核心观点
1. 认真做Agent的关键在于可观测性。必须实施埋点和trace追踪机制.
两个关键技术概念
1. OpenTelemetry (OTel) - 通用可观测标准
2. OpenLIT - 专为GenAI设计的可观测工具
实践建议
视频中的源码

核心观点

认真做Agent的关键在于可观测性。必须实施埋点和trace追踪机制.

否则你将面临三大盲区：

不知道什么地方出了问题 - 缺乏故障定位能力
不了解成本开销 - 无法控制费用支出
不知道如何迭代优化 - 缺乏改进方向

两个关键技术概念

OpenTelemetry (OTel) - 通用可观测标准

定义： OpenTelemetry是一个厂商中立的开源标准，提供了一套完整的API、SDK和工具，用于生成、收集和导出软件的遥测数据。

核心价值：

解决了供应商锁定问题：在OpenTelemetry出现之前，每个监控厂商（如Datadog、New Relic、Dynatrace等）都有自己的数据收集方式，切换工具成本极高
提供统一的数据标准：就像应用程序可观测性数据的通用适配器

三大支柱： OpenTelemetry标准化了代码插桩方式，生成三种主要的观测数据类型：

链路追踪（Traces） - 请求在系统中的完整路径
指标数据（Metrics） - 系统性能和业务指标
日志数据（Logs） - 结构化的事件记录

OpenLIT - 专为GenAI设计的可观测工具

定义： OpenLIT是基于OpenTelemetry构建的专业化工具，专门为生成式AI应用提供开箱即用的可观测性解决方案。

核心特性：

自动为每个LLM调用创建OpenTelemetry兼容的追踪数据
监控工具调用和Agent执行的每个步骤
为GenAI应用量身定制的可观测性框架

关系总结： 如果说OpenTelemetry是通用软件的可观测性标准，那么OpenLIT就是专门为GenAI领域设计的可观测性工具。它提供了一种简单、标准化的方式来监控和分析LLM调用的行为。

实践建议

构建可观测的Agent系统时，建议：

从设计阶段就考虑可观测性 - 不要等到问题出现才补救
选择合适的工具栈 - 对于GenAI应用优先考虑OpenLIT
建立完整的监控体系 - 覆盖性能、成本和业务指标
定期分析数据并优化 - 让数据驱动Agent的持续改进

视频中的源码

import os

from agno.agent import Agent

from agno.models.openrouter import OpenRouter

from langfuse import get_client,observe

import openlit

os.environ["LANGFUSE_PUBLIC_KEY"] = "pk-lf-648d723f-266b-44a2-8f64-d8637c640e56"

os.environ["LANGFUSE_SECRET_KEY"] = "sk-lf-47059536-2cd5-4498-b41b-97b4cd8769b0"

os.environ["LANGFUSE_HOST"] = "http://localhost:3001"

langfuse = get_client()

openlit.init(tracer=langfuse._otel_tracer, disable_batch=True)

# Create and configure the agent

agent = Agent(

model=OpenRouter(id="deepseek/deepseek-chat-v3-0324"),

# tools=[DuckDuckGoTools()],

markdown=True,

user_id="assss",

session_id="xxxxx",

debug_mode=True,

)

agent.print_response("你好",stream=False)

请我喝杯咖啡

示例图

认真做Agent

Table of Contents