很多人第一次把 Agent 推上生产环境时，关注点全在「它能不能跑通」，上线之后才发现真正的问题才开始：一次对话悄悄烧掉多少 token、哪个环节在拖慢响应、集群里某个副本挂了却没人知道。这门课针对的正是这段空档——从能跑，到跑得稳、跑得省钱、出了问题能定位。

先确认这门课是不是给你看的

如果你符合下面任意一条，值得花时间：

手里已经有跑着的 Agent 服务，但说不清它每分钟的调用量、失败率和成本构成；
被问过「这个月模型调用花了多少、花在哪」，只能给出一个总数，拆不下去；
用户反馈「有时候特别慢」，你打开日志翻了半天，定位不到是工具调用、模型排队还是网络问题；
做的是传统服务监控，现在要接手 LLM/Agent 相关的系统，发现原来那套指标不够用。

如果你还没写过任何 Agent 代码，这门课会有点飘——它默认你已经知道什么是 prompt 调用、什么是工具调用链路。缺这块的话，先去补基础，再回来。

它和普通「监控入门」的区别在哪

传统服务的监控对象是请求量、错误率、响应时间、资源占用，指标是确定的。Agent 系统多出来一层：一次用户请求会拆成多轮模型调用、若干次外部工具调用，每一步都有自己的耗时和费用，而且路径不固定。这带来三个普通监控覆盖不到的点——token 消耗与成本归因、单次链路里各阶段的延迟拆解、以及模型输出质量的异常（答非所问、死循环重试）。

课程内容基本围绕这三点展开，从指标体系怎么设计、埋点埋在哪，到成本跟踪与预算告警、延迟瓶颈的分段定位、集群层面的可观测性，再到具体案例怎么落地。九章的篇幅不算长，但每一章都指向一个能立刻用上的问题，而不是概念扫盲。

学完应该能回答的问题

拿这几条当自测，学之前答不上来是正常的，学之后应该能说清楚：

Agent 的监控指标该怎么分层？哪些放在单次调用维度，哪些放在服务聚合维度？
怎么把一次请求的成本拆到具体环节，并设置一个能真正触发告警的预算阈值，而不是形同虚设的日报？
响应变慢时，按什么顺序排查——模型侧、工具侧、还是调度侧？每段的判断依据是什么？
集群里 Agent 副本的存活、扩缩容和负载，和普通无状态服务比，有哪些不能照搬的地方？
可观测性数据（日志、指标、追踪）在 Agent 场景里怎么串起来，才能从一条错误追到具体那次调用？

怎么配合练习用

光看材料容易停在「懂了」，这门课的内容适合边看边在自己环境里对着做。建议的节奏是：每看完一块，先别急着往下翻，去现有系统里找对应的数据——能不能把成本按调用来源拆开？能不能画出一次请求的分段耗时？拆不出来，就说明这块的埋点还没做，正好是这一步的动手任务。延迟分析和成本跟踪这两块尤其如此，答案不在材料里，在你自己的数据里。

如果手头暂时没有线上 Agent 服务，可以先用一个小型自建 demo 顶上，关键是把「埋点—采集—归因—告警」这条链路完整走一遍，而不是把材料读完。

Agent运维监控实战【9章140页】

深入理解Agent运维监控实战

编辑点评

全面解析Agent运维监控，涵盖监控策略、成本跟踪、集群监控等，实战性强。

⭐ 编辑推荐

掌握Agent运维监控核心技能，提升系统稳定性与效率。

学习如何：
- 构建高效监控体系
- 实施成本跟踪与预算
- 集群监控与可观测性

适合运维工程师、系统管理员。

课程亮点

• 实战案例丰富

• 全面覆盖监控领域

• 提升系统稳定性

课程目录

02-AgentOps&ObservabilityGuide.html  [42.0 KB]
08-无限循环检测与防御（GuardrailsforInfiniteLoops）_slides.pdf  [6.2 MB]
04-AgentOps&ObservabilityGuide-04-HardcoreCostTracking&Budgeting_slides.pdf  [9.9 MB]
07-Agent集群监控与可观测性——基于Prometheus与Grafana.html  [46.6 KB]
Agent 可观测与运维（完整版）.pdf  [12.4 MB]
05-AgentOps&ObservabilityGuide-05-LatencyBottleneckAnalysis_slides.pdf  [7.8 MB]
知识地图_slides.pdf  [660.5 KB]
01-AgentOps&ObservabilityGuide.html  [45.0 KB]
03-AgentOps&ObservabilityGuide.html  [43.3 KB]
09-生产环境中的提示词A-B测试(A-BTestingPromptsinProduction)_slides.pdf  [7.7 MB]
09-生产环境中的提示词A-B测试(A-BTestingPromptsinProduction).html  [41.8 KB]
07-Agent集群监控与可观测性——基于Prometheus与Grafana_slides.pdf  [7.5 MB]
03-AgentOps&ObservabilityGuide_slides.pdf  [8.5 MB]
02-AgentOps&ObservabilityGuide_slides.pdf  [8.7 MB]
08-无限循环检测与防御（GuardrailsforInfiniteLoops）.html  [37.5 KB]
知识地图.html  [11.8 KB]
04-AgentOps&ObservabilityGuide-04-HardcoreCostTracking&Budgeting.html  [55.9 KB]
05-AgentOps&ObservabilityGuide-05-LatencyBottleneckAnalysis.html  [46.4 KB]
01-AgentOps&ObservabilityGuide_slides.pdf  [8.0 MB]
06-AgentOps&ObservabilityGuide-06-LoggingandPIIMasking_slides.pdf  [8.6 MB]
06-AgentOps&ObservabilityGuide-06-LoggingandPIIMasking.html  [41.5 KB]