← 返回洞察
2026 年 8 月 · 7 分钟阅读
Agent 可观测性：审计与合规的四个支柱
关键定义
Agent 可观测性（Agent Observability） 捕获 Agent 在生产环境中每一个决策、检索、工具调用与输出的实践。它组合分布式追踪、自动化评测、检索日志与工具调用审计，形成一条可回放的时间线，让工程师能精确重建 Agent 做了什么、为什么这么做。
工具调用审计（Tool-Call Audit） 记录 Agent 对外部系统的每次实际动作——参数、结果、做决策的模型、授权动作的人或系统。当 Agent 从建议转向行动（发邮件、建工单、写 CRM、触发工作流），它就从工程问题变成审计与合规问题，通常需要更长的保留期与更严格的访问控制。
OpenTelemetry GenAI 语义约定 由 CNCF 维护的开放标准，2026 年已到 v1.41，定义了 LLM 调用、工具执行、Agent 操作在追踪中应捕获的标准属性。它让不同 Agent 框架与可观测性后端可以互操作，厂商锁定从「格式」变成「选哪个后端」。
传统 APM 测量延迟、错误与吞吐，覆盖确定性的请求-响应路径。但 Agent 是非确定性、多轮、经常调用工具或模型的对象——一个 Agent 运行不是一个 span，而是一棵 span 树，每个 LLM 调用、检索与工具调用都是其中的一个节点。当 Agent 从建议转向行动——发邮件、建工单、写 CRM、触发工作流——可观测性就从工程问题变成了审计与合规问题。答案不在于一个工具，而在于四条互补的数据流。
四个支柱，四层行为
成熟的 Agent 可观测性被拆成四个互补的支柱，各自捕获不同层级的 Agent 行为。分布式追踪捕获运行形态：一个父 span 代表用户请求，子 span 覆盖每次 LLM 调用、每次检索、每次工具调用与每个嵌套子 Agent——没有这棵树，「Agent 做错了事」的报告就无法证伪。自动化评测对输出打分：追踪告诉你发生了什么，评测告诉你它好不好，而且必须在生产环境持续运行，而不是只在发布时跑一次。检索日志记录模型看到了什么上下文：对每次检索记录改写后的查询、嵌入模型、top-k 文档 ID、相似度分数与最终拼接的上下文窗口——这能区分「模型幻觉」与「我们根本没给它正确的文档」。工具调用审计记录每次外部动作：参数、结果、做决策的模型、授权的人或系统。
| 支柱 | 回答的问题 | 主要归属 | 保留期下限 |
|---|---|---|---|
| 分布式追踪 | Agent 一步步做了什么 | 平台工程 | 热 30 天 / 冷 1 年 |
| 自动化评测 | 输出是否合格 | ML / 应用研究 | 评分运行 1 年 |
| 检索日志 | 模型看到了什么上下文 | 数据与搜索团队 | 热 90 天 / 冷 2 年 |
| 工具调用审计 | Agent 做了什么、代表谁 | 安全与合规 | 按监管基线 7 年 |
工具调用审计：从工程到合规的临界点
当 Agent 开始对真实系统采取行动，每一个工具调用都必须记录参数、结果、做决策的模型，以及授权它的人或系统。工具调用日志应该与追踪分开存放，保留期更长、访问控制更严——你的安全团队最终要回答「哪个 Agent 对哪条客户记录做了什么动作」，而「让我 grep 一下追踪存储」不是可接受的答案。
这正是 2026 年可观测性行业把重点从「排障」转向「治理」的原因。监管严格的金融与医疗行业需要可审计的证据证明 Agent 在政策边界内行为。工具调用审计是这些行业的入场券：它把每个需要离开应用代码、进入平台的边界动作，都变成有归属、可追责的记录。
OpenTelemetry GenAI：2026 的标准语言
2026 年，Agent 可观测性不再是厂商之争，而是一个规范：OpenTelemetry GenAI 语义约定，由 CNCF 下的特别兴趣小组维护，已到 v1.41。它定义了一个符合规范的 Agent 追踪包含什么——从 LLM 客户端调用、Agent 编排、MCP 工具调用、工作流组合、内容捕获到质量评测，覆盖六层。Langfuse、Arize、Datadog LLM 可观测性与 AWS Bedrock AgentCore 现在都通过标准 OTLP 端点消费追踪。厂商问题从「用哪种格式」翻转成「选哪个后端」。
两个关键设计值得企业注意。其一，内容捕获默认关闭：提示词、工具参数与输出含敏感数据，规范默认不把它们放进追踪，除非你按环境显式开启——开启是一个安全决策，不是默认值。其二，评测是追踪之上的层：v1.41 允许 span 携带评测分数（LLM-as-a-judge 得分、黄金数据集匹配、人工评审结论），可观测性与评测从两套系统变成同一个事件图。
分步落地，从增量到审计
大多数企业无法为了一个六个月的纯可观测性项目暂停 Agent 开发——好消息是四个支柱可以增量搭建，每个支柱上线当天就产生价值。先从 OpenTelemetry GenAI 约定入手，为每个模型与工具调用发 span——这是其余一切的基石。然后加检索日志（记录查询、top-k ID、分数、拼装上下文），没有它就无法分流 RAG 回归。再建自动化评测：精选 100 到 300 个代表性输入，每晚跑黄金集并对漂移告警。最后锁定工具调用审计：让每个行动型工具都经过一个记录参数、结果与授权身份的授权层。
一个有专注力的基础设施团队可以先用 6 到 10 周搭起前三个支柱；工具调用审计因涉及安全与合规评审，通常再增加 8 到 12 周。生产评测用 5% 到 8% 的流量采样、用更小的裁判模型，通常只占推理成本的 2% 到 4%，全量覆盖很少值得——采样加每晚黄金集能同样快地抓住回归。每季度挑三个生产事故，仅凭遥测重建它们——你重建过程中的缺口，就是你可观测性的缺口。
OOMeta 的视角
Agent 可观测性的价值从「排障」升维到「审计与合规」。对要规模化放权给 Agent 的企业，关键判断是：你能否在事后仅凭遥测重建一个 Agent 到底做了什么、代表谁、为什么？四个支柱——追踪、评测、检索日志、工具调用审计——加 OpenTelemetry GenAI 标准，把这个能力变成可购买的工程实践，而不是各团队各自拼装的脚本。当监管要求「证明你的 Agent 在政策边界内行为」时，工具调用审计就是那个证明。可观测性不再只是工程师的工具，它是治理层的账本。
参考来源：iSimplifyMe, "Enterprise AI Agent Observability: A 2026 Stack Guide", 2026, https://isimplifyme.com/blog/agent-observability · Twistag, "AI agent observability: the OpenTelemetry + Langfuse pattern", 2026, https://twistag.com/thinking/ai-agent-observability · MLflow, "What Is Agent Observability? A 2026 Developer Guide", 2026, https://mlflow.org/articles/what-is-agent-observability-a-2026-developer-guide/
常见问题
为什么 Agent 从建议转向行动后，可观测性就变成审计问题？+
传统 APM 只测延迟、错误与吞吐，覆盖确定性的请求-响应路径。Agent 是非确定性、多轮、常调用工具或模型的对象。一旦它开始发邮件、建工单、写 CRM、触发工作流，可观测性就不再只是工程问题——安全团队会问：哪个 Agent 对哪条客户记录做了什么动作？工具调用审计需要更长的保留期与更严格的访问控制。
四个支柱是什么？+
分布式追踪（捕获运行形态，回答 Agent 一步步做了什么）、自动化评测（对输出打分，回答好不好）、检索日志（记录模型看到了什么上下文，区分幻觉与检索失败）、工具调用审计（记录每次外部动作及授权者，满足安全与合规）。它们捕获不同层级，组合起来才能让事故可调试。
工具调用审计为什么需要单独对待？+
追踪告诉你发生了什么，工具调用审计告诉你谁授权了什么动作。它应该与追踪分开存放，保留期更长（监管基线往往按 7 年计）、访问控制更严。安全团队最终要回答「哪个 Agent 对哪条客户记录做了什么」，而不能回答「让我 grep 一下追踪存储」。
OpenTelemetry GenAI 标准为什么重要？+
到 2026 年，OTel GenAI 语义约定已成为标准：LangSmith、Arize、Datadog、AWS Bedrock AgentCore 都通过标准 OTLP 端点消费追踪。它规定 span 名称与属性（模型、token、工具、MCP），内容捕获默认关闭（涉及敏感数据，开启是安全决策）。标准让你一次插桩、任意切换后端。
企业多久能落地？+
前三个支柱——追踪、检索日志、基础评测——一个有专注的基础设施团队大约 6 到 10 周可以搭建。工具调用审计因涉及内部系统与安全合规评审，通常再增加 8 到 12 周。生产评测用 5% 到 8% 的流量采样，用更小的裁判模型，通常只占推理成本的 2% 到 4%。
相关文章
AI Agent 可观测性：2026年生产部署的关键瓶颈
AI Agent 可观测性成为 2026 年生产部署的关键瓶颈，看不到 Agent 在生产环境做了什么，就无法规模化放权。
企业 AI 市场 2026 年达 $1148.7 亿——年增长 18.91%，治理成为最大赛道
企业 AI 市场 2026 年达 1148.7 亿美元，年增长 18.91%，治理成为增长最快的赛道。
Gartner：AI 平台市场 2026 年增长 63%——治理成为新竞争分水岭
Gartner 预计 AI 平台市场 2026 年增长 63%，治理能力成为平台竞争的新分水岭。
$7250 亿 AI 资本支出，中国模型占 46% 企业 Token 量——2026 企业 AI 市场全景
7250 亿美元 AI 资本支出、中国模型占 46% 企业 Token 量，2026 企业 AI 市场格局全面展开。