AI可观测性
传统软件可观测性概念在AI系统中的延伸，在指标、日志、链路追踪三大传统支柱基础上，新增Prompt版本管理、LLM调用链追踪、Token成本分析、输出质量评估等维度，帮助工程团队在AI系统中建立可调试、可优化的工程能力
核心事实
时间轴 (近 90 天)
以模型为中心的监控指标（token消耗、模型延迟、请求量、错误率、提示与响应追踪）仍然有用，但无法完整解释一个多Agent业务流程。
追踪（Tracing）和集成能力曾是AI可观测性平台的核心卖点，但如今大多数平台都已补齐基础功能
按追踪量计费的模式在规模化后可能带来意外开支，属于成本控制的权衡因素
未来会有更多针对AI输出的质检工具涌现，覆盖代码、文本、数据分析等领域
大多数AI可观测性平台的能力边界止步于呈现数据，分析根因、提出修复方案、编写评估用例、验证效果依然依赖人工
评估可观测性工具时不应只关注它能记录什么，更要关注它能否帮助更快地行动
能够闭合反馈环路、提供可执行建议的可观测性平台将建立更深的护城河
市面上有大量可观测性和评估平台，但很少有平台能真正闭合反馈环路，如通过agent主动建议修复方案、自动补充评估用例
全部知识事实 (8)
大多数AI可观测性平台的能力边界止步于呈现数据，分析根因、提出修复方案、编写评估用例、验证效果依然依赖人工
75%已验证未来会有更多针对AI输出的质检工具涌现，覆盖代码、文本、数据分析等领域
65%待验证以模型为中心的监控指标（token消耗、模型延迟、请求量、错误率、提示与响应追踪）仍然有用，但无法完整解释一个多Agent业务流程。
50%待验证追踪（Tracing）和集成能力曾是AI可观测性平台的核心卖点，但如今大多数平台都已补齐基础功能
50%待验证按追踪量计费的模式在规模化后可能带来意外开支，属于成本控制的权衡因素
50%待验证评估可观测性工具时不应只关注它能记录什么，更要关注它能否帮助更快地行动
50%待验证市面上有大量可观测性和评估平台，但很少有平台能真正闭合反馈环路，如通过agent主动建议修复方案、自动补充评估用例
50%待验证能够闭合反馈环路、提供可执行建议的可观测性平台将建立更深的护城河
50%