智能体变慢或出错时，用Traces在Foundry中精准排查

当你向AI智能体提交一个提示后，它内部到底经历了什么？调用了哪些工具？为什么响应变慢？又是哪一步出了错？对于构建生产级智能体的开发者来说，这些"黑盒"问题往往是调试过程中最大的痛点。Microsoft Foundry 提供的 Traces（追踪）功能，正是为了解决这一难题而设计。

Traces 到底记录了什么

Traces 的核心作用，是捕捉一次请求或工作流在应用中的完整旅程。它通过记录事件和状态变化，让你能够查看智能体交互中的输入、输出、工具使用、重试次数、延迟以及各类调用细节。

换句话说，当你的智能体表现异常时，Traces 就是第一现场的"行车记录仪"。无论是想弄清楚智能体调用了哪些工具、某次运行为何失败，还是深究响应时间为何偏慢，Traces 都是一个理想的排查起点。

演示中使用的是一个面向保险经纪人的风险顾问智能体（risk advisor agent）。它会审阅客户信息、识别最关键的风险点，并给出简洁的建议以指导经纪人的后续动作。该智能体接入了一个文件搜索工具，其中包含三份公司档案，用于为推荐提供事实依据。

启用 Traces：先连接 Application Insights

要查看一次提示提交后发生了什么，第一步需要创建一个 Azure Monitor Application Insights 资源。这一步在智能体的 Traces 标签页中完成——无论你是要新建还是连接已有资源，都可以通过点击 Connect 来操作。

• 新建资源：选择 Create New
• 连接已有资源：先选中对应资源，再点击 Connect

资源就绪后，就可以正式向智能体发送提示并观察追踪记录了。演示中提交的提示是："Boulder Innovations 计划推出的 AI 驱动工业监测产品线，会如何改变其风险画像？"

Azure Monitor Application Insights 是微软 Azure 提供的应用性能管理（APM）服务，专门用于收集、存储和分析遥测数据。它支持分布式追踪（distributed tracing）标准，能够将跨多个服务、多个组件的调用链路串联成一条完整的 Trace。在智能体场景中，Application Insights 充当后端存储与分析引擎——Foundry 将追踪数据写入该资源，开发者既可在 Foundry 界面直接查看，也可在 Azure Portal 的 Application Insights 控制台中进行更深层的日志查询和告警配置。值得注意的是，Application Insights 按数据摄取量计费，生产环境中高并发智能体产生的 Trace 数据量可能较大，建议在连接前了解采样（sampling）策略以控制成本。

读懂 Trace 表格与 Span 层级

回到 Traces 标签页，最近一次与智能体的交互会生成一条新记录。表格中信息相当丰富，包括 Trace ID、请求是否完成、追踪的日期时间、持续时长、输入与输出 token 数量，以及智能体版本。这些字段本身就能帮你快速定位异常——比如某次请求 token 消耗异常高，或者耗时明显偏长。

点击 Trace ID 可以打开详情窗口，深入探索整条追踪链路。顶层能看到智能体被调用（agent was invoked），而逐层下钻后，则能看到智能体执行的各个具体操作，比如一次文件搜索工具调用，以及生成最终回复的模型调用。

这些嵌套的步骤被称为 span（跨度）。每个 span 代表整条 Trace 中的一个单独操作。这种层级结构正是定位问题的关键——你能清楚看到问题究竟发生在哪一步。

Span 的输入、输出与元数据

选中任意一个 span，右侧面板会同步展示它的详细信息。例如选中工具调用这个 span，就能看到该次调用的输入和输出内容。

更进一步，span 的 metadata（元数据） 提供了排查问题时极为宝贵的技术上下文，包括：

• Trace ID 与 span ID
• 父子（parent-child）关系
• 计时信息（timing）
• 状态（status）
• 操作类型（operation type）

当你需要在一个复杂工作流中精确判断问题出在何处时，这些元数据的价值会被充分放大。

Annotations：加入你自己的反馈

在元数据旁边，还有一个 Annotations（标注） 标签。这里允许你对某个 span 填写个人反馈，并查看完整的标注历史。对于需要团队协作调试、或对智能体输出质量进行人工评估的场景，这是一个很实用的轻量化记录方式。

Span 的概念来源于 OpenTelemetry 这一开放可观测性标准。OpenTelemetry 定义了一套与厂商无关的追踪数据模型：一条 Trace 由一个根 span 和若干子 span 组成，每个 span 记录操作名称、开始/结束时间戳、状态码以及任意键值对属性（attributes）。父子 span 通过 parent span ID 关联，从而还原出完整的调用树。Microsoft Foundry 遵循这一标准，因此 Traces 数据在理论上也可导出到任何兼容 OpenTelemetry 的后端（如 Jaeger、Grafana Tempo 等），便于企业将智能体可观测性整合进已有的监控体系，而不必被锁定在单一平台。

多种视图：按需切换排查视角

Traces 并不只有一种查看方式。除了默认的 span 树结构，Foundry 还提供了几种互补的视图：

• User view（用户视图）：把整条 Trace 以对话的形式呈现，更贴近实际交互体验；即便切换到这个视图，span 树依然折叠保留在左侧，随时可以展开。
• Graph view（图视图）：支持横向或纵向查看，用于一眼把握整条 Trace 的结构与流程，是 span 树之外的另一种直观选择。

不同视图对应不同的排查需求——想还原对话体验用 User view，想理解整体执行流程用 Graph view，想精确定位单步操作则回到 span 树。

写在最后

Traces 的价值在于把智能体从"黑盒"变成"白盒"。它不替你解决问题，但能把问题发生的完整上下文——每一次工具调用、每一次模型请求、每一步的延迟与状态——清晰地摊开在你面前。对于正在构建和运维生产级智能体的开发者而言，掌握 Traces 的使用方式，几乎是调试效率的分水岭。无论是慢、是错，还是莫名失败，从 Traces 开始看，往往是最高效的第一步。