可观测性建设：Agent 干活的时候你在监控什么

引入 agent 之后，可观测性的对象多了一个：agent 本身。我梳理了需要盯的几组指标。 第一组，任务级指标。任务成功率、平均完成时长、人工返工率。返工率是最关键的，因为它直接反映输出质量。定义要清楚：什么算返工？我建议定义为"同一任务需要人工二次修改超过 X 分钟"。指标定义不清楚就没法改进。 第二组，成本指标。每个任务的 token 消耗、缓存命中率、单次会话成本。缓存命中率特别值得盯，它掉了通常意味着上下文前缀不稳定，是成本上升的早期信号。我建议按任务类型分组统计，因为不同类型差异很大，混在一起看不出问题。 第三组，行为指标。文件读写次数、命令执行次数、工具调用分布。异常的行为模式往往是问题的前兆，比如某个任务突然开始反复读同一个文件，八成是陷入循环了。 第四组，安全指标。越权尝试次数、敏感路径访问、外部请求频率。这些需要有告警阈值。 第五组，质量指标。引入 agent 前后的缺陷密度对比、代码审查的返工意见数、线上事故归因里有多少与 agent 改动相关。最后一组不用来追责，用来判断哪些任务类型还不适合交给 agent。 工具层面，agent 的操作日志要有结构化的输出，并且能和服务已有的监控体系关联。不要把 agent 的日志单独放一个地方，那样没人会去看。 一个实用的起点：先只做任务成功率和成本两项，跑一个月看趋势。这两项能覆盖大部分问题，等有具体需求再加细分指标。一上来就铺全套指标体系，大概率是建完就没维护。