_{🧠 图解记忆：传统微服务看请求，Agent 还要看规划、工具、状态和非确定性决策轨迹；点击图片可查看原图。}

**核心区别：**

维度	传统微服务	Agent 可观测性
追踪对象	HTTP 请求、数据库查询	LLM 调用、工具调用、规划步骤
不确定性	确定性逻辑，无幻觉	LLM 输出不可预测，有幻觉风险
状态管理	无状态或短状态	多轮对话、长期记忆、上下文累积
性能指标	延迟、QPS、错误率	TTFT、Token 速率、循环检测
调试难度	日志+链路追踪足够	需理解 LLM 推理过程，需 Prompt 可视化
特殊需求	标准 OpenTelemetry	LLM 原生支持（采样/Hallucination 检测）

Agent 可观测性特殊挑战：

# 挑战1：LLM 输出不确定性 → 需要输出质量追踪
outputs = []
for run in runs:
    outputs.append({
        "output": run.output,
        "hallucination_score": detect_hallucination(run.output),
        "toxicity_score": detect_toxicity(run.output),
        "factual_recall": measure_factual_recall(run.output, run.expected)
    })

# 挑战2：上下文累积 → 需追踪上下文膨胀
token_trend = [
    sum(count_tokens(m) for m in run.messages)
    for run in runs
]
# 检测：随任务复杂度增长，上下文是否线性膨胀

# 挑战3：工具调用链路 → 需追踪工具调用树
tool_tree = build_tool_call_tree(run.tool_calls)
# 检测：是否有不必要的工具调用、调用顺序是否最优

面试话术：

"Agent 可观测性比微服务复杂在三点：1）LLM 输出不确定，同一个 Prompt 三次调用结果可能不同，必须追踪输出质量分布；2）上下文会累积，需要监控 Token 膨胀曲线；3）工具调用链路是树状结构，不是线性链路。我用 LangSmith 的 trace 串联所有步骤，每个 span 打上 step_type 和 tool_name 属性，出问题后从根节点一路点下去就能定位。"

---

📚 参考：OpenTelemetry：LLM 时代的可观测性标准