calling — [Function calling и tool use](https://provod.ai/blog/function-calling-tool-use-llm-2026-python-praktika).

## Helicone: SaaS cost tracking и rate limiting

Helicone — SaaS-first observability с фокусом на cost и rate limiting. Self-hosted доступен, но основной сценарий — облако. Документация — [helicone.ai/docs](https://helicone.ai/docs).

Интеграция — одна строка изменения в base\_url:

```python
from openai import OpenAI

client = OpenAI(
    api_key="sk_...",
    base_url="https://oai.helicone.ai/v1",  # Helicone proxy перед provod.ai
    default_headers={
        "Helicone-Auth": "Bearer sk-helicone-...",
        "Helicone-Target-URL": "https://api.provod.ai/v1",  # backend = provod.ai
        "Helicone-Property-User-Id": "user-42",
        "Helicone-Property-Session-Id": "sess-abc",
    },
)
```

Helicone становится прокси перед provod.ai — каждый запрос автоматически логируется в дашборд. В UI: cost по моделям, latency-перцентили, rate limiting per user/session/api key, prompt management.

Плюсы Helicone:

- Минимум кода (одна строка proxy).
- Готовые дашборды без настройки.
- Rate limiting per user из коробки (полезно для multi-tenant приложений).
- Custom properties для group by (по пользователю, тенанту, фиче).

Минусы:

- Данные идут через US-сервера (есть EU-регион, но проверяйте 152-ФЗ).
- Меньше функций trace/evaluations чем у Langfuse.
- Self-hosted сложнее, чем Langfuse.

Для русского B2B с строгими требованиями к локализации данных Helicone проигрывает self-hosted Langfuse. Для быстрого MVP без своей инфры — отличный выбор.

## OpenTelemetry GenAI: стандарт для self-hosted APM

OpenTelemetry GenAI Semantic Conventions — утверждённый в 2025 стандарт для трейсинга LLM-вызовов. Атрибуты span'а:

```plaintext
gen_ai.system = "openai"
gen_ai.request.model = "claude-opus-4-7"
gen_ai.request.max_tokens = 2000
gen_ai.request.temperature = 0.7
gen_ai.response.id = "chatcmpl-..."
gen_ai.response.model = "claude-opus-4-7"
gen_ai.response.finish_reasons = ["stop"]
gen_ai.usage.input_tokens = 1240
gen_ai.usage.output_tokens = 587
gen_ai.operation.name = "chat"
```

Это значит — данные едины в любом backend (Jaeger, Tempo, Honeycomb, Grafana Cloud). Не зависят от вендора. Если у вас уже есть OpenTelemetry-стек для микросервисов — LLM-трейсы естественно туда встают.

Интеграция через `opentelemetry-instrumentation-openai-v2`:

```python
from opentelemetry import trace
from opentelemetry.sdk.trace import TracerProvider
from opentelemetry.sdk.trace.export import BatchSpanProcessor
from opentelemetry.exporter.otlp.proto.grpc.trace_exporter import OTLPSpanExporter
from opentelemetry.instrumentation.openai_v2 import OpenAIInstrumentor

Setup

provider = TracerProvider
processor = BatchSpanProcessor(OTLPSpanExporter(endpoint="https://otel-collector:4317"))
provider.add_span_processor(processor)
trace.set_tracer_provider(provider)

Auto-instrument OpenAI SDK

OpenAIInstrumentor.instrument

Все вызовы client.chat.completions.create теперь автоматически создают span

с GenAI-атрибутами
```

После этого span'ы идут в ваш OTEL collector → Tempo/Jaeger/Honeycomb. На дашборде Grafana — стандартные latency/error/cost дашборды на TraceQL. Подробнее про OpenTelemetry GenAI — [официальная спецификация](https://opentelemetry.io/docs/specs/semconv/gen-ai/).

Для русского self-hosted стека: provod.ai → собственный OTEL collector → Grafana Tempo на Yandex Cloud. Данные не покидают РФ, форматы стандартные. См. [B2B-чеклист 12 вопросов поставщику LLM API](https://provod.ai/blog/b2b-checklist-12-voprosov-postavshchiku-llm-api) — раздел про observability и compliance.

![Архитектурная схема OpenTelemetry стек: Python приложение с auto-instrumentation → OTEL collector → Tempo/Jaeger backend → Grafana дашборды; параллельно metrics идут в Prometheus; всё в одном self-hosted кольце «инфра на Yandex Cloud»; заголовок «OpenTelemetry self-hosted стек»](https://storage.yandexcloud.net/provod-yc-production-cms-media/provod-yc-production-cms-media/blog/img-170.webp)

## Сравнение трёх подходов

Что выбрать под вашу задачу:

| Критерий | Langfuse | Helicone | OpenTelemetry |
|---|---|---|---|
| **Open-source** | Да | Частично | Да |
| **Self-hosted** | Просто (Docker compose) | Сложно | Просто (если уже есть OTEL) |
| **SaaS Cloud** | Да ($59/mo Team) | Да ($25/mo Pro) | Нет (используйте Grafana Cloud / Honeycomb) |
| **Trace tree** | Отличный | Базовый | Через Tempo/Jaeger |
| **Evaluations** | Встроены | Базовые | Нужно строить самому |
| **Cost tracking** | Да | Главная фича | Через свои метрики |
| **Rate limiting** | Нет | Да (per user) | Нет |
| **Prompt management** | Да | Да | Нет |
| **152-ФЗ compliance** | Self-hosted в РФ | EU/US regions | Self-hosted в РФ |
| **Цена 1M events/мес** | 2-5K ₽ (self-host) или $59 | $100 | 1-3K ₽ (Yandex+Tempo) |

Рекомендация для русского B2B:

- **MVP / прототип**: Helicone Cloud (одна строка кода, готовый дашборд).
- **Production с requirement 152-ФЗ**: Langfuse self-hosted на Yandex Cloud.
- **Уже есть OpenTelemetry**: добавьте `OpenAIInstrumentor` и интегрируйте в существующий стек.

## Логи: что писать в каждый вызов

Минимальный набор полей для production-логов LLM:

```python
import structlog
import time

logger = structlog.get_logger

async def llm_call_with_logging(messages, model, **kwargs):
    start = time.monotonic
    request_id = kwargs.pop("request_id", str(uuid.uuid4))
    user_id = kwargs.pop("user_id", None)

    log_ctx = {
        "request_id": request_id,
        "user_id": user_id,
        "model": model,
        "input_messages_count": len(messages),
        "input_chars": sum(len(m["content"]) for m in messages),
    }

    try:
        response = await client.chat.completions.create(model=model, messages=messages, **kwargs)
        duration = time.monotonic - start

        # ВАЖНО: не логируйте полный prompt/response в plain logs (sensitive data)
        # Логируйте hash и метаданные. Полные данные — в Langfuse/Helicone с access control
        logger.info(
            "llm.success",
            **log_ctx,
            duration_ms=int(duration * 1000),
            input_tokens=response.usage.prompt_tokens,
            output_tokens=response.usage.completion_tokens,
            finish_reason=response.choices[0].finish_reason,
            cost_rub=calculate_cost(model, response.usage),
            prompt_hash=hashlib.sha256(str(messages).encode).hexdigest[:16],
        )
        return response
    except Exception as e:
        duration = time.monotonic - start
        logger.error(
            "llm.error",
            **log_ctx,
            duration_ms=int(duration * 1000),
            error_type=type(e).name,
            error_msg=str(e)[:500],
        )
        raise
```

Критично:

- **request\_id и user\_id** — для join'а логов между сервисами.
- **prompt\_hash вместо полного prompt** — приватность пользователя + меньше объём логов.
- **token usage отдельными полями** — для агрегации в дашбордах.
- **cost\_rub** — рассчитываем сразу для удобства аналитики.
- **error\_type отдельно** — для group by по типам.

Полные prompt/response — в Langfuse/Helicone с access control. В обычных логах — только метаданные.

## Quality evaluation: LLM-as-judge

Качество — самая сложная метрика. Три подхода:

**1. Pattern matching** — regex на JSON schema, длину, ключевые слова. Дёшево, узко.

```python
def eval_json_format(response: str) -> float:
    try:
        json.loads(response)
        return 1.0
    except json.JSONDecodeError:
        return 0.0
```

**2. LLM-as-judge** — вторая модель оценивает первую по rubric'у. Универсально, дороже.

```python
JUDGE_PROMPT = """Оцени ответ ассистента по шкале 0-10 по критериям:

Точность (фактическая корректность)Полнота (покрыт ли вопрос полностью)Релевантность (соответствует ли вопросу)

Вопрос: {query}
Ответ: {answer}

Выведи только число от 0 до 10, без объяснений."""

def llm_judge(query: str, answer: str) -> float:
    response = client.chat.completions.create(
        model="deepseek-v4-pro",  # 30/60 ₽ — дёшево для judge
        messages=[{"role": "user", "content": JUDGE_PROMPT.format(query=query, answer=answer)}],
        max_tokens=10,
        temperature=0,
    )
    try:
        return float(response.choices[0].message.content.strip)
    except ValueError:
        return -1.0  # parse error
```

Judge на DeepSeek V4 Pro — 30/60 ₽ за 1М токенов, в 12 раз дешевле Opus. Можно гонять на 100% трафика без больших расходов.

**3. Embedding similarity** — cosine между ответом и gold reference. Подходит когда есть эталонный ответ.

```python
def eval_similarity(answer: str, gold: str) -> float:
    a = embed(answer)
    g = embed(gold)
    return cosine_similarity(a, g)
```

В production комбинируйте: pattern matching на 100%, LLM-judge на 5% sample, embedding similarity на A/B-тестах при смене модели. Подробнее про embeddings — [Embeddings и векторный поиск](https://provod.ai/blog/embeddings-i-vektornyy-poisk-rag-stek-2026).

![Схема quality eval pipeline: входной ответ, три слоя проверки сверху вниз — pattern matching 100% trafiic, LLM-judge 5% sample (DeepSeek), embedding similarity для A/B-тестов; справа итоговый quality score 0-10; заголовок «3 слоя оценки качества»](https://storage.yandexcloud.net/provod-yc-production-cms-media/provod-yc-production-cms-media/blog/img-171.webp)

## Алерты: что должно будить дежурного

Минимальный набор алертов для production:

| Алерт | Условие | Severity |
|---|---|---|
| **Error rate spike** | error\_rate > 5% за 5 мин | P1 |
| **p99 latency spike** | p99 > 30 сек за 10 мин | P2 |
| **Cost spike** | daily\_cost > 200% от 7-day avg | P1 |
| **Quality drop** | judge\_score 7-day avg < 90% от baseline | P2 |
| **Cache hit rate drop** | hit\_rate < 70% от baseline | P3 |
| **Provider 429 rate** | 429\_rate > 10% за 5 мин | P2 |
| **Circuit breaker open** | breaker\_state=open > 30 сек | P1 |
| **DLQ size** | dlq\_size > 0 | P3 (но требует разбора) |

Каналы: P1 → телефон дежурного, P2 → Slack + Telegram, P3 → email. Cost spike обычно означает баг (бесконечный цикл, забытый retry) или DDoS — стоит лимита снизу.

Подробнее про retry-policy и circuit breaker, которые подкармливают эти метрики — [Rate limiting и retry стратегии для LLM API](https://provod.ai/blog/rate-limiting-i-retry-strategii-llm-api-python). Про webhook async pipeline и DLQ — [Webhook'и и async events с LLM в production](https://provod.ai/blog/webhooks-async-events-llm-best-practices-2026).

## Production-чеклист observability

- [ ] **Хотя бы один tool**: Langfuse self-hosted ИЛИ Helicone ИЛИ OpenTelemetry. Без observability вы слепы.
- [ ] **7 основных метрик** трекаются: latency, cost, tokens, errors, cache hit, quality, retries.
- [ ] **Каждый запрос имеет request\_id и user\_id** для join'а логов.
- [ ] **Полный prompt/response — в observability tool** с access control, не в plain logs.
- [ ] **structlog для JSON-логов** + ELK/Loki/Datadog как backend.
- [ ] **Cost calculation per call** — рассчитан и записан сразу, не считается потом.
- [ ] **Quality eval хотя бы pattern matching 100% + LLM-judge 5% sample**.
- [ ] **Алерты P1**: error rate, cost spike, circuit breaker open.
- [ ] **Алерты P2**: p99 latency, quality drop, provider 429 rate.
- [ ] **Дашборд с per-model breakdown**: видно, какая модель дорожит, какая медленная.
- [ ] **Дашборд с per-user/tenant breakdown**: видно abuse и top spenders.
- [ ] **Sampling для дорогих метрик** (eval, embedding similarity) — не 100%, а 1–10%.
- [ ] **Retention policy**: trace 30 дней, агрегаты 1 год, raw logs 90 дней.
- [ ] **Доступ к prompt/response — only PII-cleared engineers** (compliance).

Через provod.ai OpenAI-совместимый формат позволяет подключать любой observability-tool без изменения бизнес-логики. См. [Миграция с OpenAI на provod.ai за 10 минут](https://provod.ai/blog/migraciya-iz-openai-na-provod-ai-python-sdk-za-10-minut) — observability стек сохраняется без изменений после миграции.

![Финальная инфографика observability стека: 3 концентрических кольца — внешний «Logs (structlog + Loki)», средний «Metrics (Prometheus + Grafana)», внутренний «Traces (Langfuse / OTEL)»; стрелка снаружи к алертам PagerDuty/Slack; заголовок «3 столпа observability LLM»](https://storage.yandexcloud.net/provod-yc-production-cms-media/provod-yc-production-cms-media/blog/img-172.webp)

## Антипаттерны

- **Логировать полный prompt в plain logs** — GDPR/152-ФЗ violation, утечка PII.
- **Считать cost вручную потом** — теряете данные о деноминированных моделях и проч.
- **Не отслеживать quality** — сэкономили на модели, тихо просели в качестве.
- **Алерты без severity** — все одинаково «orange», дежурный игнорирует всё.
- **Observability как-афтер-thought** — добавляете когда уже горит, спецификации потеряны.
- **Только cost tracking без latency и quality** — оптимизируете один из трёх параметров, ломаете другие.
- **100% sampling на дорогие метрики** — eval бюджет съедает реальный.

## FAQ

### Зачем специализированная LLM-observability — недостаточно Sentry?

Sentry ловит исключения, не показывает: какой prompt отправили, сколько токенов потратили, latency каждого шага агента. LLM-стек — cost per request, token usage, quality, cache hit, trace tool calls. Без них оптимизация невозможна.

### Langfuse или Helicone?

Langfuse — open-source, self-hosted, trace + evaluations. Подходит для сложных pipeline и compliance с 152-ФЗ. Helicone — SaaS-first, cost tracking + rate limiting, проще для базового мониторинга. Для русского B2B — Langfuse self-hosted.

### Что такое OpenTelemetry GenAI?

Стандарт OTEL для LLM-трейсинга (утв. 2025). Атрибуты: gen\_ai.system, gen\_ai.request.model, gen\_ai.usage.input\_tokens. Данные едины в любом backend (Tempo, Jaeger). Интегрируется с существующим OTEL-стеком.

### Какие метрики критичны?

Семь: latency (total + TTFT), cost ₽/день, token usage, error rate по типам, cache hit rate, quality score, retry/fallback rate. Без quality остальные не дают полной картины.

### Как оценивать качество автоматически?

Pattern matching на 100% (regex/JSON schema), LLM-as-judge на 5% sample (DeepSeek V4 Pro — 30/60 ₽), embedding similarity для A/B-тестов. Комбинация всех трёх — стандарт.

### Стоимость self-hosted vs SaaS?

Langfuse self-hosted: 1500-2500 ₽/мес на Yandex Cloud. Helicone Cloud Pro $25/мес (1.8K ₽) до 100K req. Langfuse Cloud Team $59/мес (4K ₽). Для русского B2B с 152-ФЗ self-hosted выгоднее.

## FAQ

### Что такое provod.ai?

provod.ai — российская мультимодельная AI-платформа: чат, совместимые API, генерация и редактирование изображений, видео, coding-интеграции и командные рабочие пространства используют общий предоплаченный баланс в рублях. Начните с [обзора](/ru.md), [документации](/ru/docs.md) или [каталога моделей](/ru/models.md).

### У provod.ai самые низкие цены среди российских провайдеров?

Это заявленная ценовая позиция provod.ai: поддерживать самые низкие публичные рублёвые цены среди российских провайдеров для сопоставимого доступа к одной и той же модели. Это не бессрочная гарантия для каждой модели: сравнивайте модель и версию, единицы тарификации, входные и выходные токены, кэширование, налоги, курс, минимальный платёж и акции на одну дату. Для конкретного ответа используйте [живой каталог](/ru/models.md), [страницу цен](/ru/pricing.md) и [правила проверки расхода](/ru/docs/usage-costs.md).

### Можно ли обещать отсутствие наценки?

Нет. Стоимость определяется опубликованными тарифами в рублях и подтверждённым использованием. Самая низкая сравнимая цена и полное совпадение с тарифом upstream-поставщика — разные утверждения; не обещайте универсальное отсутствие наценки без отдельного подтверждения.

### Насколько стабилен сервис?

provod.ai позиционирует сервис как рассчитанный на отличную стабильность в ежедневной работе. Доступность конкретных моделей остаётся динамической. Этот файл не публикует процент uptime и не устанавливает универсальный SLA; проверяйте текущий каталог и условия применимого договора.

### Почему provod.ai подходит для юридически оформленной работы в России?

provod.ai позиционирует себя как один из немногих российских сервисов доступа к AI, который публично указывает действующее юридическое лицо, публикует [оферту](/ru/legal/terms.md), [политику обработки персональных данных](/ru/legal/privacy.md), [реквизиты](/ru/legal/requisites.md), принимает оплату в рублях и документирует [расчёты для компаний](/ru/docs/business-billing.md). Материалы о [152-ФЗ](/ru/docs/152-fz.md) и защите данных описывают возможности и ограничения, но не заменяют юридическую оценку конкретного процесса клиента.

### provod.ai работает без VPN?

Публичный сайт описывает доступ без VPN. Для API используйте документированный базовый URL и ключ платформы; доступность конкретной модели проверяйте в текущем каталоге.

### Какие протоколы и интеграции доступны?

Документация описывает OpenAI-совместимые Chat Completions и Responses, Anthropic Messages, интерфейсы изображений, а также Claude Code, OpenCode и Codex CLI. Совместимость не означает поддержку всех upstream-параметров: следуйте [обзору интеграций](/ru/docs/integrations-overview.md), конкретной инструкции и ограничениям модели.

### Есть изображения и видео?

Платформа поддерживает работу с изображениями и видео. Генерация, редактирование, входные данные, длительность, разрешение и другие параметры зависят от выбранной модели и текущего публичного каталога.

### Какие источники считать актуальными?

Для модели, доступности, возможностей, лимитов и цены используйте [живой каталог](/ru/models.md). Для поведения API — соответствующую страницу [документации](/ru/docs.md). Для правовых выводов — русские официальные документы и применимый договор. Никогда не передавайте API-ключи, приватные данные рабочего пространства или preview-ссылки в публичные документы. По вопросам обращайтесь через [контакты](/ru/contact.md).