Dynatrace 收购 Arize：AI Agent 可观测性的新范式

为什么传统可观测性撑不住 AI Agent？

当 AI Agent 开始在生产环境中自主决策、调用工具、编排多步任务时，一个问题随之浮现：没有人愿意看几十亿条 trace。

这不是夸张。一个复杂 Agent 每次执行可能产生数百甚至上千条 span，涵盖 LLM 调用、工具执行、上下文检索、重试逻辑等。乘以每天数百万次请求，trace 数据的规模远超人类审查能力。

传统 APM（应用性能监控）工具设计初衷是面向请求-响应模式的服务，其仪表盘和告警逻辑难以适配 Agent 的非线性、概率性、多轮交互特征。

Dynatrace 为何选择收购 Arize

Dynatrace 是老牌可观测性巨头，覆盖基础设施、应用性能、安全等领域。而 Arize 专注于 AI/ML 系统的可观测性，尤其在 LLM 推理链路追踪、评估和监控方面积累了专门能力。

这次收购的核心逻辑：

• 能力互补：Dynatrace 有企业级部署和基础设施监控能力，Arize 有 AI 推理链路的专业分析工具
• 场景驱动：企业部署 Agent 后，需要端到端可观测——从基础设施到模型推理到业务结果
• 数据规模挑战：Agent 产生的 trace 量级需要自动化分析，而非人工审查

对开发者意味着什么

如果你正在构建 AI Agent，以下是这次收购带来的实际启示：

1. 可观测性设计要前置

不要等到 Agent 上线后才补监控。在开发阶段就应规划：

• 每个 LLM 调用的输入/输出记录
• 工具调用的参数和返回值
• 决策分支的上下文快照
• 异常路径的完整链路

2. 关注 Agent 特有的指标

传统指标（延迟、错误率）不够用，Agent 场景还需要：

• 推理质量：输出是否符合预期
• 工具调用准确率：是否选对了工具、传对了参数
• 任务完成率：多步任务是否成功结束
• 幻觉检测：输出是否包含虚假信息

3. 自动化分析是刚需

面对海量 trace，人工审查不现实。需要：

• 自动异常检测和聚类
• 基于采样策略的重点 trace 提取
• 模式识别和趋势分析
• 与告警系统的联动

实践建议

无论你是否使用 Dynatrace/Arize，以下原则适用于任何 Agent 可观测性方案：

层面	关注点	工具/方法
推理层	LLM 调用质量、延迟、token 消耗	OpenTelemetry + 自定义 span
编排层	任务流、分支决策、重试	工作流引擎日志 + trace 关联
工具层	外部 API 调用成功率、超时	标准 APM 工具
结果层	任务完成率、用户满意度	业务指标 + 反馈收集

总结

AI Agent 的可观测性不是传统 APM 的简单延伸，而是需要专门的数据模型、分析方法和交互界面。Dynatrace 收购 Arize 释放的信号很明确：行业正在为 Agent 时代的可观测性重新定义工具链。

对开发者而言，现在就该开始思考：你的 Agent 出问题后，你如何快速定位原因？如果没有答案，这就是需要优先解决的问题。