Replay 公司发布基于 Chromium 和 Node.js 的时间旅行调试技术,旨在通过高保真可观测性数据为 AI 编码代理提供上下文。该方案试图解决代理在缺乏运行时真实行为信息时产生的幻觉与错误,从而实现 Web 应用 Bug 的自动化检测与修复。目前该技术已支持 API 集成,处于早期推广阶段。
可观测性
Observability
通过外部输出推断系统内部状态的能力
收录情报动态
来自 Partnership on AI 的专家撰文指出,当前 AI 智能体在金融、医疗等关键领域部署时缺乏有效的实时监控手段,导致“盲飞”风险。文章强调必须建立具备可观测性的监控体系,以追踪智能体的具体行为及其决策逻辑,从而防止未经授权的操作和潜在的安全灾难。
OpenTelemetry 将 Kubernetes Attribute Processor 提升至 v1.0.0 稳定版本,标志着其在日志、指标和追踪的元数据注入方面达到生产就绪标准。该更新强制依赖 Semantic Conventions v1.42.0,并提供了 API 稳定性保障,但并非完全向后兼容。此举旨在增强可观测性管道中 Kubernetes 遥测数据的可预测性与跨后端可移植性。
Snowflake Observe 即将推出原生集成的 Agent Observability 功能,旨在解决 AI 智能体多步骤工作流中的遥测数据爆炸、Token 成本不可控及响应质量难归因问题。该工具支持全链路埋点,将 Token 消耗、具体执行环节(如提示/工具调用)与业务结果精准关联,帮助团队在保留完整调查数据的同时优化 ROI。目前处于私有预览阶段。
亚马逊云科技发布 CloudWatch Omni,专为解决 AI 智能体非确定性行为下的监控难题而设计。该平台通过端到端追踪捕获执行路径,并集成 Braintrust、Ragas 等第三方评估器,对正确性、检索效果及工具选择进行量化分析,替代传统仅关注延迟和错误率的指标监控。它兼容 LangChain、CrewAI 等主流框架及 OpenInference/ADOT 开放标准,帮助工程师快速定位提示词变化或逻辑缺陷导致的性能回归。
法国电信巨头 Orange Business 在其 B2B 旗舰 AI 平台 Live Intelligence 中集成 LangChain 和 LangSmith,以解决从零构建企业级智能体编排、监控及治理基础设施的高成本问题。该方案旨在支持跨碎片化企业系统的业务流程自动化,并已在内部 12 万员工及外部 150+ 客户中部署。
微软 CEO 萨蒂亚·纳德拉发文指出,随着智能体系统访问敏感数据,传统的自我监控策略已不足以应对黑盒风险。他呼吁开发者采用“零信任”架构,默认假设模型可能失控或被攻破,并确立了包括全链路可观测性、独立审计及紧急遏制(Kill Switch)在内的七大核心设计原则。
文章提出“Agent = Model + Harness”的核心概念,指出从 Demo 到生产的关键差距在于围绕模型构建的记忆管理、工具访问、模型路由、安全护栏及可观测性等基础设施。通过对比 FinBot 案例,阐述了开发者在自建技术栈与采用托管服务(Harness-as-a-Service)之间的权衡策略。
开发者 Simon Willison 演示了如何将开源可观测性工具 Parseable 与 Datasette 结合,以存储和查询 OpenTelemetry 追踪数据。该方案利用 Datasette 1.0a41 新增的 OTel 支持,通过 Codex 辅助配置实现了从应用端到 Parseable 后端的数据流打通。
LangChain 在 LangSmith 平台推出 Trajectories(轨迹)功能,将智能体复杂的多轮交互、工具调用及子代理行为转化为可读的线性路径视图。该功能旨在解决长运行智能体调试难的问题,允许开发者快速定位行为偏差节点,并支持领域专家无需解析嵌套 Trace 即可直接审查智能体表现,同时可结合在线评估器持续优化生产数据。