借助会话追踪与成本控制排查 AI 智能体故障

CNCF于8月4日发布博文，StackGen首席工程师Sabith K Soopy基于生产环境实践指出，智能体故障排查的难点在于标准监控无法解释自主工作流为何陷入循环或调用无效接口。StackGen采用Langfuse采集嵌套会话追踪，记录每次大模型调用、工具执行和子智能体委派的延迟与token成本，并建议异步批量导出以避免阻塞运行中的智能体。成本控制方面，建议执行前强制迭代上限和单工具调用次数限制，并结合会话成本与滚动均值对比发现路由错误、工具幻觉及上下文膨胀。事后复盘建议将工具调用、治理决策和内存操作写入可搜索日志并脱敏PII。已完成追踪由自动化分析器标记执行时长、工具故障、重试和token效率问题。博文还建议仅将有限运维指标导出至Prometheus，避免动态会话ID导致高基数问题。