Agent 可观测性正在从“开发调试工具”变成“生产基础设施”。过去只要能看到最终回答就算可用，现在要看到模型调用、工具调用、handoff、guardrail、成本、延迟和失败原因。Agent 越多，越不能靠人工猜它为什么这样做。
这条趋势可以从几类公开资料里看到。OpenAI Agents SDK 的 Tracing 文档说明，SDK 会收集 Agent 运行中的 LLM generations、tool calls、handoffs、guardrails 和 custom events；LangSmith Observability 文档强调从单条 trace 到生产级性能指标的可见性；OpenTelemetry 近期关于 GenAI Observability 的文章也强调用语义约定记录模型、token、提示词、工具调用和工具结果。
事实梳理
第一，Trace 正在成为 Agent 的基础记录。它不只记录最终输出，而是记录一次任务中每一步发生了什么。对多工具、多轮、多 Agent 协作来说，这是复盘的前提。
第二，指标开始覆盖成本和延迟。Agent 可能因为重试、长上下文、工具等待和模型切换造成成本上升。只有把 token、调用次数、工具耗时和失败率放在一起看，才能知道钱和时间花在哪里。
第三，标准化会降低平台锁定。OpenTelemetry GenAI 方向的价值，在于给不同框架和观测平台提供更一致的字段语言。虽然具体实现还会继续演进，但“用统一字段描述 GenAI 和 Agent 运行”已经是明显方向。
影响分析
对企业团队来说，可观测性会决定 Agent 能不能扩大使用。没有 trace，出了问题只能看聊天记录；有了 trace，才能定位是提示词、知识库、工具、权限还是人工审批出了问题。
对平台来说，谁能把 trace、评测、成本、告警和人工动作接起来，谁就更接近真正的 AgentOps。单独的日志页不够，团队需要从异常直接跳到样本、回放和修复建议。
对本站专题来说，这篇可以接上 AgentOps 运营台、审计日志字段 和 Agent 评测工程化。看见运行过程，后面的评测和治理才有材料。
老达点评
我觉得可观测性会成为生产级 Agent 的分水岭。演示阶段，Agent 做出一个好结果就足够；生产阶段，团队必须知道它为什么成功、为什么失败、失败后能不能复现。
最值得早做的是先统一 trace 字段：模型、工具、输入摘要、引用来源、成本、延迟、审批和人工修正。工具可以慢慢换，字段一旦稳定，后面的复盘和评测就有了共同语言。
总结
Agent 可观测性正在标准化。Trace 记录过程，工具调用解释动作，成本指标解释资源消耗，质量指标解释能不能放量。未来成熟的 Agent 团队，会把这些信息放进同一张图里看。
