Keywords AI（当前运营品牌 Respan）是面向 AI 工程团队的 LLM 平台，把生产链路追踪、监控指标、在线/离线评测、Prompt 版本管理和统一 LLM Gateway 放到同一工作流中，适合需要治理成本、质量和模型路由的团队。

Keywords AI 工具正文

Keywords AI 的核心参数与统计

Keywords AI 当前对外运营品牌为 Respan。官方品牌页说明其法律实体是 Keywords AI, Inc.，品牌与产品统一使用 Respan；因此本工具条目保留历史工具名 Keywords AI，同时在正文中使用 Keywords AI（Respan）指代当前产品。官网结构化数据把产品描述为统一 LLM observability、evals、prompt optimization 与 LLM gateway 的 AI 工程平台，文档页进一步把核心数据结构定义为 span。

项目	当前公开信息
产品定位	面向 LLM 与 Agent 产品的 AI engineering platform
核心数据结构	span，保存输入、输出、模型、指标和 metadata
主要工作流	Trace & monitor、Evaluate & optimize、Prompt & gateway、Iterate
Gateway 覆盖	官方文档标注支持 250+ models
集成生态	changelog 标注 95+ integrations overview
SDK 与接入	Python SDK、TypeScript SDK、API、OTLP/JSON ingestion、框架集成
公司与品牌	法律实体 Keywords AI, Inc.，运营品牌 Respan
创始信息	官方结构化数据列出 foundingDate 2024、founder Hendrix Liu
平台入口	Web 控制台与 API

边界定位：Keywords AI（Respan）不是单纯的聊天机器人或 Prompt 生成器，而是把 LLM 调用的路由、日志、评测和 Prompt 部署放进同一工程闭环。它更适合已经在生产中运行 LLM/Agent 流量的团队；只有少量手工 Prompt 实验的个人用户，通常难以马上用满它的监控和评测能力。

Keywords AI 的用户与市场认可

YC 背书：Y Combinator 公司页收录 Respan，并与官方站点、品牌页的公司信息互相印证。对采购或技术评估来说，这类公开公司页的价值不在于证明产品效果，而在于确认团队身份、公司存在和外部加速器背景。

工程团队导向：官方文档直接写明目标是 teams shipping LLM and agent products，并把 developers 和 PMs 放在同一套工作流里。这意味着它的核心用户不是单个 Prompt 作者，而是需要共同管理质量、成本、版本和上线风险的产品工程团队。

生态认可信号：2026-03-26 changelog 公开 95+ integrations overview，覆盖 Agent Frameworks、LLM SDKs、Coding Agents、Vector Databases 和 Model Providers。这个数字说明它已经从单一日志工具扩展到较完整的 AI 工程接入层，但企业客户数、付费客户数和营收规模未公开，不能据此推断商业渗透率。

Keywords AI 的成本优势：用一套 span 数据串起监控、评测与网关

Keywords AI（Respan）的成本优势不在“最低单价”，而在减少多套工具之间的数据搬运。span 同时承载输入、输出、模型、指标和 metadata 后，监控、评测、Prompt 版本和 Gateway 路由可以复用同一份生产数据，降低工程团队为日志、评测集、告警和部署各自建表的维护成本。

C 端 / 个人：Pricing 页标题与描述显示支持从免费方案开始，但个人用户如果没有真实 LLM 流量、数据集或 Agent trace，主要只能体验控制台、Prompt 与少量调用日志，收益边界较窄。免费额度、具体限制和超额计费以官方实时页面为准。

开发者 / API：Gateway 支持通过一个 API 路由 250+ 模型，并提供 fallbacks、retries、load balancing 和 caching。开发成本主要来自接入 SDK、替换 base URL、设置 metadata、维护评测器和处理额外网关延迟；文档明确提示 Gateway 会增加约 50-150ms 延迟，对极低延迟链路需要单独评估。

企业 / 私有化：Enterprise、Book a demo、support 和合规页面显示其面向企业采购，但企业条款、SSO、审计、数据保留、HIPAA BAA、区域托管等细节需要商务确认。对企业而言，隐性成本通常集中在数据治理、模型供应商账单归集、上线审批和评测标准制定，而不是单一平台订阅费。

Keywords AI 的主要功能

• LLM Observability：通过 traces、spans、threads 和 scores 展示 Agent 执行树、模型调用、输入输出、延迟、成本、token、错误率等指标，适合排查生产中的质量波动和异常调用。
• Monitoring Views 与 Alerts：文档说明 dashboard 可展示 requests、tokens、latency、cost、error rates，并支持保存 Views 与设置 Slack/Email monitors，用于把日常排障从手工查日志转为可订阅的监控视图。
• Online / Offline Evals：评测支持在线生产流量和离线测试集两种模式，可用 LLM judge、代码检查或人工评审生成 scores，适合比较 prompt 版本、模型和配置组合。
• Prompt Management：支持带 {{variables}} 的模板、commit versions、playground 测试和无代码变更部署，适合把 Prompt 从代码仓库里拆出来交给产品和工程共同维护。
• LLM Gateway：通过单一 API 接入多模型，并提供自动日志、fallbacks、retries、load balancing 与 caching，适合多模型路由、供应商切换和成本/稳定性治理。
• Framework 与 SDK 接入：官方文档列出 OpenAI Agents SDK、Vercel AI、Mastra、LangGraph 等框架集成，并提供 Python、TypeScript SDK 与手动 ingestion 路径，适合从已有代码渐进接入。

这些功能的共同点是围绕“生产数据回流”。如果团队只是离线比较几个 Prompt，单独的表格或 notebook 已经足够；当 Prompt 版本、线上表现、模型成本和用户反馈需要闭环时，Keywords AI（Respan）的平台价值才会更明显。

Keywords AI 的模型与版本演进

Keywords AI（Respan）是持续迭代的云端产品，没有传统桌面软件式的语义化大版本号。当前可核验的版本脉络主要来自官方 changelog 与品牌页。

主线发布

• 2026-06-14 / Prompt bulk updates：最新公开 changelog 节点，新增 Prompt 批量更新，支持同时编辑多个 Prompt，并带有模型配置和 commit message 支持；同时改进 Prompt 与 Playground 数据加载性能。
• 2026-03-26 / Respan CLI 与 95+ integrations overview：公开 @respan/cli v0.6.0、respan integrate，并上线覆盖 Agent Frameworks、LLM SDKs、Coding Agents、Vector Databases 和 Model Providers 的集成概览。
• 2026-03-13 / OpenAI SDK TypeScript integration：新增 OpenAI SDK TypeScript 自动 instrumentation，覆盖 streaming、tool calls、multi-turn、structured output 和 batch API 示例。
• 2026-03-06 / Unified Python & TypeScript SDKs：公开统一的 Python 与 TypeScript SDK，以及 Pydantic AI 集成，说明产品开始更系统地面向 Agent 框架追踪。

品牌与产品线

品牌关系：品牌页明确写明法律实体为 Keywords AI, Inc.，运营品牌为 Respan。对外展示、文档、控制台和品牌素材均以 Respan 为主；在工具目录中继续使用 Keywords AI，是为了承接历史名称和用户搜索习惯。

产品线变化：官网顶部 banner 显示 Introducing Respan Gateway，首页主标题强调 Route、observe、evaluate every LLM call，说明产品已经从“LLM 监控/评测”扩展到“网关 + 可观测 + 评测 + Prompt 管理”的完整 LLMOps 工作流。

Keywords AI 的技术优势

span 统一数据模型：所有 LLM 交互都以 span 存储，包含 input、output、model、metrics 和 metadata。机制上的收益是 traces、threads、scores、dashboard、evals 和 prompt/gateway 数据可以对齐，减少“监控一套 ID、评测一套 ID、Prompt 版本又一套 ID”的断裂；适用于 Agent workflow 较长、工具调用较多的产品。

生产数据驱动评测：文档说明 datasets 可以从 production spans 或 CSV imports 构建，online evals 可以在 live production traffic 上运行。这样评测不只停留在静态样例集，而能把真实用户流量纳入回归检查；代价是团队需要先定义可解释的 evaluator 和人工复核流程。

Gateway 与观测联动：Gateway 流量会自动记录并回流到 tracing，Prompt variables 也能出现在 spans 中。机制上的效果是“模型路由/重试/缓存”的工程动作可以和“成本/延迟/输出质量”的观测结果放在一起看，适合多模型供应商并行使用的团队。

多入口接入：SDK、framework integrations、OTLP、JSON API 与 Gateway 并存，让团队可以按风险拆分接入路径：低侵入可先接 trace；需要统一路由时再切 gateway；已有复杂 Agent 框架时用对应 instrumentation。这个优势的边界是：接入越深，治理责任越高，metadata 规范和权限模型必须同步设计。

如何使用 Keywords AI

Keywords AI（Respan）的典型落地路径是先建立可观测数据，再用评测和 Prompt/Gateway 闭环优化。

入口	适合场景	关键动作
Web 控制台	查看 traces、metrics、views、evals、prompts	创建账户、生成 API key、查看 dashboard
SDK / Framework integrations	已有 LLM 或 Agent 应用	安装 Python/TypeScript SDK，接入 OpenAI Agents SDK、Vercel AI、Mastra、LangGraph 等
Manual ingestion	已有日志系统或自定义链路	通过 OTLP 或 JSON API 发送 traces / spans
LLM Gateway	需要多模型路由与自动日志	替换 base URL，配置模型、fallback、retry、load balancing、caching
Prompt management	Prompt 需要版本化和无代码部署	创建模板、提交版本、在 playground 测试并上线

推荐顺序：先用 tracing 捕获一条真实业务链路，确认 input/output、latency、cost、metadata 能被完整记录；再从生产 spans 抽样形成 dataset，加入 LLM judge、代码检查或人工评审；最后把稳定 Prompt 版本与 Gateway 路由纳入部署。这样可以避免在还没有数据基线时就过早讨论模型路由策略。

Keywords AI 的产品定价

Pricing 页公开展示 Free、Pro、Enterprise 的分层，并在页面描述中强调可从免费方案开始、在需要 dedicated support 时升级。公开页面未稳定给出全部企业合同条款，具体额度、席位、用量、保留期限和支持等级应以官方实时 Pricing 与商务确认为准。

层级	公开定位	成本关注点
Free	用于开始接入与验证	免费额度、调用量、团队成员、数据保留期限以实时页面为准
Pro	面向增长中的产品/工程团队	关注 spans / traces / evals 用量、成员权限、告警和 Prompt/Gateway 功能边界
Enterprise	面向规模化与合规团队	需要确认 SSO、审计、数据保留、HIPAA BAA、支持 SLA、区域与合同条款
LLM 供应商费用	不等同于平台订阅	OpenAI、Anthropic、Google、Azure 等模型调用费用仍需单独核算

成本核算方式：评估总成本时，应把平台订阅、模型调用费、额外 Gateway 延迟、日志保留、评测器调用费和人工评审时间一起计算。尤其是 online evals 和 LLM judge 会新增模型调用，若没有采样策略，评测成本可能随生产流量快速增长。

Keywords AI 的应用场景

• AI 客服与智能助手监控：对多轮会话、工具调用和回复质量做 trace，结合用户维度 metrics 与 alerts 发现成本异常、延迟上升或回复失败。
• Agent 工作流排障：把 Agent step、tool call、LLM call 按父子 span 展示，适合定位哪一步工具调用超时、哪一个子任务造成错误输出。
• Prompt 版本迭代：产品经理和工程师通过 Prompt templates、commit versions、playground 和 experiments 比较版本差异，减少上线后才发现质量回退的风险。
• 多模型路由与供应商治理：通过 Gateway 管理 250+ 模型的调用入口，在不同供应商之间设置 fallback、retry、load balancing 和 caching，适合希望降低单一模型依赖的团队。
• 合规敏感行业的 AI 应用：官网展示 GDPR 与 HIPAA 相关合规说明，并提到 healthcare organizations 可使用 Business Associate Agreement；医疗、金融等行业仍需按自身合规流程复核数据处理条款。

这些场景都依赖“线上数据足够完整”。如果没有稳定的 metadata、customer_identifier、Prompt 版本和业务标签，平台能记录调用，但很难形成可解释的质量和成本分析。

Keywords AI 的适用人群

• AI 产品工程团队：已经有 LLM/Agent 流量，需要把调用、成本、延迟、错误、质量评测和 Prompt 发布统一治理。
• 平台与基础设施团队：希望用 Gateway 管理多模型供应商、fallback、retry、缓存和路由策略，同时保留统一观测面。
• 产品经理与 Prompt 负责人：需要在不频繁改代码的情况下管理 Prompt 模板、版本、实验和上线。
• 质量与合规团队：需要对输出质量、人工评审、评测分数、数据保留和告警链路形成可审计记录。

不适配边界也很明确：只做一次性 Prompt 测试、没有生产调用、没有工程接入能力、或对新增 50-150ms Gateway 延迟无法接受的低延迟链路，通常不适合作为首选。此类场景更适合先用轻量日志、离线评测表或直接 SDK tracing，等业务进入持续迭代阶段再引入完整平台。

Keywords AI 的总结与展望

Keywords AI（Respan）的核心竞争力在于把 LLM 调用生命周期拆成一个闭环：生产 trace 记录事实，monitoring 发现成本和稳定性问题，evals 衡量输出质量，prompt management 管理版本，gateway 负责多模型路由与部署回流。与只做可观测或只做 Prompt 管理的工具相比，它更像 AI 产品的工程控制面。

当前限制主要有三类：第一，品牌已从 Keywords AI 转向 Respan，历史名称与当前官网之间需要在内部知识库中统一映射；第二，企业级价格、用量上限、数据保留和 SLA 未完全公开，需要商务确认；第三，Gateway 的额外 50-150ms 延迟和 LLM judge 评测成本，会影响高吞吐、低延迟或成本敏感业务。

后续值得观察的方向包括：Respan Gateway 的模型覆盖是否继续扩大，online evals 是否沉淀出更标准的评测模板，95+ integrations 是否持续增加主流 Agent 框架与向量数据库适配。落地时更稳妥的方式是先选一条有代表性的 LLM 业务链路做小范围试点，用一周到两周验证 trace 完整率、关键指标覆盖、评测成本和告警有效性，再决定是否扩大到企业级 Prompt 与 Gateway 治理。

版本信息

• Prompt bulk updates ：官方 changelog 的最新公开节点，新增 Prompt 批量更新，并改进 Prompt 与 Playground 的加载性能。 （2026-06-14）
• Respan CLI and integrations overview ：官方 changelog 公开 Respan CLI、95+ integrations overview，并覆盖 Agent Frameworks、LLM SDKs、Coding Agents、Vector Databases 与 Model Providers 等集成分类。 （2026-03-26）
• Unified Python and TypeScript SDKs ：官方 changelog 公开统一 Python 与 TypeScript SDK，并加入 Pydantic AI 集成，用于追踪 Agent 运行。 （2026-03-06）