@damngamerz/pi-otel
为Pi提供注重隐私的OpenTelemetry可观测性与LLM评估
安装使用
复制下面这段提示词发给你的 AI（Claude / Cursor / TRAE / Codex / WorkBuddy 等），它会自动帮你完成安装：
帮我安装这个 AI Skill：@damngamerz/pi-otel。 它的用途是：为Pi提供注重隐私的OpenTelemetry可观测性与LLM评估 完整的 Skill 内容见：https://321skill.com/skills/damngamerz-pi-otel/raw/index.md 请读取该页面内容，如果是 SKILL.md 格式直接安装，如果是 README 提炼核心 prompt 后安装。
提示词包含完整的 Skill 内容链接，AI 读取后即可完成安装。你也可以 查看完整内容 确认无误。
使用示例
“帮我初始化这个Pi Skill的OpenTelemetry监控，并开启对LLM回复延迟和错误率的跟踪。” 它会引导你完成配置，生成初始化代码，并解释每个配置项（如采样率、端点地址）的作用，确保你的监控既全面又符合隐私要求。
介绍
该Skill旨在解决开发者在为Pi（一个AI助手平台）构建应用时，难以在保障用户隐私的前提下，对应用的性能、调用链路以及AI生成内容进行有效观测和评估的问题。它通过集成OpenTelemetry标准，自动收集追踪（traces）和指标（metrics）数据，并可选择性地启用对LLM输出的评估，所有设计均优先考虑隐私保护。
使用方式非常简单，开发者通过npm安装此包，并在自己的Pi Skill代码中引入并初始化即可。配置完成后，运行时产生的遥测数据会被发送到指定的OpenTelemetry收集器，而LLM评估功能则需要明确启用并配置相关参数。
它非常适合那些在Pi平台上开发复杂或对可靠性要求较高应用的开发者，尤其是那些既需要监控应用性能和用户交互流程，又高度重视用户数据隐私、不希望敏感信息泄露的团队或个人。
使用建议是，在开发初期就集成此工具以建立基线数据。注意事项包括：需要自行部署和管理OpenTelemetry后端来接收数据；启用LLM评估可能会增加少量处理开销；务必仔细审查并配置数据过滤规则，确保不向外发送任何个人身份信息（PII）。
核心特点
这是首个专门为Pi平台设计的、原生集成OpenTelemetry的可观测性方案，并且内置了可选的LLM输出评估功能，在工具链层面实现了隐私优先的设计原则。
注意事项
不适合不需要深度监控或评估的简单Pi Skill，也不适合无法自行维护OpenTelemetry收集后端的团队。
常见问题
这个skill会收集我的用户数据吗？
它设计为隐私优先，默认不收集PII，但需要你正确配置数据过滤。
需要自己搭建OpenTelemetry后端吗？
是的，你需要一个OTLP兼容的后端（如Jaeger、Prometheus）来接收数据。
给 AI 助手的安装指引
如果你的 AI 编程助手（Claude Code、Cursor、TRAE 等）能看到这个页面，把下面这段发给它即可自动完成安装：
请访问 https://321skill.com/skills/damngamerz-pi-otel/raw/index.md 读取 @damngamerz/pi-otel 的原始 Skill 定义（Markdown 格式），按其中说明在我的环境里完成安装和配置。
AI 可直接读取的原始 Markdown 地址：/skills/damngamerz-pi-otel/raw/index.md（查看排版版本）