全栈可观测性初创公司Honeycomb发布了平台更新，可更深入地洞察实际生产环境中AI代理的活动。此举直指企业虽在快速引入AI代理，但在实际现场却难以掌握其调用了哪些工具、做出了哪些判断这一痛点。
Honeycomb宣布近期推出了"代理时间线"、"Canvas代理"和"Canvas技能"等新功能。该公司表示，工程团队无需单独的专有软件开发工具包（SDK）或特殊框架即可启用这些功能。这被解读为在降低AI代理引入门槛的同时，提高运营可见性的战略。
联合创始人兼首席执行官Christine Yen表示："AI代理如今已成为工程团队的一部分"，"但许多团队目前无法看到代理在实际生产环境中做了什么、调用了哪些工具，以及最终是让系统变得更好还是更糟。"
此次更新的核心在于能够在一个屏幕上分析AI系统的"行为"、"性能"和"交互"。Honeycomb表示，其基于以人为中心的可观测性设计经验，致力于追踪被赋予类似人类角色和工具使用方式的AI代理的行为。
从大模型调用到工具执行，一览无余
代理时间线是一项将大语言模型（LLM）调用、代理间的交接以及各类工具的执行记录整合到一个视图中展示的功能。例如，可以按时间顺序追踪查询邮件、运行文本编辑器、调用内容管理系统等工作流程。通过该功能，工程师可以实时了解对子系统产生的影响，无需逐条翻阅日志，即可重构代理的决策路径和故障原因。
Honeycomb还重新构建了原有的AI-人类协作工作空间Canvas。更新后的Canvas既是聊天界面，又能作为自主代理运行。工程团队可以用日常英语句子查询可观测性问题，并接收系统活动的可视化摘要快照。其特点在于无需复杂的查询语法即可探索运营问题。
新增的Canvas技能功能，则是将重复性的调试知识和最佳实践以可复用的剧本形式教授给AI代理。当类似问题再次出现时，工程师无需重新编写冗长的提示词，AI代理就能基于已学习的步骤展开自主调查。实务人员因此可以专注于比基础调查更精细的提问和判断。
检测到异常迹象时，自动启动调查
Honeycomb同时推出了自动调查功能。可以设置当告警发生时，Canvas自动启动调查，执行与异常迹象匹配的剧本，收集数据，然后提出假设、进行验证，并给出应对方案。其结构是在工程团队亲自连接终端之前，初始分析就已在进行。
Yen表示："Honeycomb就是为了处理那些无法通过计划预测的'未知之未知'而创建的。" 这被解读为，在面对事先无法假设的故障或复杂的系统异常情况时，可观测性和自动化工具的价值会更大。
发布时间表也已公布。代理时间线目前提供早期访问，预计将在数周内正式发布。其余更新自即日起向客户提供。
在AI代理迅速渗透到开发和运营现场的背景下，市场的关注点正从单纯的"引入"转向"可控的运营"。Honeycomb的此次更新表明，未来的核心竞争力不仅在于提升AI代理的生产力，更在于能否透明地追踪其在这一过程中可能出现的判断失误和系统风险。
TP AI 注意事项 本文使用TokenPost.ai基础语言模型进行摘要。正文主要内容可能被遗漏或与事实不符。