小节一:为什么普通日志不够——Agent Trace 需要“结构化执行上下文”

比如 calling tool 这行日志只能告诉我们调用发生过,却不一定能还原模型当时收到的 Prompt、工具参数和结果之间的关系。把普通日志与 Trace 放在一起看,差别会更直观。

图片[1]-小节一:为什么普通日志不够——Agent Trace 需要“结构化执行上下文”-大赛人网

右侧强调的是可以沿着一次 Run 追溯上下文的结构化记录,而不是单纯把日志写得更长。后面谈字段和关联 ID,都是为了让这种复盘真正可行。

很多项目一开始会写:

print("agent started")
print("calling tool")
print("tool completed")

或者:

logger.info(...)

这当然有用。

但它更像:

应用日志。

而不是:

Agent Trace。

普通日志擅长什么?

例如:

服务启动
数据库连接失败
HTTP 500
进程异常
某接口耗时

这些都很适合普通日志。

Trace 擅长什么?

Trace 更关注,一次 Agent Run 内部发生了什么。

比如:

当前 Step 是多少
Prompt 组装后是什么
LLM 返回了什么可见响应
模型选择哪个 Tool
参数是什么
Middleware 是否拦截
Tool Result 是什么
下一步为什么发生

Trace 是按 Run 组织的

普通日志通常按:

时间
进程
服务

组织。

Trace 更自然:

run_id
step_id

例如:

run_abc
 ├─ step_001
 ├─ step_002
 ├─ step_003

这样你打开一个 Run,就能从头看到尾。

为什么 Step 是核心?

因为 Agent 是循环。

一个 Run 不是一次函数调用。

而是:

Reason
Action
Observation
Reason
Action
Observation
...

所以最自然的 Trace 粒度就是:

Step

每个 Step 对应一次:

模型决策
或 Tool 执行
或系统状态变化

Step 和 RunStep 有什么区别?

前面我们已经有:

RunStep

它是轻量过程索引。

例如:

Step 3:
running tests

Tracing 会更细。

例如同一个 Step 可能记录:

Prompt
LLM Response
Tool Request
Middleware Decision
Tool Result
Latency
Token
Status

可以这样理解:

Run
→ 生命周期

RunStep
→ 过程索引

Trace
→ 详细证据

为什么 Trace 要结构化?

不要把一切都写成:

一大段 JSON 字符串

最好让重要字段能直接查询。

例如:

run_id
step_no
event_type
tool_name
status
latency_ms
input_tokens
output_tokens

这样后面才能统计:

平均 Step
Tool Error Rate
LLM Latency
Token Cost

这正是后面 AgentOps 的基础。

© 版权声明
THE END
喜欢就支持一下吧
点赞5 分享
评论 抢沙发
头像-大赛人网
欢迎您留下宝贵的见解!
提交
头像-大赛人网

昵称

取消
昵称

    请登录后查看评论内容