如果你已经在跑 Agent 应用，大概率遇到过这种场面：用户说「刚才那次回答不对」，你打开日志，只看到一条 HTTP 200；想看它中间调了几次模型、检索了什么、花了多少钱，全靠猜。传统 APM 那套按接口耗时、错误率看的指标体系，放到 Agent 身上会失灵——一次请求内部可能串了七八步推理、若干次工具调用和检索，最后只吐出一句话。

这门课要补的，就是这个缺口：把 Agent 从「黑盒」变成能观测、能定位、能算账的对象。它不教你从零写一个 Agent，而是教你在 Agent 已经跑起来之后，怎么知道它跑得好不好。

先确认你缺的是哪一块

这门内容对三类人价值不同，先自己对号入座：

已经在做后端或运维，手上接了 Agent 服务，但排查手段还停留在看 stdout 和 tail 日志；
做过传统微服务监控，Prometheus、Grafana、链路追踪都用过，但不知道 Agent 的 span 该怎么切、trace 该怎么串；
负责成本，发现模型调用账单涨得莫名其妙，想搞清楚是哪条链路、哪个工具在烧钱。

如果以上都不沾，只是想了解 Agent 是什么，这门课会偏难——它默认你知道什么是工具调用、什么是多轮推理循环。

核心不是工具，是「观测什么」

很多同类内容一上来就讲装哪个 SDK、接哪个平台，结果读者接完发现数据是有了，但看不出问题。这门课的顺序是先立观测模型：一次 Agent 运行里，哪些是必须记录的（每步的输入输出、工具名与参数、耗时、token 数、失败原因），哪些是可选的，哪些记了反而拖慢系统。

它会把「可观测性」拆成三条线来看——运行轨迹、性能指标、成本账目。这三条线对应的问题不一样：轨迹回答「它为什么这么答」，指标回答「它慢在哪」，成本回答「钱花在哪」。混在一起看，就会变成一堆没用的日志。分开看，每一类问题都有对应的定位路径。课程里那部分关于成本追踪与预算控制的内容，就是专门解决第三条线的，不是简单统计总花费，而是能把开销归到具体的调用链和工具上。

看完应该能回答这几个问题

判断自己有没有真的学到，不用看笔记，就问自己能不能答上来：

一个 Agent 请求变慢了，你怎么在几分钟内判断是模型侧、工具侧还是编排逻辑本身的问题？
怎么给一次多步推理切 span，才能让 trace 图看起来不是一团乱麻？
同样的任务，两次调用成本差三倍，你从哪些字段能查出差异来源？
监控本身会不会成为负担——采集哪些数据是划算的，哪些是自找麻烦？

这几个问题，基本覆盖了运维岗在 Agent 场景下最常被问到的部分。

怎么用这份材料

140 页配 9 章，不建议从头顺读。更实用的做法是：先看知识地图理清章节之间的依赖关系，再带着自己线上真实遇到的一个问题去翻对应章节。比如你最近正被成本问题困扰，就直接进成本追踪那部分；如果是一直定位不到慢请求，就先看轨迹与指标那几章。每一章后面如果配了可动手的环节，尽量在本地跑一遍——监控这类东西，看别人配和亲手接一次，理解深度差得很远。

它适合当作案头参考，而不是一次性读完的教程。遇到具体故障时能翻到对应章节找到排查思路，这门课的目的就达到了。