D-4-张善友-AI应用的可观测性解决方案.pdf

1、AI应用的可观测性解决方案从.NET 角度看AI Agent 应用的可观测性解决方案张善友广州智用开物人工智能科技有限公司 CTO，微软最有价值专家MVP公众号 dotnet跨平台 和 新一代智能应用 主理人讲师简介-张善友一、基本情况微软最有价值专家、腾讯云 TVP、华为云 HCDE、现任广州智用开物人工智能科技有限公司CTO，拥有20年以上数字化智能化工作经验，擅长数字化转型、人工智能+业务应用 系统建设，曾在腾讯工作12年，2018年创立深圳友浩达科技,目前在广州智用开物人工智能科技有限公司担任CTO。微信公众号“dotnet跨平台”和“新一代智能应用”主理人。荣获连任20届微软最有价值

2、专家 MVP，7届华为云 HCDE，7届腾讯云最有价值专家 TVP。geffzhanghttps:/ 引言 可观测性是AI Agent的生命线 AI Agent可观测性核心框架 量化AI Agent的生命体征.NET AI Agent框架集成OpenTelemetry 总结与展望01引言AI Agent应用现状与未来趋势AI Agent应用正由实验性原型迈向规模化生产，企业追求深度整合业务流程、自主执行任务的智能解决方案，以超越传统技术的局限。应用现状落地挑战未来发展多数企业尚处于探索阶段，通常选取影响明确、范围可控的用例作为切入点，将Agent投入生产面临可靠性、成本控制及安全治理等多重挑战

3、。展望2026年，AI Agent将实现高度自主化、领域专业化、多智能体协作及人机协同增强，深刻变革企业运营，引领智能化新纪元。Agentic三大基石与RAG的演进规划中序执行规划是任务执行前的关键步骤，Agent需将宏大目标细分为可执行子任务，并构建结构化路径，确保任务有序高效执行。01工具调用获取信息工具调用是Agent获取实时信息、执行计算的关键，通过调用外部工具如API、数据库等，突破自身知识局限。反思中迭代优化反思机制使Agent能复盘决策过程与结果，识别错误或偏差，并进行自我修正与迭代优化，进而提升最终成果质量。RAG的演进传统RAG通过一次性检索增强回答，处理复杂问题时受限。Ag

4、entic RAG融合自主规划，实现多轮、多源迭代检索，显著提升复杂问题求解能力。020304RAG的核心优势与任务处理能力动态与自适应检索根据问题复杂程度，Agent智能决策检索需求、内容及时机，复杂问题采用多轮、多源迭代检索，确保信息全面且高效获取。自我纠错与反思评估检索文档质量，发现不足时主动重写查询或调用其他工具补充信息，实现主动纠错，提升检索效果与答案准确性。分析用户查询后，自主选择最佳RAG管道或工具，如“摘要检索”、“关键词搜索”等，实现智能切换，优化信息获取路径。自主路由与规划02可观测性是AI Agent的生命线传统软件遵循预设指令，行为确定且可预测，如同机械臂操作。运维依赖

5、监控，即观察系统状态并警报异常，便于故障定位，确保系统稳定运行。机械傀儡时代AI Agent以自主感知、推理、决策和行动能力，展现出“数字生命体”特质。其非确定性行为难以预测，需引入AI可观测性，以应对传统监控的局限。数字生命体AI可观测性通过遥测数据分析，揭示AI Agent复杂内部状态，尤其面对未知问题时，提供运行逻辑洞察，是运维AI Agent不可或缺的新能力。可观测性从机械傀儡到智能生命体剖析Sense-Plan-Act循环感知Agent利用传感器从环境中收集数据。这些数据可以简单到温度读数，也可以复杂到视频流、数据库文件或API响应。感知模块是Agent与外部世界交互的触角，它为后续

6、的决策提供了基础。01处理收集到的数据被各种算法和模型处理。处理过程可以是简单的比较，也可以是复杂的机器学习分析和自然语言理解。这一环节是Agent对环境信息进行解读和理解的“认知”过程。02行动Agent使用执行器执行所选定的操作，直接或间接地影响其环境。执行器可以是API调用、数据库操作，甚至是物理机器人的移动。03学习一些高级Agent能够从行动结果中学习，通过适应新信息和积累经验来持续改进自身的性能。这使得它们能够随时间推移而适应和改进周围环境，而非停留在静态规则的束缚中。04AI Agent可观测性的核心挑战非确定性挑战AI Agent的非确定性使其输出具有概率性，即便输入相同也可能