AI 智能体正在偷偷犯错？2026 可观测性全解

上周二，客户问客服 Agent 退发票 #4471。它查了政策、批了退款，全程返回 200，日志全绿。

两天后客户发来怒信——它退的是 #4417，一个幻觉出来的编号，钱退给了毫不相干的人。系统一切正常，故障藏在三步之外的工具调用里。

普通软件靠日志和状态码就够，因为系统是确定的。智能体偏偏打破了这个前提，它的“正确”和 HTTP 状态码毫无关系。可观测性要补的正是这块缺口：把质量抬到和延迟、错误、成本平起平坐的一级信号。

这套东西的最小单位叫 span，一次模型调用或工具调用就是一个 span。多个 span 串起来就是 trace，多轮对话的 trace 再连成 thread。调试时逆着这棵树往下钻，就能精准定位到那个传错参数的 span。

但光有追踪不够，没有评估的可观测性，不过是高价版的日志。端到端评估抓住“出了岔子”，组件级评估指出“岔子在哪一环”。在线评估在生产流量里抓没预见的 bug，离线评估确保它绝不再犯第二次。

最后还得算账。用户一句话能牵出一打模型调用，账单随步骤数膨胀。好的监控把质量和账单放在同一块屏幕上，对着质量告警，而不是只盯着在线率。