可观测性
可观测性是系统工程中的一个核心概念，指通过系统对外暴露的输出信息（如日志、指标、追踪数据）来推断和理解其内部运行状态的能力。其关键特征包括：度量指标（Metrics）的采集与分析、分布式追踪（Tracing）的链路还原，以及日志（Logging）的结构化记录。可观测性广泛应用于分布式系统、微服务架构及云原生环境，是系统监控、故障诊断与性能优化的重要基础。
核心事实
时间轴 (近 90 天)
传统研究范式通常是先有理论假设再收集数据，而平台化路径是先让系统具备可观测性与可干预性，再在真实运行中寻找规律。
企业评估托管浏览器能力时，应重点确认是否提供操作录像、步骤级日志、截图快照与DOM快照等可观测性手段，以及是否支持浏览器会话与Agent推理链路关联追踪。
HTTP 状态码是调用方判断请求成败的第一信号；当服务在逻辑上失败却返回 200 时，调用方的重试、告警与熔断机制全部失效。
对于异步请求密集的前端应用，基于时间戳对齐录屏、控制台、网络和交互事件，可为异步执行流建立可观测的时间基准，还原真实执行顺序。
迁到独立密钥后，调用数据可按Agent切分，提升可观测性，能识别高消耗和异常重试的Agent。
多Agent编排和可观测性正在成为刚需。
在智能体场景中，可观测性通常由追踪（trace）、指标（metrics）和日志（logs）三部分组成；追踪记录一次请求内所有步骤的树状调用关系，每个节点包含输入、输出、状态和耗时。
可观测性在 LLM 应用中包含三个维度：延迟、用量与成本、质量。
可观测性概念强调通过日志、指标和追踪等手段让系统内部行为对外可见。
可观测性类可选指标包括告警、边缘请求、函数调用和错误率。
还有 40 条时间轴事件
全部知识事实 (20)
智能代理层可完整记录每一次AI发起的操作（HTTP调用、命令执行、资源访问），形成可回溯的审计日志
90%已验证可观测性通常由日志、指标和链路追踪三大支柱构成，源自控制论
90%已验证可观测性最初来源于控制理论，指通过系统的外部输出推断其内部状态的能力
85%已验证DeepSeek Harness提供全流程可追踪功能，可记录系统运行每一步的完整轨迹
80%已验证建立AI生成→人工验证→修复优化的标准工作闭环是驾驭AI编程工具的关键
80%已验证测试人员的定位正在从执行者转向AI评审员，能驾驭AI的前提是自身具备自动化测试、性能测试等底层技能
80%已验证可观测性概念源自控制工程，由控制论学家鲁道夫·卡尔曼于1960年代正式定义
80%已验证可观测性的三大支柱框架包括Metrics（指标）、Logs（日志）和Traces（链路追踪）
80%已验证真正拿到好结果的团队死磕三件事：工具设计、失败处理和可观测性，而不是追逐最新的模型发布
75%已验证AI Agent 策略测试通常需要覆盖三个关键层面：意图（Intent）、基于角色的访问控制（RBAC）以及审批流程（Approvals）
75%已验证可观测性（Observability）指通过系统对外暴露的输出（如日志、指标、追踪数据）来推断系统内部状态的能力
75%已验证可观测性在软件工程领域通常由日志、指标和追踪三大支柱构成，合称o11y三大支柱
75%已验证取得效果的Agent团队关注三件事：工具设计是否干净、失败处理是否到位、可观测性是否能追溯决策路径。
65%已验证可观测性源自分布式系统领域，指通过日志（logs）、指标（metrics）和链路追踪（traces）三大支柱，从系统外部输出推断其内部状态的能力。
65%已验证RAG评估的核心是判断系统'检索到的内容'和'生成出的答案'是否真正满足用户需求，通常包含检索质量与生成质量两层。
65%已验证智能体AI治理的本质是治理动作而非模型
65%已验证可观测性（Observability）是指通过系统对外输出的数据（日志、指标、追踪）来推断其内部状态的能力，通常由日志、指标和分布式追踪三大支柱构成
65%已验证Agent的主要工程风险包括目标飘移、工具滥用陷入无限循环、越权执行和敏感数据放入提示词导致隐私泄露
65%已验证可观测性指对 Agent 每一步的输入输出、工具调用结果、耗时与费用进行完整的日志记录与追踪，以便定位故障、评估质量、优化成本
65%已验证可观测性意味着系统从用户输入、意图识别、工具调用到最终输出的每个环节都可追踪、可度量
65%