一次失败要能回答四件事：Harness 可观测性的最小埋点

Agent 线上挂了，最怕的不是报错本身，而是五分钟后仍然说不清：卡在哪一步、调了什么工具、花了多少钱、是被策略拦住还是模型自己绕圈。普通应用日志回答不了这些问题，因为 Agent 的关键路径分散在模型调用、工具执行、审批暂停和子 Agent 之间。

Harness 的可观测性，目标只有一句话：任意一次失败，都能用同一条 Trace 把故事讲完。

一、先回答四件事

1. 卡在哪一步：计划、工具、审批、验收，还是预算停机
2. 调了什么：工具名、校验后的参数摘要、执行身份、返回码
3. 花了多少：tokens、美元、墙钟、重试次数
4. 为什么停：model、tool、policy_reject、infra、budget_exceeded

错误分类比堆栈更重要。没有分类，评测里的「失败」无法归因，优化只能靠猜。

二、最小 Span 集合

一次用户任务一个 trace。其下至少有：

• agent：某个 Agent 或子 Agent 实例
• generation：模型、tokens、费用
• tool：工具调用与 control 结果
• guardrail / hitl：审查与审批决定
• spawn / close：子 Agent 生命周期

所有事件共享 trace_id、session_id。没有共享 ID，瀑布图再好看也拼不出因果。

三、可观测本身也是攻击面

原样导出 Prompt、客户资料、凭据，会让 tracing 成为新的泄露通道。导出前先脱敏：参数做摘要，密钥打码，按角色控制可见范围。

用户看操作记录，运维看错误与成本，评估看可复现轨迹。底层可连通，展示与保留期限不应完全相同。

四、预算埋点要能触发停机

步数、token、美元、墙钟、工具调用、子 Agent 深度，都应在模型外部计数。超限不是只发告警，而是安全暂停：先写 budget.warn，再在 pull point 停住，把半截状态收干净。

父任务给子 Agent 划拨预算，子超限只杀子，尽量不直接烧穿父。否则并行探索会变成账单事故。

五、把生产失败变成回归门禁

可观测的终点不是看板，而是闭环：一次真实失败被定位后，导出为评测样本，进入回归集，挡住下一版发布。

如果你的 CI 只包含事先想得到的用例，它永远落后于生产。Trace 完整，失败才能沉淀成门禁；Trace 残缺，复盘就只能靠回忆。

结语

Harness 可观测性不是「多打几行日志」，而是给每次运行一张可回放的收据。能回答卡点、动作、成本、停因四件事，排障才从玄学变成工程；再把失败送进评测，系统才会越跑越稳，而不是越跑越盲。