从看见问题到解决问题，Agent 重新定义可观测

文章源自 InfoQ《C 位面对面》栏目，InfoQ 总编辑王一鹏对话观测云创始人 & CEO 蒋烁淼，核心观点如下。

1. Agent 爆发后，可观测更重要了

Gartner 预警：到 2028 年，公民开发者采用 Prompt-to-App 方式可能使软件缺陷增加 2500%。Vibe Coding 批量生产的"日抛型软件"一旦接入数据库、承接真实业务，就成为需要日志、指标、链路、告警、权限控制和故障响应的 Online System，但运维工具分散在不同系统中，运维团队难以兜底。

蒋烁湘认为，可观测不能再用"指标、日志、链路追踪"三件套概括，真正的可观测是"全面无死角的体检"——尽可能完整记录系统运行信号。像 Profiling 火焰图这类二进制数据，传统上只有"老法师"看得懂，现在 Agent 可以跨越指标、日志、调用链、拓扑和运行时数据，先拼出整体状态再帮工程师定位问题。

更深层的变化是 Agent 本身也在成为新的观测对象，催生出 ABA（Agent Behavior Analytics，Agent 行为分析）方向。观测云已支持将 OpenClaw、Hermes、Claude Code、Codex 等的数据收集到平台追踪。蒋烁淼指出，最理想的 Agent 观测入口是统一的 AI 网关——模型调用、Token 收发和工具调用都经过这里，企业才能建立可追溯的行为链路。

此外，非技术人员用 Vibe Coding 搭出的"影子 IT"天然处于可观测盲区，这进一步放大了可观测的紧迫性。

2. 可观测平台，正在变成系统的"统一上下文"

蒋烁淼的判断是：可观测性平台更像是系统的统一上下文平台。上下文决定了人类工程师的排障效率，也决定了 Agent 会不会陷入幻觉。当下模型能力差距正在缩小，真正拉开 Agent 差距的关键是拥有独特的上下文。

观测云产品思路的"变与不变"：

• 不变的是底层能力：数据采集（DataKit 支持超 600 种采集）、海量实时写入、低延迟查询，以及自研数据库 GuanceDB 3.0（完全存算分离架构，统一数据管理、标签体系和 DQL 查询语言，实现全链路数据深度关联）。这些"不那么 AI"的能力反而最难替代。
• 变的是交互与自动化方式：Dashboard 不再需要低代码拖拽，几句自然语言就能让 Agent 基于平台数据和 API 自动生成；Workflow 从"人画流程图"转向"Agent 自循环、自决策"。蒋烁淼直言："我们要推行的是面向未来的 AI-Driven 自动化，而不是人类画流程图的自动化。AI 的注意力可能会飘散，但它不会偷懒。"

3. 从看得懂到能上岗，观测 Agent 进入工作流

观测云沿三层问题逐层下探：

• 第一层：OWL 打通上下文。 提供 CLI 和 MCP Server 两种接入形态，将指标、日志、事件、监控器、仪表板、APM 等封装为标准化工具，可装进 Claude Code、Codex 等 Coding Agent，让 AI 直接查询生产环境观测数据并执行根因分析，无需生产环境访问密钥。解决"幻觉对幻觉的大厮杀"——研发和 AI 都看不到真实上下文就只能猜。
• 第二层：Obsy AI Copilot 降低理解门槛。 底层 Runtime 已从固定工作流升级为 Manager Agent 形态，注册了 Skill、上下文和大量 System Prompt。支持日志相关性分析、监控器配置、自然语言生成 Dashboard 等。本质是帮人类更好使用观测云产品、与各种 Agent 做验证。
• 第三层：Guance AI Agent Teams 可靠行动。 瞄准生产环境诊断、协同和行动闭环，可放进飞书、钉钉、微信等协作场景。产品设计上做了明确权限区分：IM 里的 Agent 默认只读，操作能力放在 Task 页面并由企业封装成 API。内建排障方法论（告警分诊→影响面判断→假设生成→证据收集→根因定位→动作建议→审批执行→结果验证），治理能力作为产品能力交付：默认只读、最小权限、高风险审批、操作留痕、证据链可追溯、处置后可验证。

"笔记"功能已升级为 AI 自动生成故障笔记，作为 Agent Teams 的长期记忆层，让 Agent 持续学习提升准确度。三层叠加构成"看得懂 → 调得动 → 控得住"的完整闭环。

4. 结束语：Agent 负责执行，Builder 负责定义结果

蒋烁淼对 AIOps 的判断很直接：没有完整运行态上下文，"不管是 AI 还是人类，这真的不叫 AIOps，这叫做神仙 Ops"。Agent 没有削弱可观测的价值，反而把它从后台推到系统中央——AI 要判断就需要事实，要行动就需要边界，要减少幻觉就需要完整、实时、可验证的上下文。

人不会退出循环，但关键能力变了：从亲手写代码、手动查问题，转向提出正确问题、定义清楚目标、提供足够上下文、验证 AI 结果。蒋烁淼把这类人称为 Builder——更懂技术架构、能活用工具、能把大问题拆成小问题并对最终结果负责的人。

我的看法

这篇文章本质是观测云的产品发布会软文，借 InfoQ 对话包装了三层产品线（OWL / Obsy AI Copilot / Guance AI Agent Teams）。核心论点"可观测平台是统一上下文"站得住脚——上下文确实是 Agent 时代的稀缺资源，谁掌握了全链路数据关联谁就有壁垒。但需注意几点：

1. "AI 网关统一入口"的提法偏理想化，现实中多模型、多渠道、桌面端 Agent 的行为轨迹很难完全收口到一个网关。
2. GuanceDB 存算分离是行业趋势而非独有优势，Datadog、Grafana 等也在做类似演进，差异化更多在数据采集广度和关联深度上。
3. "Agent 自循环 Workflow"在生产环境的风险控制仍是未解难题，文章提到的审批/留痕/验证更多是框架性承诺，实际落地效果有待观察。
4. 对前端技术专家而言，值得关注的信号是：可观测平台正在从"给人看"转向"给 Agent 用"，MCP Server 接入形态会改变 DevTools 的交互范式，DataKit 这类采集器的标准化能力比 UI 更重要。

文章信息密度尚可，但需剥离营销层看技术判断。