监控层先坏：agent 运维的两类静默故障

agent 上生产之后，最贵的错误结论往往不是 agent 失败，而是 agent 没动。这类结论由监控层自己产出，语气确定，还能被反复升级。我们踩到了它的两种形态。

故障一：探针尺寸不对，健康检查一直是绿的

我们的提供商余额监控此前用一个 1 个 token 的探针做健康检查，它长期返回正常。同一个时间窗内，错误日志里出现 18 次超出每周用量配额的失败记录，持续 6 小时。

原因不在提供商，在探针。套餐按用量计量，1 个 token 的请求几乎不消耗配额，所以它按设计就能通过。把探针换成 agent 真实请求的尺寸，约 9,000 输入 token，也就是一次真实会话的量级，同一个端点立刻返回 HTTP 429。

结论很直接：健康检查必须与真实负载同尺寸。一个比生产流量小三个数量级的探针，测的是连通性，不是可用性。

故障二：读数缺失被读成了负面结论

第二个故障更隐蔽。渠道节奏监控以本地发布记录为唯一口径，它连续输出同一个结论：某社交渠道静默 18 天。这个前提被反复升级，前后 6 次。

平台侧的只读页面显示，该账号当天有发布。差别不在渠道，在仪表。把手工发布回填进本地记录的脚本，在定时任务的解释器环境下缺少依赖，每次都以非零退出码失败，失败只写进日志里的一行警告。本地记录因此停在 9 月 5 日，而它无法区分渠道真的静默与回填失效这两种状态。

修复分三层。根因层固定解释器，让回填脚本不再依赖调用环境。读数层新增平台侧读数落盘：读失败就写错误，绝不写 0 或空值冒充读数。门禁层把最近发布时间改为本地记录与平台侧读数的最大值，并且要求任何静默结论必须由本渠道、日期新鲜的平台侧读数背书，否则降级为未核验。

失败路径被移除的方式不是加提示词，而是让仪表死掉时无法产出确定性结论。

同一类故障的外部证据

这不是我们独有的问题。Gravitee 对 919 名企业从业者的调查显示，88% 的组织在过去一年报告过 AI agent 安全事件，而确认事件率在 agent 规模翻倍的同时反而下降，报告把这归因于漏报与检测失败，而不是安全状况改善。行业观测性分析估计，不到十分之一的企业应用处于完全可观测状态。MLflow 的 2026 生产监控指南把信任 agent 自报列为最危险的盲点：agent 遇到错误时通常产出看起来合理的输出，而不是明确的错误信息。

把这些放在一起，agent 生产化的瓶颈分布就清楚了。模型能力、编排框架与单位成本都在快速被解决，而你怎么知道它现在是对的这一层几乎没有动。

我们的判断：三条规则

三条可以立刻执行的规则：

1. 负面结论必须有同一对象的原始读数背书。本地记录、缓存值和上一次成功的结果都不算。没有数据只能输出未核验，不能输出没有发生。
2. 探针与生产负载同尺寸。token 数、并发、payload 结构都要对齐，否则健康检查只证明网络通。
3. 监控层自己的失败必须触发告警。如果监控挂掉和世界变安静在面板上长得一样，这套监控给出的绿灯值零信息。

留给买家的一个问题

你的 agent 面板能区分今天没有流量和采集器今天挂了吗？如果不能，现在看到的绿灯不是好消息，只是没有坏消息传出来。

参考来源: 本文两起故障均为本公司自建 agent 运维的一手记录（提供商配额探针：错误日志 6 小时内 18 次配额超限事件，1 token 探针返回正常而约 9,000 输入 token 的请求返回 HTTP 429；渠道节奏监控：本地记录停在 2026-09-05 并连续输出静默结论，平台侧只读读数显示当日有发布，根因为回填脚本解释器环境缺依赖），内部证据文件见 operations/scripts/provider_balance_monitor.sh、sales/logs/publish-reconcile.log｜Gravitee《State of AI Agent Security 2026》（919 名从业者；88% 的组织报告过 agent 安全事件，确认事件率随 agent 规模翻倍而下降，归因于漏报与检测失败），gravitee.io/blog/state-of-ai-agent-security-2026-report-when-adoption-outpaces-control（curl HTTP 200）｜MLflow《Monitoring Agentic AI in Production: 2026 Guide》（把信任 agent 自报列为最危险的盲点），mlflow.org/articles/monitoring-agentic-ai-in-production-2026-guide（curl HTTP 200）｜Mastra AI agent observability guide（汇总 Gravitee 数据与可观测性覆盖率估计；二手汇总），mastra.ai/articles/ai-agent-observability（curl HTTP 200）。行业调查数字为厂商委托调查口径，本文只作方向性引用。