人工智能挑战文档深度页
Agent Tracing 与可观测性
记录任务、Agent、轮次、模型生成、工具、Handoff、护栏和错误的因果轨迹。
学习目标
- 能说明Agent Tracing 与可观测性解决什么问题，以及何时适用。
- 能解释为什么“只写自然语言日志”是误区。
学习前需要掌握
背景与问题
最终答案不足以解释错在模型、工具、路由、权限还是状态。
概念定义
Tracing 用层级 span 还原一次 Agent 运行发生了什么；可观测性再结合指标与日志判断质量、成本和异常。
直观理解
像快递轨迹，每次交接、处理和异常都有时间与责任节点。
核心原理
OpenAI Agents SDK 当前默认追踪 run、agent、turn、generation、function、guardrail 与 handoff 等事件。
敏感输入输出应可选择不进入追踪。
trace id、工具调用 id 和业务幂等键应能关联。
理解与实践步骤
- 1
定义 workflow 名称
- 2
记录层级 span
- 3
附加版本、耗时和状态
- 4
脱敏敏感字段
- 5
用失败案例回放
实际应用
- 故障定位
- Agent 评测
常见错误
只写自然语言日志
追踪泄露敏感数据
输入、输出与执行边界
输入
- 运行事件
- 时间与标识
- 安全过滤策略
输出
- 轨迹树
- 延迟、错误与成本指标
能力
- 故障定位
- Agent 评测
只读优先默认不要求审批
官方来源与时效
资料记录日期：2026-08-30（不代表已逐项核验）。产品能力、SDK 参数和协议状态可能变化，请以链接页面的当前版本为准。
推荐学习资料
暂未收录相关资料
参考库不会生成虚假资源或无效外部链接。